Data Analytics: Doch… haben ganz schön viel Wert, diese Unternehmensdaten!

Wie Maschinenfabrik Reinhausen den Wert der Unternehmensdaten erkannte – und warum es noch viel zu tun gibt. Ein Erfahrungsbericht von Michael Rudorf aus dem Einkauf.

Es ist ja nicht so, dass bei der Maschinenfabrik Reinhausen der Wert der Unternehmensdaten nicht bekannt war. Aber das Bild auf die Unternehmensdaten, hat sich nach dem Projekt der shouldcosting GmbH signifikant geändert. Die Spezialisten aus der Schweiz haben vor Ort, in Regensburg, Einkaufsdaten analysiert. Aber nicht nach der klassischen Methode. Nein – Machine Learning, Data-Mining und Data Analytics werden dabei eingesetzt. Klingt ja alles spannend … Solche Wörter wurden aber auch schon oft überstrapaziert und haben sich teilweise als leere Worthülsen herausgestellt. Nach einem Vortrag am Maschinenbau Forum in Pforzheim zum Thema «Data Analytics im Einkauf» wollten wir das genauer wissen. Denn Erfahrungen sammeln ist wertvoll. Die Warengruppen «Guss» und «Drehen» wollten wir im Rahmen einer Bachelorarbeit mit shouldcosting analysieren lassen. Am Anfang hat uns shouldcosting mitgeteilt, welche Daten für die Analyse benötigt werden: ERP Daten werden ja oft für Analysen hinzugezogen. Aber 3D CAD Modelle und die dazugehörigen Zeichnungen pro Artikel?

Da war schon die erste Erkenntnis:

Wie gut ist eigentlich unser interner Zugang zu den 3D CAD Modellen und den Zeichnungen pro Artikel? Zumal es sich nicht um einzelne Dateien handelt – sondern um Hunderte! Hier gibt es noch Optimierungspotenzial. Die heutigen Systeme sind oft nicht für Massenexporte ausgelegt. Aber natürlich konnten wir die erforderlichen Daten bereitstellen. Nach einer kurzen Datendurchsicht begann shouldcosting mittels Data-Mining und Machine Learning die 3D CAD Modelle und die Zeichnungen auszuwerten.

Die zweite Erkenntnis:

Viele preisrelevante Informationen befinden sich nur auf den 2D Zeichnungen. Deshalb wurden im Projekt Verfahren angewendet, die es ermöglicht haben diese Informationen pro Artikel zu erkennen und zu erheben. Vollautomatisch versteht sich. Allein die erste «Datenerhebung» hat Erstaunliches zu Tage gebracht. Faktenbasiert konnten Kostentreiberinformationen, Varianzen der verwendeten Werkstoffe und die unterschiedliche Benennung von ähnlichen Gussteilen aus unseren 3D CAD Daten und auf den 2D Zeichnungen ermittelt werden. Für Standardisierungsmaßnahmen eine sehr gute Ausgangslage. Nun kommen Algorithmen ins Spiel. Mit Hilfe von „Data Analytics“ konnten bei der Analyse der ERP-Daten schnell die ersten Einsparpotenziale bei Guss– und Drehteilen identifiziert werden.

Die dritte Erkenntnis:

Algorithmen arbeiten schnell und zuverlässig. Es dauerte nicht mal zwei Tage, bis klare Fakten auf dem Tisch lagen. Erstaunliches wurde durch das Data Mining zu Tage gefördert, z. B. Drehteile die auf Grund der ermittelten Daten zu teuer eingekauft wurden oder vergleichbare Komponenten, die bei ähnlichen Stückzahlen zu stark unterschiedlichen Preisen eingekauft wurden. Die ermittelten und identifizierten Potentiale wurden zielführend mit großem Erfolg umgesetzt. Die getätigte Investition für die Analyse konnte mit den erzielten Einsparungen ohne Probleme amortisiert werden. Für uns hat sich die Sichtweise auf die Aussagefähigkeit der Unternehmensdaten wesentlich geändert, welches Potential und welchen Wert Unternehmensdaten haben, hat die Umsetzung dieses Projektes mit der shouldcosting GmbH gezeigt. Die ermittelten Daten sind für den Einkauf sehr wertvoll.

Wichtig dahingehend ist die vierte Erkenntnis:

Unsere Unternehmensdaten sind heute schon nutzbar. Das beruhigt ungemein. Und nebenbei hatte auch shouldcosting eine wertvolle Erkenntnis: Regensburg ist eine wunderschöne Stadt! Auf zur nächsten Analyse.