Mit Data Analytics den Kostentreibern auf der Spur

Einkäufer verstecken sich manchmal ganz gerne hinter dem Statement „Ich bin ja nur Kaufmann“, wenn es um einen Zusammenhang zwischen den technischen Parametern und Preis geht. Mit Data Analytics muss das nicht sein.

Tief in sich drin wissen die Einkäufer, dass es Abhängigkeiten gibt. Aber diese ganze Materie ist irgendwie zu komplex. Dann doch lieber platt gegenüber dem Lieferanten argumentieren mit „Da muss aber noch was drin sein!“

Ganz ehrlich – ich kann die Einkäufer verstehen. Nicht, weil ich diese instinktiv in Schutz nehmen möchte, sondern weil die Thematik „Korrelation von Preis und technischen Features“ schnell tricky werden kann.

Nur 1 Parameter: LPP-Verfahren

Einfach ist es, wenn nur ein technischer Parameter zu berücksichtigen ist, z.B. das Gewicht. Wenn man hier die verschiedenen Teile mit ihren jeweiligen Gewichten und Preisen als Punkte in einem XY-Diagramm aufträgt, so lässt dort ein Muster erkennen. Das Muster ist häufig eine Gerade, entlang welcher sich die meisten Punkte bewegen. Das Verfahren nennt sich somit treffend „Linear Performance Pricing“ (LPP) und bietet dem Einkäufer zwei wesentliche Erkenntnisse:

1. Was ist mit den Ausreißern, die nicht auf der Geraden liegen?

Liegen diese wie in der nachfolgenden Grafik oberhalb der Gerade, dann ist der tatsächliche Preis höher als der Preis, der sich aus der Geraden ergibt. Dies bietet Potenzial zum Hinterfragen, was der Grund dafür sein kann, dass das Teil in dem Beispiel 30 EUR und nicht 15 EUR kostet. Typische Gründe sind hierbei:

• falscher Lieferant
• Prototypen-Preis obwohl inzwischen ein Serien-Teil
• technische Besonderheit, die es zu hinterfragen gilt

2. Wie teuer ist ein neues Teil, welches von der Technik an den Einkauf herangetragen wird?

Im Beispiel der Grafik ist dieses neue Teil ca. 0,35kg schwer und kann durch die Gerade auf etwas mehr als 10 EUR preislich in Sekundenschnelle bestimmt werden, ohne dass der Lieferant angefragt werden muss, was ein Zeitgewinn bzw. eine Arbeitserleichterung ist.

Das LPP-Verfahren lässt sich in Excel gut abbilden und kann so zahlreiche Teile schnell analysieren.

Nachteil des LPP-Verfahrens

Einen entscheidenden Nachteil hat es aber dennoch. Es kann nur ein(!) Parameter berücksichtigt werden. Sobald mehrere Parameter ins Spiel kommen (z.B. Werkstoff, Abmaße, Losgröße), sind wir im Bereich der multiparametrischen Analyse, was auch für ehemalige Mathe-Leistungskurs-Schüler eine Herausforderung ist.

Lösung: Data Analytics

Also, doch zurück zu „Da geht noch was“. Nein, denn jetzt kommt die Digitalisierung ins Spiel. Hier gibt es inzwischen Softwarelösungen, die eine solche Analyse mit mehreren Parametern innerhalb weniger Minuten lösen können. Das Zauberwort heißt „Data Analytics“, in dem die kaufmännischen und technischen Parameter miteinander verknüpft werden, um wie beim LPP die Preisausreißer zu erkennen sowie eine Kosten-Vorhersage für neue Teile zu ermöglichen.

Die Software-Lösungen sind inzwischen seit Jahren erprobt und Projekte, in denen Tausende von Teilen analysiert werden, bringen eine Einsparungen von 5-15% auf das gesamte Volumen.

Bei diesen Analysen gilt es aber auch einiges zu beachten:

1. Was sind die Kostentreiber?

Am Anfang ist zu überlegen, was die wichtigsten Parameter sein können, die einen Einfluss auf den Preis haben. Diese Festlegung empfiehlt sich häufig in einem gemeinsamen Workshop mit der Technik

2. Liegen alle Daten digital vor?

Wenn nun die Kostentreiber bekannt sind, so ist auch zu prüfen, ob die Daten digital verarbeitbar sind. So gibt es inzwischen einige Softwarelösungen, die Parameter aus den 3D-Modellen automatisch auslesen können, was eine ungemeine Arbeitserleichterung ist.

3. Wie sind zukünftig Daten anzulegen?

Nicht selten zeigt sich im Laufe des Projektes, dass die Daten sehr unstrukturiert sind. So werden z.B. im Datenfeld „Werkstoff“ unterschiedlichste Formate eingetragen, die aber alle das gleiche bedeuten (z.B. Edelstahl, 1.4301, V2A, Nirosta etc.). In solchen Fällen ist ein Data Cleansing notwendig, um ein einheitliches Format (z.B. 1.4301) festzulegen. Dies gilt es dann auch zukünftig sicherzustellen über ein Drop-Down-Menü für das Stammdatenfeld „Werkstoff“ statt des bisherigen Freitextfeldes.

Fazit

Wer dieses beachtet, kann mittels Data Analytics den Kostentreibern auch als „einfacher Kaufmann“ auf der Spur bleiben und Einsparungen erzielen.