Einkaufsabteilungen investieren zunehmend in digitale Werkzeuge, E-Procurement-Plattformen (Digitale Lösungen zur Steuerung und Automatisierung des gesamten Beschaffungsprozesses – von der Bedarfsanforderung bis zur Rechnungsbearbeitung.) und Lösungen auf Basis künstlicher Intelligenz. Dennoch bleibt in vielen Unternehmen ein entscheidender blinder Fleck bestehen: die Qualität der Einkaufsdaten.

Ohne zuverlässige, strukturierte und vollständige Daten kann keine Technologie ihr volles Potenzial entfalten.

Dieser Beitrag richtet sich an Einkaufsleiter, Procurement-Verantwortliche (Verantwortliche für die operative und strategische Steuerung der Beschaffungsaktivitäten eines Unternehmens.) und IT-Leiter, die die konkreten Herausforderungen rund um Datenqualität verstehen, die Auswirkungen schlechter Daten bewerten und pragmatische Maßnahmen zur nachhaltigen Strukturierung ihrer Einkaufsdaten umsetzen möchten.

Inhaltsverzeichnis

1. Einkaufsdaten: Vom administrativen Nebenprodukt zum strategischen Vermögenswert
2. Die versteckten Kosten schlechter Datenqualität im Einkauf
3. Keine leistungsfähige künstliche Intelligenz ohne hochwertige Einkaufsdaten
4. Wie lassen sich strukturierte und zuverlässige Einkaufsdaten dauerhaft sicherstellen?
5. Manutan – Ihr Partner für die Strukturierung indirekter Einkaufsdaten

Unternehmen investieren massiv in ihre digitale Transformation.

Eine grundlegende Voraussetzung wird dabei jedoch häufig unterschätzt: die Qualität der Einkaufsdaten.

Selbst leistungsfähige Systeme liefern keine zufriedenstellenden Ergebnisse, wenn sie auf unvollständigen, inkonsistenten oder schlecht strukturierten Daten basieren.

Diese Diskrepanz zwischen technologischen Ambitionen und der Realität im Unternehmen führt zu kostspieligen Projekten, fehlerhaften Entscheidungen und einem schwindenden Vertrauen in die eingesetzten Systeme.

Zu verstehen, was Datenqualität tatsächlich bedeutet und weshalb sie die Grundlage jeder digitalen Transformation bildet, ist daher der unverzichtbare Ausgangspunkt einer modernen Beschaffungsstrategie.

Einkaufsdaten: Vom administrativen Nebenprodukt zum strategischen Vermögenswert

Lange Zeit galten Einkaufsdaten lediglich als administratives Nebenprodukt – etwa in Form eines Buchungssatzes, eines Lieferscheins oder einer Zeile in einer Excel-Tabelle.

Diese Sichtweise ist heute überholt.

Im Zuge der digitalen Transformation sind Daten zu einem eigenständigen strategischen Vermögenswert geworden – vergleichbar mit einem Lieferantenportfolio oder einem Investitionsbudget.

Was versteht man unter Datenqualität im Einkauf? Zuverlässigkeit, Vollständigkeit und Struktur

Was macht hochwertige Einkaufsdaten aus – und warum sind sie für Unternehmen so wichtig?

Die Antwort basiert auf drei wesentlichen Eigenschaften:

• Zuverlässigkeit: Zuverlässige Daten bilden die Realität korrekt ab, beispielsweise:
  • aktuelle Einzelpreise,
  • aktive Artikelnummern,
  • bestätigte Lieferzeiten.
• Vollständigkeit: Vollständige Daten stellen sicher, dass keine kritischen Informationen fehlen, beispielsweise:
  • Buchhaltungscodes,
  • Bestelleinheiten,
  • Ursprungsland.
• Konsistenz: Konsistente Daten gewährleisten, dass Informationen in sämtlichen Systemen identisch sind – unabhängig davon, ob sie im ERP-System, auf der E-Procurement-Plattform oder im Lieferantenmanagement gespeichert werden.

Gerade im indirekten Einkauf sind diese drei Eigenschaften besonders schwer dauerhaft sicherzustellen.

Die Zahl der Artikel wächst kontinuierlich, Lieferanten werden zahlreicher und Dateneingaben erfolgen häufig über unterschiedliche Prozesse und Systeme.

Warum werden Einkaufsdaten in den meisten Unternehmen noch immer nicht vollständig genutzt?

Die Ursachen liegen vor allem in organisatorischen Strukturen.

Manuelle Dateneingaben führen auf jeder Stufe des Beschaffungsprozesses zu Fehlern und Inkonsistenzen.

Gleichzeitig existieren zahlreiche Informationssysteme nebeneinander, ohne miteinander verbunden zu sein.

ERP-Systeme, Einkaufslösungen und Buchhaltungssysteme sprechen oftmals unterschiedliche „Sprachen“.

Hinzu kommt, dass häufig keine klare Data Governance existiert.

Dadurch interpretiert jeder Anwender die Regeln zur Datenerfassung auf seine eigene Weise.

Auch das Konzept der Smart Data (Strukturierte, qualitätsgesicherte und kontextbezogene Daten, die unmittelbar für Analysen und fundierte Entscheidungen genutzt werden können.) – also qualitativ hochwertiger, strukturierter und unmittelbar nutzbarer Daten – ist in vielen Einkaufsorganisationen noch nicht fest verankert.

Daten als strategischen Vermögenswert zu behandeln und aktiv zu steuern, anstatt sie lediglich als Nebenprodukt von Prozessen zu betrachten, stellt für viele Unternehmen noch immer einen grundlegenden Kulturwandel dar.

Gerade die Fähigkeit, Rohdaten in fundierte Entscheidungsgrundlagen umzuwandeln – also Data Intelligence –, unterscheidet heute reife Einkaufsorganisationen von Unternehmen, die ihr eigenes Informationspotenzial noch nicht ausschöpfen.

Die versteckten Kosten schlechter Datenqualität im Einkauf

Schlechte Datenqualität verursacht nicht nur technische Probleme.

Sie führt zu erheblichen finanziellen und operativen Auswirkungen, die häufig unterschätzt werden.

Unvollständige, fehlerhafte oder widersprüchliche Daten beeinträchtigen die Effizienz des Einkaufs, erschweren fundierte Entscheidungen und verursachen unnötige Kosten entlang des gesamten Beschaffungsprozesses.

Höhere Prozesskosten und geringere Produktivität

Inkonsistente Stammdaten führen zu zahlreichen manuellen Korrekturen.

Einkaufsteams verbringen wertvolle Zeit damit,

• Artikelstammdaten zu berichtigen,
• doppelte Lieferanten anzulegen oder zusammenzuführen,
• fehlende Informationen nachzutragen,
• fehlerhafte Bestellungen zu korrigieren.

Diese Tätigkeiten schaffen keinen Mehrwert und binden Ressourcen, die stattdessen für strategische Aufgaben eingesetzt werden könnten.

Hinzu kommen:

• längere Bearbeitungszeiten,
• mehr Rückfragen zwischen Einkauf, Buchhaltung und Fachbereichen,
• ein erhöhtes Fehlerrisiko bei Bestellungen und Rechnungen.

Die Folge sind steigende Prozesskosten und eine sinkende Produktivität.

Fehlentscheidungen durch unzuverlässige Daten

Schlechte Datenqualität wirkt sich unmittelbar auf die Entscheidungsfindung aus.

Unvollständige oder inkonsistente Informationen verfälschen Kennzahlen und Analysen.

Dadurch können beispielsweise:

• Einkaufsvolumina falsch eingeschätzt werden,
• Einsparpotenziale unentdeckt bleiben,
• Lieferanten falsch bewertet werden,
• strategische Entscheidungen auf fehlerhaften Informationen beruhen.

Eine belastbare Einkaufsstrategie setzt deshalb qualitativ hochwertige Daten voraus.

Nur auf dieser Grundlage lassen sich verlässliche Analysen erstellen und fundierte Entscheidungen treffen.

Schlechte Datenqualität kostet mehr, als man denkt

Studien zeigen, dass Unternehmen jährlich erhebliche Kosten durch mangelhafte Datenqualität verursachen.

Neben den direkten Prozesskosten entstehen zusätzliche Aufwände durch:

• Nachbearbeitung,
• fehlerhafte Berichte,
• ineffiziente Einkaufsprozesse,
• vermeidbare Lieferprobleme.

Die Verbesserung der Datenqualität zählt daher zu den wirtschaftlich sinnvollsten Investitionen im Einkauf.

Keine leistungsfähige Künstliche Intelligenz ohne hochwertige Einkaufsdaten

Der Erfolg von Künstlicher Intelligenz (KI) hängt unmittelbar von der Qualität der zugrunde liegenden Daten ab.

KI-Systeme lernen aus vorhandenen Informationen.

Sind diese Daten fehlerhaft, unvollständig oder widersprüchlich, spiegeln sich diese Mängel zwangsläufig auch in den Ergebnissen wider.

Deshalb gilt der Grundsatz: Garbage in – Garbage out.

Für Einkaufsorganisationen bedeutet dies, dass KI ihr Potenzial nur dann vollständig entfalten kann, wenn sie auf einer sauberen und strukturierten Datenbasis aufsetzt.

Von Dark Data zu Smart Data

Viele Unternehmen verfügen bereits über enorme Datenmengen.

Ein erheblicher Teil davon bleibt jedoch ungenutzt und wird als Dark Data bezeichnet.

Erst durch eine gezielte Strukturierung, Bereinigung und Klassifizierung werden daraus Smart Data, die für Analysen und automatisierte Entscheidungen genutzt werden können.

Damit bildet Datenqualität die Voraussetzung für:

• Spend Analytics,
• Bedarfsprognosen,
• Lieferantenbewertungen,
• automatisierte Einkaufsprozesse,
• den Einsatz generativer KI.

Datenqualität als Grundlage einer sicheren KI-Governance

Mit der zunehmenden Nutzung generativer KI gewinnt auch das Thema Shadow AI an Bedeutung.

Werden unkontrollierte KI-Werkzeuge auf schlecht strukturierte oder unvollständige Daten angewendet, steigt das Risiko von:

• Datenverlusten,
• Datenschutzverletzungen,
• fehlerhaften Entscheidungen,
• Compliance-Verstößen.

Eine hohe Datenqualität bildet daher einen wesentlichen Bestandteil einer verantwortungsvollen KI-Governance.

Sie ermöglicht nicht nur bessere Ergebnisse, sondern trägt gleichzeitig dazu bei, Risiken im Umgang mit Künstlicher Intelligenz zu reduzieren.

Wie lassen sich strukturierte und zuverlässige Einkaufsdaten dauerhaft sicherstellen?

Die Verbesserung der Datenqualität ist kein einmaliges Projekt, sondern ein kontinuierlicher Prozess.

Sie erfordert klare Verantwortlichkeiten, geeignete Werkzeuge und eine unternehmensweite Governance.

Nur wenn Datenqualität dauerhaft überwacht und gepflegt wird, können Einkaufsdaten zu einem echten Wettbewerbsvorteil werden.

Eine Data-Governance etablieren

Der erste Schritt besteht darin, klare Regeln für die Erfassung, Pflege und Nutzung von Daten festzulegen.

Dazu gehören unter anderem:

• einheitliche Standards für Stammdaten;
• klar definierte Verantwortlichkeiten;
• regelmäßige Qualitätskontrollen;
• dokumentierte Prozesse zur Datenpflege.

Eine strukturierte Data Governance verhindert, dass Fehler dauerhaft in den Datenbestand übernommen werden.

Stammdaten kontinuierlich bereinigen und anreichern

Datenqualität lässt sich nur durch eine kontinuierliche Pflege sicherstellen.

Unternehmen sollten deshalb regelmäßig:

• Dubletten entfernen;
• veraltete Datensätze aktualisieren;
• fehlende Informationen ergänzen;
• Artikel- und Lieferantenstammdaten vereinheitlichen.

Je besser die Stammdaten gepflegt werden, desto zuverlässiger werden Analysen und automatisierte Prozesse.

Datenqualität kontinuierlich messen

Was nicht gemessen wird, kann nicht verbessert werden.

Deshalb sollten Unternehmen geeignete Kennzahlen definieren, beispielsweise:

• Vollständigkeit der Stammdaten;
• Anzahl fehlerhafter Datensätze;
• Dublettenquote;
• Aktualität der Informationen;
• Konsistenz zwischen ERP-, E-Procurement- und Lieferantensystemen.

Diese Kennzahlen ermöglichen eine kontinuierliche Verbesserung der Datenqualität.

Manutan – Ihr Partner für die Strukturierung indirekter Einkaufsdaten

Die Verbesserung der Datenqualität ist nicht ausschließlich eine technische Herausforderung.

Ebenso entscheidend sind Erfahrung, Methodik und ein tiefes Verständnis der Einkaufsprozesse.

Mit Savin’Side® unterstützt Manutan Unternehmen dabei, ihre indirekten Beschaffungsdaten zu strukturieren, zu bereinigen und optimal zu nutzen.

Unser Ansatz kombiniert:

• Datenanalyse,
• Prozessoptimierung,
• Einkaufs-Know-how,
• digitale Lösungen.

Dadurch schaffen wir eine zuverlässige Datenbasis für:

• Spend Analytics,
• E-Procurement,
• Lieferantenmanagement,
• Künstliche Intelligenz,
• strategische Einkaufsentscheidungen.

Ein strukturierter Datenbestand ermöglicht es Unternehmen, ihre Beschaffungsprozesse effizienter zu gestalten und gleichzeitig ihre operative Performance nachhaltig zu verbessern.

Auch ein professionelles Supplier Relationship Management (SRM) profitiert unmittelbar von einer hohen Datenqualität, da Lieferanteninformationen konsistent, aktuell und zentral verfügbar sind.

Fazit

Die Qualität der Einkaufsdaten bildet heute die Grundlage jeder erfolgreichen digitalen Beschaffungsstrategie.

Nur Unternehmen, die ihre Daten als strategischen Vermögenswert betrachten und systematisch pflegen, können das volle Potenzial moderner Technologien wie E-Procurement, Spend Analytics und Künstlicher Intelligenz ausschöpfen.

Eine hohe Datenqualität verbessert nicht nur die operative Effizienz, sondern schafft auch die Voraussetzungen für fundierte Entscheidungen, geringere Risiken und nachhaltige Wettbewerbsvorteile.