Herausforderung
Der Einkaufsprozess in der Automobilebranche ist eine komplexe und mehrstufige Aufgabenstellung. Der Konzerneinkauf unterstützt Fachabteilungen bei der Auswahl geeigneter Lieferanten sowie bei der Erreichung gesetzter Budgetziele. Die Vorbereitung auf Ausschreibungen und Verhandlungen kann dabei sehr aufwändig sein.
Unser Kunde stand vor der Herausforderung, seine Einkäufer:innen mit einem datenbasierten Tool im Einkaufsprozess zu unterstützen und das Konzernwissen effizient zugänglich zu machen. Hierdurch sollen Teile des Einkaufsprozesses automatisiert werden. Der Aufwand für das Finden relevanter neuer Lieferanten sollte dabei minimiert, die Auffindbarkeit von Vergleichsangeboten verbessert und der Preisverhandlungsprozess optimiert werden.
Ansatz
Da sich die Anforderungen in den verschiedenen Einkaufsschritten stark unterscheiden, wurden spezifische Machine Learning Modelle entwickelt und in einer webbasierten Applikation zusammengeführt. Zur Ermittlung von relevanten Lieferanten für eine neue Ausschreibung wurden unterschiedliche Datenquellen miteinander in einem NLP-Modell kombiniert. Bei den Datenquellen handelte es sich zum einen um interne Informationen wie Angebotstexte oder vergangene Ausschreibungen und zum anderen um externe Quellen.
Um Angebote anhand von Schlagwörtern oder durch das Hochladen eines neuen Angebotstextes aufzufinden, wurden zwei Arten von Suchverfahren verknüpft: Zum einen eine Symbolic Search, welche das performante Auffinden von exakten Schlagwörtern oder Artikelnummern ermöglicht. Zum anderen eine Neural Search, die komplexe Sachverhalte abbildet und auffindbar macht. Weiterhin wurde die Vorhersage eines realistischen und zugleich ambitionierten Zielpreises ermöglicht, in dessen Modellierung nicht nur interne Faktoren einfließen, sondern zusätzlich auch externe Faktoren wie makroökonomische Daten, um die generelle Preisentwicklung abzubilden.
Zusätzlich werden die Verkäufer:innen mit Argumenten für die bevorstehende Verhandlung unterstützt. Diese Argumente werden durch Explainable AI aus dem Modell abgeleitet. Der ETL-Prozess für die Datenbeladung sowie das Modelltraining werden von Airflow orchestriert. Die Machine Learning Modelle wurden mit Hilfe einer automatisierten Deployment-Pipeline als Microservices in einem Kubernetes-Cluster zur Verfügung gestellt. Dies ermöglicht eine unkomplizierte und zugleich sehr effiziente Skalierung.
Ergebnis
Unsere Procurement-Suite gestaltet den Einkaufsprozess für unseren Kunden effizienter, wodurch die Vorbereitungszeit reduziert wird und die Einkäufer:innen sich auf die wichtigsten Aufgaben fokussieren können. Außerdem wurde der Verhandlungsprozess für Einkäufe im niedrigstelligen Geldwert-Bereich automatisiert, welcher zuvor kaum verhandelt wurde. Dadurch lassen sich hohe zusätzliche Ersparnisse erzielen. Der Zugang zu wichtigen Informationen, die zuvor nur schwer auffindbar waren, wurde deutlich erleichtert. So können neue und passendere Lieferanten gefunden und Angebote aus der Vergangenheit mit jüngsten Angeboten verglichen werden.