Einsparungen aus der zweiten Reihe

Der Corona-Virus hinterlässt tiefe Spuren. Der Auftragseingang der Maschinen- und Anlagenbauer geht stark zurück. In vielen Unternehmen haben Einspar- und Cost-Down-Projekte wieder höhere Priorität. Das gilt genauso für den Einkauf.

Einsparungen müssen her – koste es was es wolle. In den meisten Unternehmen sind Artikel im Fokus, die hohe Stückzahlen haben. Da ist das meiste «Fleisch am Knochen». Jedoch sind gerade diese Artikel schon mehrfach auf Einsparungen analysiert worden und/oder in kostengünstigere Länder verlagert worden.

Was aber ist mit den Bauteilen, die eher mittlere bis kleinere Stückzahlen haben? Da winken die meisten Einkäufer ab, da der Aufwand sich oft nicht lohnt. Viel Arbeit, wenig Ertrag. Das ist falsch. Wie heißt es doch so schön … auch «Kleinvieh macht Mist».

Der Einkauf denkt oft in alten Mustern: Hunderte Artikel bei Lieferanten anfragen, benchmarken, Nachverhandeln … das dauert zu lange und ist viel zu teuer. Und überhaupt: Diese Arbeiten sind auf der Beliebtheitsliste nicht grad in den vorderen Rängen. Die Erfahrung zeigt, dass Artikel mit mittlerer bis kleiner Jahresstückzahl über Jahre unangetastet im ERP-System verweilen, sobald diese einen Preisinfosatz haben. Der Disponent bestellt, der Lieferant bestätigt – alle sind glücklich und keiner guckt mehr auf den Preis. Das ist gefährlich! Prototypenpreise werden nicht selten übersehen – auch wenn die Stückzahlen der letzten Bestellungen bereits im zweistelligen Bereich liegen. Das stört weder den Disponenten noch den Lieferanten. Die Frage ist berechtigt. Wie sollen tausende Artikel mit einem kleinen Einkaufsteam auf Einsparungen hin analysiert werden?

100‘000 Artikel in einer Woche analysieren?

Analytics und Machine Learning sind inzwischen etablierte Werkzeuge, mit denen innerhalb kürzester Zeit tausende Artikel auf Einsparungen hin analysiert werden können. Sogar die Voraussetzungen an diese Technologien sind bescheiden. Viele Bauteile resp. Artikel sind als 3D Modell, digital in einem 3D CAD System, «gezeichnet» worden. Es bestehen von vielen Artikeln zusätzlich auch 2D Zeichnungen im PDF-Format. Mit diesen beiden Datentypen sind die Grundlagen bereits zu 80 Prozent geschaffen. Die restlichen 20 Prozent sind ERP Daten, auf welche der Einkauf jederzeit Zugriff hat: Bestelldaten, Lieferantennamen, Einkaufsmengen, Lieferzeiten und Preise.

Ähnliche Bauteile innert Sekunden identifizieren

Computer können 24 Stunden, sieben Tage die Woche arbeiten. Mittels Data-Mining und Machine Learning wird von den tausenden von 3D CAD Daten und 2D CAD Zeichnungen ein «digitaler Fingerabdruck» erstellt. Ein Algorithmus findet über diesen Fingerabdruck ähnliche Bauteile auf Knopfdruck. Und ähnliche Bauteile sollten bei ähnlichen Beschaffungsmengen auch ähnliche Preise haben … Sollten. Bei tausenden Artikeln ist es schwierig den Überblick zu wahren.

Der digitale Fingerabdruck jedes Bauteils kann noch vertiefter analysiert werden. Algorithmen sind in der Lage, diesen digitalen Fingerabdruck zu bewerten und kann die Sollkosten tausender Artikel innert kürzester Zeit berechnen.

Faktenbasierte Einsparungen identifizieren

Die Erfahrung zeigt, dass durchschnittlich 12 bis 15 Prozent an Einsparungen identifiziert und realisiert werden können. Schnelle Computer und die entsprechenden Algorithmen können rund 10‘000 Artikel in einer Woche analysieren und faktenbasierte Argumente für Nachverhandlungen bei Lieferanten erarbeiten.