Kosten einsparen dank Machine Learning

Die Sourcingkette eines Unternehmens ist eine Abfolge von komplexen Prozessen – angefangen von den Vertragsverhandlungen über das Vertragsmanagement, den gesamten Lebenszyklus und das kommerzielle Management bis hin zur Einbindung der eigentlichen Bestellung (Procurement).

Heutige digitale Lösungen setzen auf eine transparente Datenaufbereitung für die unterschiedlichen Fachabteilungen eines Unternehmens und die Anbindung an die Kunden- und Lieferantenseite. Die unterschiedlichen Blickwinkel und Informationsbedürfnisse auf die eigentlichen Verträge bedingen kollaborative Plattformen, um die Basis für einen erfolgreichen Austausch von Informationen und Daten zu ermöglichen.

Üblicherweise sind diese Prozesse schlecht miteinander verzahnt und oft auch ungenügend in die Finanzabläufe in einem Unternehmen integriert, sodass sich viele kleine Lücken und Fehler einschleichen. Gemäss Analysten kann diese "Value Leakage" bis zu 10 Prozent des Beschaffungsvolumens ausmachen! Im Vertragsmanagement können sich viele Herausforderungen stellen. Machine Learning und Analytics können hier helfen, diese Lücken zu adressieren. Zum Beispiel in der Vertragsanalyse: Für die Operationalisierung von Verträgen ist es wichtig, Lieferobjekte und Verpflichtungen in den Verträgen zu identifizieren und zu interpretieren. Dies sind bisher sehr aufwändige, manuelle Tätigkeiten, die von qualifizierten Spezialisten ausgeführt werden müssen. Wir haben für einen Kunden eine Maschine darauf trainiert, diese Lieferobjekte und Verpflichtungen zu erkennen und in ein geeignetes, zentrales Tool abzulegen. Die manuellen Aufwände haben sich dadurch von Tagen auf Stunden reduziert.

Sind die oben dargestellten Lücken einmal hinreichend adressiert, kann man mit Analytics-Werkzeugen daran gehen, Prozessabläufe zu verbessern. Denn auch hier gibt es typischerweise erhebliche Defizite. Gerade das aktuelle Thema EU-DSGVO (EU-Datenschutz-Grundverordnung) hat zu erheblichen Verwerfungen auch im Sourcing geführt. Diese lassen sich mit geeigneten Analysewerkzeugen automatisieren. Die Reduktion in den Aufwänden für Audits ist beträchtlich – ganz abgesehen von der Minderung der Compliance-Risiken.

Einsatzbereich: IT-Support

Ein weiterer interner Bereich, wo der Einsatz von maschinellem Lernen und Analysewerkzeugen helfen kann, ist der IT-Support. Für die meisten Organisationen war das berüchtigte SKMS (Service Knowledge Management System), das ITIL in der Version 3 für diesen Zweck angedacht hatte, schlicht zu komplex und daher zu teuer im Aufbau und Unterhalt. Mit den neuen Tools für Big Data und Machine Learning, die meist Open Source sind, wird der Traum vom SKMS nun erschwinglich. IT ist ja schon digital, das heisst, dass sehr viele Daten in Monitoring-Tools und anderen System-Management-Werkzeugen produziert werden, die in Data Lakes und Small-Data-Plattformen zusammengeführt und dann maschinell interpretiert werden können. Daraus lassen sich Muster erkennen, wie und wann Ausfälle in der IT-Infrastruktur auftreten. Mit genügend Training kann die Maschine Ausfälle vorhersagen und mittels automatisierten Gegenmassnahmen verhindern.

In gleicher Weise können auch Benutzeranfragen interpretiert werden – für einfachere Fälle können Chatbots befüttert werden, die dem Benutzer via Voice oder Chatschnittstellen assistieren, ohne dass ein Service-Desk-Agent eingreifen muss. Diese Architektur erlaubt es, die Anzahl eingehender Tickets von 400 auf 100 pro Tag zu reduzieren!

Dank flexibler Open-Source-Lösungen lassen sich solche Lösungen nach agilen Verfahren gemäss dem "Trial & Error"-Prinzip schrittweise aufbauen und weiterentwickeln. Es bedarf also keiner grosser Investitionen und Projekte (mehr), um interne Abläufe zu verschlanken und zu automatisieren – und damit stetige Kostenverbesserungen zu erreichen.