Anomaly Detection im P2P-Prozess zur Spend Reallocation

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.

 

Weiter News
  • Augmented Analytics –Tech­no­logie statt Data Scientist?

    Von Team #verovis

  • 3. Sep – Power BI Dashboard in a Day Training

    Von Jochen Jülke

  • 20. Aug – Power BI Dashboard in a Day Training

    Von Jochen Jülke