Einsparungen durch Big Data
Im Rohstoffeinkauf kann Ihnen Big Data wertvolle Entscheidungshilfen geben. Sie können damit die Absicherung (Hedging) besser steuern und so Risiken minimieren. Rohstoffeinkäufer stehen vor folgenden Fragen:
- Soll man sich gegen Preisschwankungen mit Langzeitverträgen oder Finanzderivaten (Forwards, Swaps, Futures etc.) absichern?
- Was ist der beste kosten- und risikominimierende Mix aus Preisfixierung mittels Rohstoff-Hedging und flexibler Spotmarktbeschaffung?
- Ist der aktuelle Kontraktpreis günstig genug, um zu ordern?
Neue, datengetriebene Analyseansätze beziehen eine Vielzahl von Kausalfaktoren ein. Dazu gehören Temperatur, Ölpreis, Verfügbarkeit, Lagerbestände, Wechselkurse sowie ökonomische Wachstumsindikatoren. Auch Metallpreise korrelieren relevant mit der Ölpreisentwicklung (Veredelung hat hohen Energiebedarf).
Durch Prescriptive Analytics werden Zusammenhänge erkannt (Data Mining). Diese werden dann zur Optimierung des Hedging-Portfolios genutzt. Sogenannte Machine Learning Algorithmen basierend auf künstlicher Intelligenz unterstützen maßgeblich, indem sie prognoserelevante Bestandteile von Big Data extrahieren (Smart Data). Auch historische Kaufentscheidungen lassen sich rückwirkend evaluieren und für zukünftige Entscheidungen berücksichtigen.
Datengetriebener Prozess
Ein datengetriebener Prozess liefert klare Vorgaben, wann gekauft werden sollte. Der Einkäufer erhält angepasste Schwellenwerte, die ihm als belastbares Instrument zur Verfügung stehen. Das führt zu Beschaffungsprofilen aus flexiblen Kasse-Geschäften und risikominimierenden Termingeschäften.
Die Ersparnis kann sich sehen lassen. Ein entsprechend datengetriebenes Forschungsprojekt der TU München im Bereich Einkauf 4.0 (Januar 2014 bis März 2016) hat rund 10% günstigere Einkaufspreise für Erdgas ergeben. Das haben die Autoren der Studie, Christian Mandl und Stefan Minner, vom Lehrstuhl Logistics and Supply Chain Management, in der Fachzeitschrift Beschaffung aktuell veröffentlicht.
Lösungsanbieter sind jetzt dabei, innovative akademische Modelle in kommerzielle Lösungen zu übertragen. Diese müssen mit bestehenden ERP-Systemen kompatibel sein. Es geht darum, die oft mit großem Aufwand generierten Daten konsequent zur Entscheidungsunterstützung zu nutzen, statt sie lediglich deskriptiv anzuwenden.
Fazit: Die gezielte Nutzung selektierter Daten und Informationen über Abhängigkeiten senkt das Risiko auf volatilen Märkten.
Hinweis: In Sachen Deskriptive und Predictive Analytics gibt es bereits Softwarelösungen. Prescriptive-Lösungen sind noch unausgereift. Diskutieren Sie mit Anbietern oder Unis. Fordern Sie unter redaktion@fuchsbriefe.de gern weiteres Material und Kontaktadressen an, Stichwort: Rohstoffeinkauf.