Künstliche Intelligenz (KI) ermöglicht schnelle und strukturierte Marktanalysen. Mit KI kann der Wareneinkauf analysiert, optimiert und automatisiert werden. Ein Beispiel aus der Metallindustrie:
Von Unternehmen wird KI, insbesondere Large Language Models (LLM) immer öfter verwendet, um eine schnelle und strukturierte Datenanalyse durchzuführen. Durch strukturierte Analysen können Unternehmen ihre Prozesse optimieren, wie beispielsweise den Einkaufsprozess von Rohstoffen. Der Ablauf des Prozesses wird am Beispiel von Stahl aufgezeigt.
Ablauf des automatisierten Prozesses
Von der Einkaufsabteilung wird im System hinterlegt, welche Menge Rohstoffe zu welchem maximalen Kilopreis eingekauft werden soll. Zusätzlich wird angegeben, ob die KI bei entsprechendem Preis direkt bestellen soll, oder ob nur der Preis der Einkaufsabteilung durch die KI gemeldet wird. Die KI überwacht mit Hilfe von Large Language Models die Entwicklung des Materialpreises. Sobald der hinterlegte maximale Kilopreis unterschritten wird, wird einer der folgenden Teilprozesse ausgeführt:
- KI bestellt die Ware und meldet es dem Einkäufer
- KI meldet dem Einkäufer, dass der hinterlegte Preis unterschritten wurde
Bei der zweiten Option ist es dem Einkäufer überlassen, ob er Material einkaufen möchte. Diese Option bietet den Vorteil, dass der Einkäufer abschätzen kann, in welche Richtung sich der Preis mutmasslich entwickelt und entsprechend seinen Kaufentscheid treffen kann.
Stand der Technik
Es gibt in der untersuchten KI der Roland Berger GmbH aktuell 4 verschiedene Aspekte, welche mit KI und Machine Learning analysiert werden können und für die Preisoptimierung relevant sind:
- Kostenoptimierung
- Margenoptimierung
- Risikominimierung
- «Working Capital» gering halten, das Lager im Voraus planen
Für die Kostenoptimierung in volatilen Märkten wie dem Metallmarkt ist es hilfreich, mit dem Lieferanten langfristige Verträge mit einer fixen Menge und fixem Preis abzuschliessen, sobald der Materialpreis den gewünschten Einkaufspreis erreicht hat. Dies gibt Planungssicherheit. Solche Marktdaten können mit Hilfe von KI erhoben werden.
Eine Margenoptimierung hat das Ziel, Mehrkosten an den Kunden zu überwälzen und bei tieferen Kosten den eigenen Gewinn zu erhöhen. Dieser Prozess kann ebenfalls mit Hilfe von KI-Analysen und LLMs optimiert werden.
Bei der Risikominimierung kann die KI helfen, Zukunftsszenarien aufzuzeigen. Das Unternehmen entscheidet, welches Szenario am realistischsten ist und erhält von der KI entsprechende Handlungsempfehlungen.
Das «Working Capital» (gebundenes Kapital) wird mit Hilfe des automatisierten Einkaufsprozesses gering gehalten. Durch die Prozessoptimierung wird zu einem besseren Preis sowie mengenmässig in sinnvollem Mass eingekauft. Diese Faktoren erleichtern die Lagerbewirtschaftung eines Unternehmens.
Herausforderungen
Mittels LLMs können Daten zwar sehr effizient analysiert werden, allerdings können diese äussere Einflussfaktoren wie beispielsweise die gesellschaftliche Entwicklung kaum in ihre Berechnungen einbeziehen. Aus der Vergangenheit kann die zukünftige Entwicklung des Rohstoffhandels nicht zuverlässig vorausgesagt werden. Um LLMs für die Einkaufsplanung nutzen zu können, müssen nebst externen Einflussfaktoren auch die internen berücksichtigt werden. Zu den internen Faktoren gehört zum Beispiel, welcher Lieferant gewählt wird, wenn mehrere den ungefähr gleichen Preis anbieten und der Entscheid von den Geschäftsbeziehungen abhängig ist. Zusätzlich ist die KI für den Anwender eine «Blackbox», da er nicht nachvollziehen kann, wie diese auf ihre Empfehlungen kommt.
Zustandekommen des Materialpreises
In der Metallindustrie ist der sogenannte LME (London Metal Exchange) der relevante Materialpreis für den Einkauf und Verkauf von Metallen. Der Preis ergibt sich aus dem Handelspreis des Metalls an der Londoner Rohstoffbörse und ist somit Angebot/Nachfrage-basiert. Im folgenden Video wird das Zustandekommen des Marktpreises genauer beschrieben:
Einkaufsprozess heute
Bisher wurde der Einkauf von den Mitarbeitenden geregelt. Dabei haben sie sich an folgenden Punkten orientiert:
- Verträge mit Lieferanten
- Unterschiede nach Material
- Geschäftsstrategien regelmässig hinterfragen
- Lieferantenunabhängigkeit sicherstellen
Sowohl Einkauf als auch Verkauf müssen sich an den Geschäftsstrategien orientieren.
Fazit
Es ist äusserst schwierig, eine KI für einen Angebot/Nachfrage-basierten Markt zu erstellen, da sich der zukünftige Preis nicht einfach von der Vergangenheit ableiten lässt. Large-Language-Modelle müssten mindestens folgende Daten berücksichtigen können, um ein möglichst realistisches Abbild der Zukunft zu schaffen:
- Analysedaten der Vergangenheit
- Aktuelles Marktumfeld
- Äussere Einflüsse, welche zu erwarten sind (wirtschaftliche und gesellschaftliche)
Schlussendlich ist ein Potenzial vorhanden, aber eine effektive Umsetzung mit dem aktuellen Stand der KI-Modelle schwierig. Entsprechend ist die Technologie noch nicht weit verbreitet.
weiterführende Literatur
- Wie funktionieren LLM von weissenberg-group.de
- KI basierte Preiskalkulation von at.dmgmori.com
- KI für Datenanalyse von marktechpoint.com (englischer Artikel)
- Data Analytics with LLM Agents (YouTube Video)
Quellen
- aktueller Stand der Technik, Englisch von rolandberger.com
- YouTube-Link: LME einfach erklärt, Englisch
- Einkaufsoptimierung ohne KI von hoeveler-holzmann.com
- Webseite LME (Rohstoffbörse, welche den Materialpreis definiert), Englisch von LME.com
