Künstliche Intelligenz wird – ob passend oder nicht – für jede erdenkliche wirtschaftliche Herausforderung als künftiges Allheilmittel angepriesen, das angeblich für alle erdenklichen Fragen Out-of-the-Box Lösungen bereithält.
Das wirft die Frage auf, was „Künstliche Intelligenz“ eigentlich bedeutet, wie die inhaltliche Abgrenzung zu analytischen Berechnungen bzw. zu digitaler Assistenz ist und was WebCIS 4.0 heute schon beinhalt und was zukünftig erwartet werden kann.
Analytics und Algorithmen
In jeder Software, die auf festem Programmcode basiert, wird ein Dateninput über Algorithmen vorhersehbar nach festen Regeln zum Output verarbeitet.
Im Einkaufscontrolling basieren in den meisten Fällen Berechnungen auf analytischen Softwarelösungen, die überwiegend den Zweck haben, das Berichtswesen zu unterstützen.
WebCIS 4.0 bietet beispielhaft: Ermittlung von Materialkostenentwicklung, Währungseffekten, Maverick-Buying-Quote, GuV-Einfluss durch Nutzung von Zahlungskonditionen, Plan-Ist(Forecast) -Vergleichen, Berechnungen von Qualität und Liefertreue der Lieferanten, usw.
Digitale Assistenz zur Einkaufssteuerung
Da viele der im Einkauf zu treffenden Entscheidungen auf menschlichen Interaktionen basieren, ist durch das Fehlen hochwertiger Lernmerkmale ein optimaler Lösungsvorschlag eher selten möglich, was ein wesentliches Ziel „Künstlichen Intelligenz“ ist.
Eine Lösung bietet der in WebCIS 4.0 integrierte Digitale Assistent mittels Korrelationen, die zwei oder mehr Merkmale zueinander in Beziehung setzen. Korrelationen und Regressionen zeigen in Form von Bubbles oder Punktwolken Zusammenhänge auf, die auf analytischem Wege nicht erkennbar sind. Der Digitale Assistent liefert – trainiert von einkäuferischem Know How – dem strategischen Einkäufer Impulse, um proaktiv das Warengruppenumfeld auf Handlungspotentiale zu untersuchen.
Einsatzmöglichkeiten des Digitalen Assistenten in WebCIS 4.0 zur Unterstützung des strategischen Einkaufs sind: Passen Preis- und Mengenentwicklung zusammen, sind Korrelationen zwischen Termintreue und Qualität als Frühindikatoren erkennbar, weichen Bestell- und Rechnungspreise voneinander ab und gibt es hierfür signifikante Abhängigkeiten, usw.
„Künstliche Intelligenz“ oder Maschinelles Lernen?
„Künstliche Intelligenz“ (KI) weckt oft falsche Assoziationen. KI ist lediglich ein Oberbegriff, der u.a. Themen wie überwachtes Lernen, unüberwachtes Lernen, Neuronale Netzwerke umfasst.
KI ist somit weit entfernt von dem, was wir als menschliche Intelligenz verstehen. Da es sich vielmehr um Softwaresysteme und daraus erlernte Muster handelt, ist der Begriff des maschinellen Lernens (ML) passender.
Maschinelles Lernen bedeutet zunächst ganz einfach, mittels Massendaten den Output einer Software durch möglichst hochwertigen Dateninput auf ein ganz spezielles Thema hin zu trainieren.
Im Einkauf stellt sich oft die Frage: Ist ein Lieferant ein „Preferred Supplier?“. Das Thema kann man mittels Fragenkatalog zu lösen versuchen, oder eine ML-basierte Software anlernen, welcher bestehende Lieferant aufgrund seiner Datenmerkmale ein „Preferred Supplier“ ist. Das ML-Modul wird nicht mittels Algorithmen errechnen, was ein „Preferred Supplier“ ist, sondern anhand definierter Inputdaten werden eigenständige Regeln generiert, bei welchen Merkmalskorrelationen ein „Preferred Supplier“ vorliegen könnte. Die Qualität der Empfehlungen durch die Software wird über Wahrscheinlichkeiten ausgedrückt. Es gibt nicht mehr wahr oder falsch, es gibt eine mehr oder weniger passende Empfehlung. Ein Umstand der den Menschen am Ende zum Entscheider macht und nicht die Software alleine.
Ein Bereich, der – angedockt an WebCIS 4.0 – für Maschinelles Lernen sehr gut geeignet ist, ist die Zuordnung von Warengruppen zu Materialnummern. Eine gut angelernte Software ist in hohem Maße in der Lage einen Zuordnungsvorschlag für ein neues Material zu bringen bzw. die Umstrukturierung einer bestehenden Zuordnung vorzuschlagen. Mit einer Wahrscheinlichkeit versehen, kann der Mensch einschätzen, wie fundiert der Maschinenvorschlag ist.
Ein weiteres Einsatzgebiet für ML liegt im Umfeld des in WebCIS 4.0 transparent dargestellten Maverick-Buyings, wo Materialnummern und somit Warengruppen meist fehlen. Die Erwartungshalten an die mittels ML trainierte und an WebCIS 4.0 angedockte Software ist, eine passende Warengruppenzuordnung, basierend auf angelernten Buchungstexten, Sachkonten, Lieferanten, automatisch zu liefern.
