Warum Ihre Procurement-Daten Sie mehr kosten, als Sie denken

Die meisten Procurement-Teams wissen, dass ihre Daten nicht perfekt sind. Was sie durchgängig unterschätzen, ist, was diese Unvollkommenheit kostet, nicht als abstrakte Ineffizienz, sondern als direkte Belastung der Marge.

Die Zahlen sind unverblümt. Untersuchungen zeigen durchgängig, dass Unternehmen mit schlechter Procurement-Datenqualität jedes Jahr zwischen 1 % und 3 % des Gesamt-Spends liegen lassen. Bei einem Procurement-Budget von 50 Mio. € sind das bis zu 1,5 Mio. € vermeidbare Kosten. Nicht weil die Verträge schlecht sind. Nicht weil die Lieferanten überhöhte Preise verlangen. Sondern weil Sie ohne saubere, kategorisierte, konsistente Daten schlicht nicht sehen können, wo das Problem liegt.

Das Problem sind nicht die Daten. Es ist das, was Sie damit nicht tun können.

Die meisten Procurement-Verantwortlichen, mit denen wir sprechen, haben Daten, jede Menge davon. ERP-Exporte, Rechnungshistorien, Lieferantendatenbanken und Tabellen, gepflegt von Personen, die ihre Datensätze intim kennen. Das Problem ist nicht das Volumen. Es ist die Struktur.

Wenn Spend-Daten nicht konsistent kategorisiert sind, entsteht ein vorhersehbares Set von Problemen:

• Dasselbe Produkt erscheint unter fünf verschiedenen Beschreibungen über drei Geschäftseinheiten hinweg
• Derselbe Lieferant ist unter vier verschiedenen Namen registriert, sodass der Gesamt-Spend unsichtbar ist
• Kategorie-Reporting braucht Wochen zur Erstellung und wird trotzdem in Board-Meetings hinterfragt
• Analytics- und KI-Tools werden auf unordentlichen Eingaben implementiert und liefern unverlässliche Ausgaben
• Procurement kann keinen glaubwürdigen Fall für Vertragsneuverhandlung aufbauen, weil die Volumendaten nicht standhalten

Wo sich die Kosten verstecken: drei reale Muster

Muster 1: Unsichtbares Lieferantenvolumen. Ein großes Infrastrukturunternehmen führte eine Datenqualitäts-Baseline durch und entdeckte, dass ein Lieferant, von dem man annahm, jährlich 300.000 € Spend zu erhalten, tatsächlich über 1,2 Mio. € erhielt, verteilt über verschiedene Rechnungsbeschreibungen, verschiedene Geschäftseinheiten und verschiedene Kostencodes, die nie aggregiert worden waren. Diese Erkenntnis führte unmittelbar zu einer Neuverhandlung. Die Einsparung im ersten Jahr deckte die Kosten der Datenarbeit um ein Vielfaches.

Muster 2: Kategorie-Spend, auf den Sie nicht reagieren können. Ein Facility-Management-Unternehmen wollte eine Kategoriestrategie für HLK-Instandhaltung über sein Portfolio aufbauen. Als sie die Daten zogen, erschien derselbe Filtertyp als „HLK-Filter 400mm", „Luftfilter F7", „Filterpaneel mittel" und „PSA-Verbrauchsmaterial – Lüftung", je nachdem, wer die Rechnung erfasst hatte. Das waren dasselbe Produkt, gekauft von verschiedenen Lieferanten zu verschiedenen Preisen, ohne Möglichkeit zum Vergleich oder zur Konsolidierung.

Muster 3: Ausschreibungspreise auf Basis von Vermutungen. Ein Bauunternehmen, das einen neuen Facility-Vertrag kalkulierte, hatte historische Spend-Daten über Dutzende abgeschlossener Projekte, aber nichts davon war konsistent kategorisiert. Kalkulatoren mussten sich auf Erinnerung und Urteilsvermögen verlassen, statt Ist-Werte nach Anlagentyp und Servicekategorie abzurufen. Das Ergebnis: Margen, aufgepolstert, um Unsicherheit abzudecken.

Was gute Procurement-Daten tatsächlich ermöglichen

Wenn Procurement-Daten strukturiert, angereichert und konsistent kategorisiert sind, typischerweise mithilfe eines Standards wie UNSPSC, ändert sich das Bild schnell.

• Lieferantenkonsolidierung mit echtem Hebel. Sie können den Gesamt-Spend pro Lieferant über alle Varianten seines Namens sehen. Diese Zahl wird zur Verhandlungsposition.
• Echtes Kategoriemanagement. In konsistente Kategorien gruppierter Spend kann analysiert, benchmarkt und gegen Marktpreise gemanagt werden.
• Schnellere, genauere Ausschreibungspreise. Wenn Kostendaten klassifiziert und mit Anlagentypen verknüpft sind, bedeutet die Kalkulation einer neuen Ausschreibung, Ist-Werte abzurufen statt Schätzungen zu konstruieren.
• Analytics und KI, die wie versprochen funktionieren. Saubere Eingaben erzeugen verlässliche Ausgaben. Unordentliche Eingaben erzeugen teures Rauschen.

„Zum ersten Mal konnten wir unseren Spend-Berichten vertrauen. Ich nutzte die Ergebnisse, um unseren ersten strategischen Sourcing-Bericht zu erstellen, der der Prüfung durch den CFO tatsächlich standhielt."

– Head of Procurement, europäisches Infrastrukturunternehmen

Der Prozess: wie Datenqualitätsarbeit tatsächlich abläuft

Das häufigste Missverständnis ist, dass die Verbesserung der Procurement-Datenqualität eine vollständige ERP-Migration oder ein mehrjähriges Transformationsprogramm erfordert. Das ist nicht so.

Stufe 1 – Baseline. Verstehen, welche Daten Sie derzeit haben: was fehlt, was inkonsistent ist, und wo die größten Klassifizierungslücken liegen. Diese Stufe erzeugt einen bereinigten Datensatz, den Sie behalten, plus eine klare Sicht darauf, was als Nächstes passieren muss.

Stufe 2 – Automatisierte Bereinigung und Anreicherung. Die hochvolumigen, wiederholbaren Korrekturen werden durch Automatisierung übernommen. Das Modell wird auf Ihren spezifischen Daten trainiert, sodass es lernt, wie Ihr Unternehmen beschreibt, was es kauft. Mehrdeutige Fälle werden zur menschlichen Prüfung vorgelegt. Diese Stufe erledigt typischerweise 85–95 % der Korrekturen ohne manuellen Eingriff.

Stufe 3 – Laufende Qualitätskontrolle. Neue Daten, die ins System gelangen, werden gegen denselben Standard wie die bereinigten Daten validiert. Die Qualität verfällt nicht über die Zeit, weil die Prüfungen automatisch laufen.

Sjoerd Schoufs

Data Extraction & Classification, Pearstop

Sjoerd works on data extraction and classification at Pearstop. He built a metadata extraction algorithm that pulls structured attributes out of engineering and technical files that would otherwise have to be opened and read one at a time. He also works on the classification pipeline itself.

LinkedIn →