Big Data und Data Analytics im Einkauf: Datenbasierte Entscheidungen treffen

Erwartungen

Worin besteht der Unterschied zwischen Big Data und Data Analytics?
Wie kann der Einkauf die zwei Technikneuerscheinungen sinnvoll einsetzen?
Welche Chancen und Herausforderungen sind mit den neuen Technologien verbunden?

Key - Takeaways

Big Data

Big Data ist relativ neu und die logische Konsequenz aus Prozessoptimierung und strategischem Einkauf. Letztendlich lässt sich Big Data gut mit den 5 V's beschreiben:
Volume
Big Data impliziert, dass es sich um eine große Datenmenge handelt, die verarbeitet werden muss.
Variety
Die Daten, die unter Big Data fallen, sind nicht nur ein bestimmtes Dateiformat, sondern viele verschiedene. Das kann von jpeg über Word bis hin zu JSON-Dateien reichen.
Value
Hier geht es darum, welchen Wert die Daten für das Unternehmen in der Wertschöpfungskette haben.
Velocity
Bei Big Data ändern sich die Daten relativ schnell und können auch schnell aggregiert werden.
Veracity
Die Daten, die in Big Data verarbeitet werden, sind oft inkonsistent und es gibt einige Unbekannte in diesen Daten.

Chancen und Herausforderungen

Chancen
Aus den vielen verschiedenen Daten können sehr aufschlussreiche Informationen gewonnen werden, die auch zu Savings führen können.
Ein weiterer positiver Aspekt ist die Verbesserung der unternehmensübergreifenden Zusammenarbeit, da so viele Daten wie möglich benötigt werden. Dabei ist es nicht hilfreich, wenn sich eine Abteilung abschottet und versucht, die Daten selbst zu analysieren. Oft können abteilungsübergreifende Erkenntnisse gewonnen werden.
Herausforderungen
Auch wenn die Herkunft der Daten eine Zusammenarbeit zwischen den Abteilungen erfordert, so ist es doch oft so, dass Redundanzen in den Daten erzeugt werden. Hier muss vorher aussortiert werden, damit nicht versucht wird, ein und denselben Datensatz miteinander zu vergleichen.
Häufig gibt es in einem Unternehmen nicht nur ein System und aufgrund der vielfältigen Systemlandschaft, die teilweise aus über 100 verschiedenen Softwareprodukten bestehen kann, ist es eine Herausforderung, die Daten aus all diesen Systemen zu extrahieren.

Praktische Anwendungsfälle

Warengruppenstrategie
Die Kraljic-Matrix ist ein Werkzeug zur Entwicklung einer Warengruppenstrategie. Sie basiert auf der Analyse von Materialien hinsichtlich ihrer Bedeutung und Verfügbarkeit auf dem Markt, um geeignete Beschaffungsstrategien zu bestimmen.
Spend Cube Optimierung
Die SpendCube-Optimierung ist ein Analyseverfahren zur Identifizierung und Optimierung der Ausgabenmuster eines Unternehmens. Durch die Visualisierung der Ausgaben nach verschiedenen Kriterien können Einsparpotenziale und Verbesserungsmöglichkeiten aufgedeckt werden.
Prozessoptimierung
Big Data kann auch bei der Prozessoptimierung helfen, ein Beispiel ist der Purchase-to-Pay-Prozess. Hier kann durch Big Data eine automatische Genehmigung auf Basis verschiedener Faktoren durchgeführt werden, was zu einer Verkürzung der Durchlaufzeit um 5,4 Tage führt.

Entstandene Fragen

Was sind die Voraussetzungen für eine erfolgreiche Implementierung von Big Data?
=> Am wichtigsten ist eine integrierte Systemlandschaft, in der die verschiedenen Softwarelösungen im Unternehmen miteinander kommunizieren können. Dies vereinfacht die Datenerfassung und -auswertung erheblich. Neben den technischen Voraussetzungen muss auch Know-how im Unternehmen vorhanden sein, was durch Mitarbeiterschulungen erreicht werden kann. Darüber hinaus ist auch die Unterstützung des Top-Managements notwendig, damit die notwendigen Ressourcen zur Verfügung gestellt werden können und die Mitarbeitenden auch das Vertrauen haben, dass jemand aus dem Management hinter dem Projekt steht.

Woran liegt es, dass noch so wenige Unternehmen Datenanalyseverfahren im großen Stil einsetzen?
=> Diese Frage ist nicht eindeutig zu beantworten, da die Gründe natürlich von Unternehmen zu Unternehmen unterschiedlich sind. Mögliche Faktoren wären aber einerseits die hohe Investitionssumme, die dem vielleicht noch nicht ganz greifbaren Nutzen gegenübersteht und andererseits die Unsicherheit/Angst vor dem Neuen. Vielleicht trauen einige der neuen Technik noch nicht und wollen ihr aus Datenschutzgründen nicht alle ihre Daten zur Analyse geben. Hinzu kommt, dass in Deutschland derzeit ein großer Fachkräftemangel herrscht und Datenanalysten rar und teuer sind, aber für eine erfolgreiche Umsetzung im Unternehmen benötigt werden.

Bild von Arek Socha auf Pixabay

Weiterführende Gedanken

Big Data ist derzeit ein Buzzword, dies führt dazu, dass viele Menschen ein falsches Verständnis von der Technologie haben und sie möglicherweise nicht richtig verstehen. Dabei hat Big Data ein großes Potenzial, Unternehmen dabei zu helfen, ihre Daten besser zu nutzen und zu analysieren. Es wäre wichtig, dass Unternehmen in die Technologie investieren, denn viele haben einen ungehobenen Datenschatz, mit dem sie viel erreichen können. Zum Beispiel können sie mit Big Data ihre Kunden besser segmentieren, ihre Produkte oder Dienstleistungen verbessern oder neue Geschäftsmodelle entwickeln. Aber ich verstehe auch, dass der Nutzen manchmal schwer greifbar ist und man das Management nur mit finanziellen Erfolgen locken kann. Aber manchmal hilft Big Data im ersten Schritt nur, seine Kunden richtig zu verstehen, um dann erst im zweiten Schritt einen finanziellen Vorteil zu schaffen, zum Beispiel durch Produktoptimierungen oder gezielte Marketingaktionen.

Offene Fragen/Punkte & weiterführende Quellen

Was sind aktuelle Beispiele in der Big Data in der Praxis verwendet wird?
=> Big Data ermöglicht die Förderung der Gesundheit durch Apps, Tools und medizinische Forschung. Es hilft bei der Überwachung von Krankheiten wie Diabetes, ermöglicht therapeutische Lösungen und die Vorhersage von Krankheitsausbrüchen. Die Krebsforschung und die Analyse von Patientendaten wären ohne Big Data nicht möglich gewesen und haben die Patientensterblichkeit gesenkt. Auch im Einkauf gibt es Beispiele für den Einsatz von Big Data. Strategische Einkäufer können beispielsweise auf Basis von Unternehmensdaten analysieren, welche Lieferanten relevant sind und welche aussortiert werden können. Im operativen Einkauf können Big-Data-Analysen die Disposition verbessern. Hier ermöglichen Massendaten die genaue Analyse von Waren- und Mengenströmen. Der gesamte Beschaffungsprozess kann auf Durchlaufzeiten, Abweichungen vom Soll oder unnötige Kostentreiber untersucht werden.

Wie teuer sind Big Data Lösungen?
=> Für eine Systemlösung von Oracle, die ca. 200TB an Daten verarbeiten kann, kostet allein die Infrastruktur (18-Node Rack) ca. 450.000 US$ (Stand 2014), umgerechnet ca. 411.000 €, hinzu kommen jährliche Kosten für Lizenzen und Support. Bei solchen Preisen ist es natürlich kein Wunder, dass Big Data in Deutschland noch etwas schleppend vorankommt. Natürlich gibt es auch etwas günstigere Lösungen, aber hier muss man immer abwägen, ob man ein Produkt einer bekannten Marke nimmt oder ein junges Start-Up, das vielleicht in 5 Jahren nicht mehr existiert und es dann keinen Support mehr für die Infrastruktur gibt.

Im Folgenden sind weiterführende Quellen aufgeführt, die mir bei der Erstellung der Rezeption geholfen haben, sowie weiterführende Informationen zum Thema Big Data im Einkauf. Alle nachfolgenden Links wurden am 24.06.2023 aufgerufen:

The 5 V's of Big Data (techtarget.com)

Big Data - Historie, Definition und Ausblick | Tink blog
Warum Einkäufer Data Scientists werden sollten (technik-einkauf.de)
Kosten für Big-Data-Lösungen: Oracle Appliance versus Eigenbau | Computer Weekly
Big Data: 11 Beispiele für sinnvolle Anwendungen im Alltag (ajoure.de)
Big Data im Einkauf: Neueste Erkenntnisse| „Wer liefert was“ - wlw.de

Pospiech M. (2019). Aufgabengerechte Informationsbereitstellung in Zeiten von Big Data
Konsequenzen für ein Informationsmanagement

https://link-springer-com.thn.idm.oclc.org/book/10.1007/978-3-658-27196-1