Large Language Models(LLM) unterstützen hoch effizient den strategischen Einkauf bei der Erstellung und Verbesserung von Texten, Webrecherchen oder als Hilfe im Umgang mit Softwarelösungen. Mathematische und statistische KI bieten enorme Einsparpotentiale, die im Vergleich mit einem LLM nicht so einfach und selbsterklärend umzusetzen sind.

Ein perfekt strukturiertes Informationssystem wie WebCIS 4.0, das Berichtswesen, Benchmarks und strategische Entscheidungen für den Einkauf auf Knopfdruck ermöglicht, ist eine exzellente Basis für Analysen durch integrierte KI-Modelle.

Marktvergleiche mit Preisindizes, das Aufspüren von unlogischen Preis- und Mengenstrukturen bei Staffelpreisen, Vorschläge der KI durch angelernte Muster, Prognosen, die auf einem Lernprozess beruhen, sind Wege, die ohne KI gar nicht denkbar wären.

Unserer Erfahrung nach teilen sich die Interessenten für mathematische KI-Modelle in zwei Lager: Chancenjäger, die die Ergebnisse von KI-Modellen in Ihrem Arbeitsumfeld sofort als weiteren Fortschritt wahrnehmen und Bedenkenträger, die unzureichende Perfektion bei der Zuordnung von Marktindizes bemängeln und Vergleiche von KI-Ergebnissen mit der eigenen Zahlenwelt ablehnen. Fakt ist – ohne die Fehler der KI-Modelle zu negieren – nie zuvor konnte man mit einer derartigen Geschwindigkeit, Vorschläge, Ideen, Potentiale bekommen, die eine erweiterte Sicht aktueller Denkmuster ermöglichen. Faktenbasiert und nicht als Bauchgefühl.

Marktindexvergleiche als Benchmark auf Knopfdruck.

Orientiert man sich an dem Leistungsnachweis für erfolgreiche Einkaufsaktivitäten stellt sich sofort die Frage: Ist die Entwicklungen der Materialkosten je Warengruppe im Vergleich zu Marktindices besser oder schlechter. Durch die KI-unterstützte Zuordnung von Warengruppen zu passenden Indizes – NACE, Eurostat, stat. Bundesamt – können nicht nur fallweise Vergleiche, sondern sämtliche Warengruppen auf Knopfdruck eingeordnet werden, inkl. Aufriss auf Lieferanten und Materialien. Ein eindrucksvolles Bild entsteht für tiefergehende Analysen.

Homogenitätsindex als Maßstab der Warengruppenbildung

Obige Indexvergleiche provozieren naturbedingt Zweifel an der Aussagekraft existierender Warengruppenzuordnungen. KI-basierte Homogenitätsindizes zeigen innerhalb der Warengruppen oft nur geringe Übereinstimmungen der zugrunde liegenden Vergleichsmerkmale. Ein spannender Weg zur Erweiterung des eigenen Betrachtungshorizonts wäre ein zusätzliches alternatives System, einzig mit dem Ziel innerhalb der Warengruppen einen möglichst hohen Homogenitätsindex zu erreichen. KI-Modelle leisten hierbei wertvolle Vorschläge.

Multiregressionsanalysen zur Identifizierung der Kostentreiber
Wie wirken Eigenschaften eines Zukaufteils auf die Kaufpreise?  Eine Möglichkeit wäre ein aufwändiger Cost-Break-Down. Doch wie viele Teile lassen sich in angemessener Zeit analysieren? Und auch dann sind die internen Diskussionen je nach Ergebnis nicht gerade klein. Eine Multiregressionsanalyse holt sich die Eigenschaften von Materialien – Gewicht, Größe, Werkstoff, Fertigungsverfahren und weitere Merkmale, die den Kaufpreis beeinflussen. Die Regressionsgleichung zeigt, welcher Einflussfaktor welchen Anteil an der Preisbildung hat und wo man verhandeln kann.

Staffelpreise: Sind Definition und Nutzung logisch oder Zufall?

Losgrößenabhängige Preise gelten nach wie vor als ein gängiger Weg, mit dispositiven Schwankungen umzugehen. Doch nach welchen Regeln werden Staffelmengen und Staffelpreise eigentlich definiert? Auf diese einfache Frage kommt selten eine plausible Erklärung Zwei wichtige Fragen stellen sich bei der Staffelpreisdefinition: Welche Materialien eignen sich überhaupt für Staffelpreise und sind die Staffeln so aufgebaut, dass Fixkosten und variable Kosten für jede Staffelmenge eine logische Preiskalkulation ermöglichen? KI-Modelle zeigen denkbare Ungereimtheiten und Lösungen auf Knopfdruck.

Im nächsten Schritt sollte man die tatsächlich genutzten Staffeln mit möglichen günstigeren Staffelpreisen vergleichen. Unter Abwägung der Preisvorteile und trotz höherer Kapitalbindung sind Einsparungen von 5-10% realistisch.

Hat steigendes Einkaufsvolumen Einfluss auf das Einkaufsergebnis?

Was landläufig Mengen- bzw. Volumensrabatt genannt wird, existiert auch im industriellen Einkauf. Fixkostendegression, verbesserte Planungssicherheit und Frachtoptimierungen gehen mit steigendem Volumen einher. Erstaunlich, wie oft wir systemseitig Mengensteigerungen mit kaum wahrnehmbaren Kostensenkungen bzw. fehlenden Bonusvereinbarungen aufspüren.

Im WebCIS genügt ein Knopfdruck, um potenzielle Lieferanten zu identifizieren, mit denen u.U Bonusstaffeln möglich wären.

All diese Beispiele zeigen, wie die mathematischen und statistischen Modelle der künstlichen Intelligenz ein eigener Rohstofffaktor im Einkauf der Zukunft schon sind und weiter reifen werden.

Werner Güntner (CEO)