Im Einkauf großer Unternehmen werden täglich unzählige Produkt-Transaktionen abgewickelt. Wie Algorithmen automatisch falsche Warengruppenzuordnungen entdecken und Korrekturvorschläge erstellen, um die Arbeit zu erleichtern.

Transparenz im Einkaufscontrolling durch Spend Reallocation

Große Unternehmen kaufen täglich hunderte oder gar tausende von Produkten von ihren Lieferanten ein: von Roh-, Hilfs- und Betriebsstoffen für die Produktion bis hin zu Büromaterialien wie Druckerpapier oder Stiften. Wird dabei von den Einkäufern der Idealprozess inklusive der Erfassung von Bestellanforderung und Bestellung (Purchase Order) nicht befolgt, entsteht schnell Chaos. In der Folge gehen eine Vielzahl von Lieferantenrechnungen ohne nachvollziehbaren Bestellbezug ein und die Zuordnung der auf der Rechnung aufgelisteten Artikel erfolgt nicht selten auf einer falschen Warengruppe im Buchungsprozess.

Aber selbst bei Rechnungen mit identifiziertem Bestellbezug werden oftmals Fehler in der Kontierung gemacht. Schließlich werden die meisten Sachverhalte immer noch von Menschen gebucht – und die machen bekanntlich Fehler. Wurde die Einkaufsbuchhaltung in ein Shared Service Center im Ausland ausgelagert, dann ist die Fehlerquote oft noch höher, weil Rechnungsinhalte nicht immer richtig verstanden werden. Die Folge sind Kostenzuordnungen zu Warengruppen und Sachkonten, die deutlich von der betriebswirtschaftlichen Wahrheit abweichen. Ein effektives Kostencontrolling im Einkauf ist somit nicht mehr möglich.

Eine weitere Konsequenz: Die Einkäufer haben kein verlässliches Bild über die tatsächlichen Mengen und Volumen, die sie von ihren Lieferanten beziehen. Dies erschwert ihre Verhandlungsposition für folgende Perioden deutlich. Eine Spend Reallocation ist dann eine sinnvolle Maßnahme, die Transparenz schafft und sofort spürbaren Mehrwehrt in Form von Ersparnissen (Rabatten) im Einkauf mit sich bringt.

 

Falsche Warengruppen-/Kontenzuordnungen mit Machine Learning aufspüren

Niemand will manuell mehrere zehntausend Buchungen der vergangenen Monate nach falsch zugeordneten Warengruppen und/oder Sachkonten durchforsten. Diese Arbeit wäre zum einen hochgradig repetitiv und ermüdend. Auf der anderen Seite wäre sie unglaublich zeitaufwändig. Glücklicherweise ist diese manuelle Arbeit in dem Ausmaß gar nicht notwendig, denn sie kann von Machine Learning Algorithmen automatisiert erledigt werden.

Dabei handelt es sich zum einen um eine Art der Anomalie-Erkennung (mit den falsch zugeordneten Buchungen als Anomalien), zum anderen können die Algorithmen zusätzlich Empfehlungen für richtige Zuordnungen geben – sie fungieren dann wie ein Recommender System.

Die Machine Learning Algorithmen werden im ersten Schritt mit sehr vielen alten Buchungen (Zuordnungen) trainiert, die idealerweise komplett oder zumindest zum Großteil korrekt sind. Dabei werden automatisch Muster erlernt, die zwischen den Attributen einer Rechnung bzw. Buchung und der richtigen Warengruppe bestehen. So wird es in vielen Fällen einen Zusammenhang geben zwischen dem auf der Rechnung angegeben Lieferanten und den in der Vergangenheit ausgewählten Warengruppen. Auch der Rechnungsbetrag grenzt zumeist die Anzahl möglicher sinnvoller Warengruppen deutlich ein. Daneben können einige weitere Attribute eine Rolle spielen, wie z.B. die in der Buchung angegebene Kostenstelle, der Monat der Buchung, der Erfasser der Buchung, Auftrags- oder Projektnummern, etc.

Diese Zusammenhänge müssen allerdings nicht manuell in feste Zuordnungsregeln gegossen werden. Dies geschieht im Algorithmus automatisch, alleine durch das Analysieren einer Vielzahl alter Buchungen. Nachdem der Algorithmus oder sogar ein Verbund von Algorithmen auf diese Weise trainiert worden ist, werden die Algorithmen auf neue Daten (Buchungen) angewendet, die noch niemand hinsichtlich ihrer Validität untersucht hat. Dabei werden die in diesen Buchungen erfassten Warengruppen mit den Warengruppen verglichen, die die Algorithmen auf Basis der Rechnungs-/Buchungsattribute und der zuvor erlernten Muster als die wahrscheinlichste ermittelt haben. Gibt es hier eine Abweichung, dann wird dieser Fall dem Controller angezeigt.

Korrekturvorschläge automatisiert erstellen und menschliches Feedback integrieren

Mit Hilfe der Prediction, die vom Algorithmus für diesen Fall erstellt worden ist, wird auch gleich ein Korrekturvorschlag mitgeliefert. Somit lassen sich alle Fälle mit Abweichungen inklusive dazu passender Korrekturbuchungs-Vorschläge ausgeben. Dieser Prozess erfolgt komplett automatisiert und lässt sich beliebig eintakten. Beispielsweise ist eine derartige Anomalie-Erkennung über Nacht möglich, sodass jeden Morgen eine Liste mit auffälligen Fällen und Korrekturbuchungsvorschlägen erstellt werden kann. Die Sichtung dieser Fälle durch den Fachbereich ist dann mit sehr wenig Zeitaufwand möglich.

Idealerweise wird dieser Prozess mit einem Feedbackzyklus gekoppelt, da nicht jede gefundene Abweichung auch eine tatsächliche Falschzuordnung bedeuten muss. Schließlich kann es auch Sonderfälle geben, die in der Vergangenheit noch nie oder so selten vorgekommen sind, dass es noch keine erlernbaren Muster gibt. Durch eine Feedback-Schleife, bei der die aus menschlicher Sicht eigentlich zutreffende Warengruppe hinterlegt wird, ist der Algorithmus in der Lage, sich kontinuierlich zu verbessern und auch schwierige Fälle zu lernen, um sie beim nächsten Mal gleich richtig einzuordnen.

Aber nicht nur Feedback für durch die Maschine falsch zugeordnete Fälle wird zur Verbesserung genutzt. Der Algorithmus wird immer wieder neu trainiert, um die gefundenen Muster mit neu hinzugekommenen Daten immer wieder zu validieren bzw. neu zu erlernen. Somit werden auch über die Zeit veränderliche Muster richtig erfasst. Mit Hilfe der Korrekturbuchungen entsteht schließlich wieder eine echte Kostentransparenz.

Kennen Sie das Problem falsch zugeordneter Kosten im Einkaufscontrolling? Sprechen Sie uns gerne an. Wir freuen uns, Ihnen weitere Details zur Anomalie-Erkennung im Einkaufscontrolling geben und mit Ihnen über unsere Erfahrungen diskutieren zu können.