Die meisten Procurement-Teams wissen, dass ihre Daten nicht perfekt sind. Was sie jedoch durchweg unterschätzen, sind die Kosten dieser Unvollkommenheit – nicht als abstrakte Ineffizienz, sondern als direkte Belastung der Marge.
Die Zahlen sind eindeutig. Forschungsergebnisse zeigen durchweg, dass Unternehmen mit mangelhafter procurement data quality jedes Jahr zwischen 1 % und 3 % des gesamten spend ungenutzt lassen. Bei einem Procurement-Budget von 50 Mio. € sind das bis zu 1,5 Mio. € an vermeidbaren Kosten. Nicht, weil die contract schlecht sind. Nicht, weil die supplier zu viel berechnen. Sondern weil Sie ohne saubere, kategorisierte, konsistente Daten einfach nicht erkennen können, wo das Problem liegt.
The problem is not the data. It is what you cannot do with it.
Die meisten Procurement-Führungskräfte, mit denen wir sprechen, verfügen über Daten – reichlich davon. ERP-Exporte, invoice-Historien, supplier-Datenbanken und Tabellen, die von Personen gepflegt werden, die ihre Datensätze genau kennen. Das Problem ist nicht das Volumen. Es ist die Struktur.
Wenn spend data nicht konsistent kategorisiert ist, entsteht eine Reihe vorhersehbarer Probleme:
- Dasselbe Produkt erscheint unter fünf verschiedenen Beschreibungen in drei Geschäftsbereichen
- Derselbe supplier ist unter vier verschiedenen Namen registriert, sodass der gesamte spend unsichtbar ist
- Category-Reporting dauert Wochen in der Erstellung und wird dennoch in Vorstandssitzungen angezweifelt
- Analytics- und AI-Tools werden auf unsauberen Inputs implementiert und liefern unzuverlässige Outputs
- Procurement kann keinen glaubwürdigen Fall für eine contract-Neuverhandlung aufbauen, weil die Volumendaten nicht standhalten
Where the cost hides: three real patterns
Muster 1: Unsichtbares supplier-Volumen. Ein großes Infrastrukturunternehmen führte eine data quality-Baseline durch und entdeckte, dass ein supplier, von dem sie annahmen, er erhalte 300.000 € an jährlichem spend, tatsächlich über 1,2 Mio. € erhielt – verteilt auf verschiedene invoice-Beschreibungen, verschiedene Geschäftsbereiche und verschiedene Kostenstellen, die nie aggregiert worden waren. Diese Erkenntnis führte sofort zu einer Neuverhandlung. Die Einsparung im ersten Jahr deckte die Kosten der Datenarbeit um ein Vielfaches.
Muster 2: Category spend, auf den Sie nicht reagieren können. Ein facilities management Unternehmen wollte eine category strategy für die HVAC-Wartung in ihrem gesamten Portfolio entwickeln. Als sie die Daten abriefen, erschien derselbe Filtertyp als „HVAC filter 400mm“, „air filter F7“, „filter panel medium“ und „PPE consumables – ventilation“, je nachdem, wer die invoice eingegeben hatte. Dies waren dieselben Produkte, die von verschiedenen supplier zu unterschiedlichen Preisen gekauft wurden, ohne die Möglichkeit zum Vergleich oder zur Konsolidierung.
Muster 3: Tender-Preisgestaltung basierend auf Vermutungen. Ein Bauunternehmen, das einen neuen facilities contract bepreiste, verfügte über historische spend data aus Dutzenden abgeschlossener Projekte – aber keine davon war konsistent kategorisiert. Schätzer mussten sich auf Gedächtnis und Urteilsvermögen verlassen, anstatt Ist-Werte nach asset type und service category abzurufen. Das Ergebnis: Margen, die zur Abdeckung von Unsicherheiten aufgestockt wurden.
What good procurement data actually enables
Wenn procurement data strukturiert, enriched und konsistent kategorisiert ist – typischerweise unter Verwendung eines Standards wie UNSPSC – ändert sich das Bild schnell.
- Supplier consolidation mit echtem Hebel. Sie können den gesamten spend pro supplier über alle Namensvarianten hinweg sehen. Diese Zahl wird zu einer Verhandlungsposition.
- Echtes category management. Spend, der in konsistenten categories gruppiert ist, kann analysiert, benchmarked und anhand von Marktpreisen verwaltet werden.
- Schnellere, genauere tender-Preisgestaltung. Wenn Kostendaten klassifiziert und mit asset types verknüpft sind, bedeutet die Preisgestaltung eines neuen tender das Abrufen von Ist-Werten, anstatt Schätzungen zu erstellen.
- Analytics und AI, die wie beworben funktionieren. Saubere Inputs erzeugen zuverlässige Outputs. Unsaubere Inputs erzeugen teures Rauschen.
„Zum ersten Mal konnten wir unseren spend reports vertrauen. Ich habe die outputs genutzt, um unseren ersten strategischen Sourcing-Report zu erstellen, der der Prüfung durch den CFO tatsächlich standhielt.“
– Head of Procurement, europäisches Infrastrukturunternehmen
The process: how data quality work actually happens
Das häufigste Missverständnis ist, dass die Verbesserung der procurement data quality eine vollständige ERP-Migration oder ein mehrjähriges Transformationsprogramm erfordert. Das ist nicht der Fall.
Phase 1 – Baseline. Verstehen, welche Daten Sie derzeit haben: was fehlt, was inkonsistent ist und wo die größten Klassifizierungslücken bestehen. Diese Phase liefert einen bereinigten dataset, den Sie behalten, sowie eine klare Vorstellung davon, was als Nächstes geschehen muss.
Phase 2 – Automatisierte Bereinigung und data enrichment. Die hochvolumigen, wiederholbaren Korrekturen werden durch Automatisierung erledigt. Das Modell wird mit Ihren spezifischen Daten trainiert, sodass es lernt, wie Ihr Unternehmen das Beschaffte beschreibt. Mehrdeutige Fälle werden zur menschlichen Überprüfung vorgelegt. Diese Phase erledigt typischerweise 85—95 % der Korrekturen ohne manuellen Eingriff.
Phase 3 – Laufende quality control. Neue Daten, die in das System gelangen, werden nach demselben Standard validiert wie die bereinigten Daten. Die Qualität verschlechtert sich im Laufe der Zeit nicht, da die Prüfungen automatisch ablaufen.
Stephanie Wiechers
CEO & Co-founder, Pearstop
Stephanie leads Pearstop's go-to-market and strategic direction. She works directly with procurement and FM leaders across Europe to understand how data quality affects margins, contracts, and AI readiness.
LinkedIn →