Wie kann Machine Learning den Einkaufsprozess unterstützen – oder sogar erleichtern?

Machine Learning (ML) - Anwendungsfälle 

Machine Learning (ML) im Einkaufsprozess von Unternehmen und Organisationen kann enorm helfen, aus den Daten der Vergangenheit Schlüsse für das Tagesgeschäft und die nahe Zukunft zu ziehen. Im Folgenden stellen wir Ihnen einige Anwendungsfälle vor, die im Einkauf möglich sind und die bei uns im „Labor“ gerade erarbeitet werden. Im Folgenden ein paar sehr interessante und nützlich Use Cases aus dem Einkauf.

Zunächst kann ML aus vielen Freitextbestellungen erkennen, ob in einem Unternehmen oder einer Organisation bestimmte Objekte immer wieder in unterschiedlichen Varianten bestellt werden, ohne dass bisher ein Artikel dazu existierte. Daraufhin macht ML Vorschläge, einen Artikel im Materialstamm anzulegen und auch in welche Artikelgruppe der Artikel einsortiert werden könnte. Fehlt eine geeignete Kategorie, schlägt ML der Einkäuferin oder dem Einkäufer eine neue vor.

Über die Chat Bot Technologie von SAP kann für den Bestellprozess der Dialog mit allen Nutzern aus dem Unternehmen aufgenommen werden. Dabei müssen Mitarbeiter*innen nicht zwangsläufig die genaue Artikelnummer kennen, sondern können sich so ihrem Wunschartikel „annähern“.

Möchte ein*e Nutzer*in beispielsweise ein neues iPhone bestellen, reicht bereits die Eingabe „Bestellung neues iPhone". ML interpretiert nun aufgrund vorhandener Artikel, was genau die Nutzerin oder der Nutzer bestellen möchte und unterbreitet entsprechende Vorschläge. Ist ein geeignetes iPhone dabei (I10, schwarz, 64GB), müssen Mitarbeiter*innen lediglich „bestellen“. Dabei ist es egal, ob die Bestellung schriftlich oder über Spracheingabe erfolgt: Eine Kombination aus KI, ML und RPA generiert aus den Informationen eine Bestellanforderung (BANF), die dann – natürlich noch im Regelprozess – genehmigt und in eine Bestellung überführt werden muss.

Damit verknüpft ist der Anwendungsfall „Bestellung per Foto“. Hierbei wird die ML Art Recognition/Matching eingesetzt. Besteller*innen fotografieren dabei ihren Wunschartikel und ML vergleicht anhand der aus dem Foto errechneten Daten alle Artikel des eigenen Sortiments. Vielleicht wird ein neues Headset benötigt. Nun schlägt das System den Anwender*innen alle Artikel per Foto vor, die dem abfotografierten Gegenstand eines Headsets gleichen. Die Nutzerin bzw. der Nutzer wählt das passende aus und der Prozess wird wie beim Chat Bot fortgesetzt.

Ein weiterer Anwendungsfall liegt in der Freigabe von gesperrten (geblockten) Rechnungen. Wenn eine Rechnung gesperrt ist, kann die Finanzbuchhaltung die Rechnung nicht bezahlen. Wenn die Kreditoren eine Rechnung erfassen, schlägt das System die Werte vor, die es aufgrund der Bestellung oder des Wareneingangs in einer Rechnung erwartet. Weicht die Rechnungsposition von den Vorschlagswerten ab, müssen Mitarbeiter*innen der Kreditorenbuchhaltung den Grund für die Abweichung durch Rücksprache mit der Einkaufs- oder Wareneingangsabteilung oder dem Lieferanten direkt ermitteln. Hier setzt ML an.
Für alle aus Mengengründen gesperrten Rechnungen wird die Verzögerung der Wareneingänge mit Hilfe der Predictive Modeling Integration prognostiziert. Auf Grundlage dieser Vorhersage kann der Kreditorenbuchhalter eine fundierte Entscheidung treffen, ob es sinnvoll ist, die Lieferantenrechnung zu bezahlen, um den Skonto zu nutzen oder sie zurückzuhalten, bis die Differenzen geklärt sind. Für Unternehmen mit großen Einkaufsvolumina kann dies zu Einsparungen in Millionenhöhe führen.

Wie sieht es bei der Vorhersage von Lieferterminen aus?

Hierbei handelt es um ein prädiktives Szenario für die Überwachung von Bestellpositionen. Mit diesem vordefinierten Vorhersageszenario können Sie als Business Analyst*in oder Experte*in für maschinelles Lernen ihre Anwender in die Lage versetzen, die Liefertermine für Bestellpositionen auf der Grundlage historischer Daten und unter Verwendung von SAP Predictive Analytics Integrator vorherzusagen.
Ein*e Mitarbeiter*in im Einkauf könnte daran interessiert sein, die voraussichtlichen Liefertermine zu erfahren. Auf der Grundlage mehrerer Parameter kann das System ein Datum vorhersagen, zu dem der Lieferant das Material wahrscheinlich liefern wird. Weicht das vorhergesagte Lieferdatum vom Wunschtermin ab, lässt sich entweder persönlich auf den Lieferanten einwirken und gemeinsam eine Lösung suchen oder sich rechtzeitig nach Alternativen umsehen, damit das Zieldatum eingehalten werden kann. Das Vorhersagemodell kann auch auf der Grundlage der historischen Daten im jeweiligen System trainiert werden. Bei jedem Training wird dabei eine neue Version des Modells erstellt.

Ein weiteres Szenario des Einkaufsprozesses liegt in der automatischen Verarbeitung von verschieden-sprachigen Lieferscheinen. Hierbei sollen die Lieferscheine direkt ins SAP eingelesen und die wesentlichen Felder maschinell interpretiert und ins SAP übertragen werden. Die Herausforderung besteht meist darin, dass die Lieferanten alle unterschiedlichen Formate für Lieferscheine nutzen. Kommt dann noch die Sprachvielfalt bei internationalen Lieferketten hinzu, ist die Verwirrung schnell groß. ML kann hier in Kombination mit OCR anhand alter Lieferscheine „lernen“ und Feld für Feld die Werte auf einem beispielsweise gescannten Lieferschein immer genauer erkennen.

Machine Learning überwacht Materialien und Bestellungen ohne Rahmenvertrag. Durch Überwachung der laufenden Bestellungen im System und mittels ML Algorithmen werden Lieferanten identifiziert, bei denen sich eine Aushandlung eines Rahmenvertrags lohnen könnte. Dabei erstellt ML ein auf mehreren Einflussfaktoren basiertes Ranking. Diese können unter anderem sein: Bruttobestellvolumen, Anzahl der Bestellungen oder die Anzahl der Tage von der ersten bzw. letzten Bestellung. In der Applikationsoberfläche werden Nutzer*innen das Ranking angezeigt und per Klick können sie direkt zur Erstellung eines Rahmenvertrags navigieren. Weiterhin besteht die Möglichkeit, direkt in der Oberfläche den Trainingsdatensatz zu optimieren, indem bspw. veraltete Lieferanten, bei denen nicht mehr bestellt werden soll, deaktiviert werden. Diese Information optimiert den Trainingsdatensatz und verbessert die Prognosegüte.

Rechnungen werden geschrieben, geprüft und bezahlt, seitdem Menschen Geschäfte miteinander betreiben. Eine Rechnungslösung zum Beispiel liest die Inhalte einer Rechnung nicht nur aus, sondern „versteht" sie und kann bereits Vorschläge unterbreiten, wer der Kreditor ist, welche Kontierung infrage kommt etc. Unter diesen Alternativen gilt es dann nur noch auszuwählen, ohne dass alle Kontierungen bekannt sein müssen. Um gute Vorschläge unterbreiten zu können, müssen KI-Anwendungen lernen. Machine Learning funktioniert also umso besser, je mehr Datensätze dafür herangezogen werden.

Sie haben Interesse an weiteren Anwendungsfällen aus dem Machine Learning?

Dann freuen Sie sich jetzt schon auf unseren nächsten Artikel, wenn wir Ihnen Praxisbeispiele aus dem Rechnungswesen unter Einsatz von ML und sich die daraus ergebenden Möglichkeiten und Chancen vorstellen.