Kontakt

Stammdatenoptimierung im FMCG-Maßstab

Doppelte und nahezu doppelte Materialien über Werke und ERP-Systeme hinweg finden.

Eine KI-gestützte Ähnlichkeits-Engine clustert ähnlich aussehende Materialien, beziffert die Konsolidierungseinsparungen je Cluster und gibt Data Stewards einen Review-Workflow an die Hand.

NDA 2024

Einkauf FMCG / Fertigung Stammdatenoptimierung
Stammdatenoptimierung – Review-Workflow für Cluster
Ähnlichkeitssicht aus der eigenständigen Demoversion des Projekts. Bild in voller Größe öffnen

Ausgangslage

Dasselbe physische Material, erfasst unter verschiedenen Nummern und Beschreibungen in Werken, Regionen und Tochtergesellschaften.

Umgesetzt

Eine Ähnlichkeits-Engine auf Basis von Beschreibungen, Attributen und Einkaufsmustern sowie ein Review-Workflow für Data Stewards.

Entscheidungshilfe

Zu jedem Cluster gibt es einen Business Case für die Konsolidierung: behalten, sperren oder obsolet.

Ausgangslage

Globale Hersteller führen Hunderttausende Materialien in ihren ERP-Systemen – dasselbe physische Material ist in Werken, Regionen und zugekauften Tochtergesellschaften unter verschiedenen Nummern, Namen und Beschreibungen erfasst. Die Folge: entgangene Mengenrabatte, Überbestände, Maverick Buying und die Unfähigkeit, das Einkaufsvolumen zu bündeln. Dass Stammdaten bereinigt werden müssen, weiß jeder – und jeder stellt es zurück, bis sich die Kosten des Nichtstuns summieren.

Ansatz

Wir haben eine KI-gestützte Ähnlichkeits-Engine gebaut, die doppelte und nahezu doppelte Materialien über Werke und ERP-Systeme hinweg erkennt. Die Engine nutzt Materialbeschreibungen, Attribute und Einkaufsmuster, um ähnlich aussehende Materialien zu clustern, und beziffert dann die Konsolidierungseinsparungen je Cluster – auf Basis realer Einkaufsvolumina und der Rabattstaffeln der Lieferanten.

In einem Steward-Workflow prüfen die Datenverantwortlichen jedes Cluster und entscheiden: behalten, sperren oder obsolet. Hinter jeder Bereinigungsmaßnahme steht ein Business Case.

Ergebnisse

Die Zahlen stammen aus dem Demo-Datensatz (siehe Hinweis unten), nicht vom Kundenstandort.

  • 228 Materialien im Demo-Datensatz analysiert, davon 98,2 % in Duplikat-Clustern

  • 48 Kandidaten für Sperrung oder Bereinigung markiert

  • 1.382.973 € geschätzte jährliche Einsparung aus 84 Konsolidierungsclustern (illustrativ)

  • Schnellere Bereinigung mit einem Business Case hinter jeder Änderung

  • Weniger Überbestände, weniger entgangene Rabatte, weniger Maverick Buying

  • Eine vertrauenswürdige Materialsicht für bessere Beschaffungs- und operative Entscheidungen

Die gezeigten Zahlen sind illustrativ – sie stammen aus einer eigenständigen Demoversion des Projekts auf Basis synthetischer Daten. Die tatsächlichen Ergebnisse beim Kunden unterliegen einem NDA.

Python KI/ML-Ähnlichkeits-Engine ERP-Integration Power BI

Lösungsbereiche: Datenfundament · Datenprodukte · KI-Lösungen

Ähnliche Herausforderung?

Bringen Sie eine Materialdomäne oder ein Werk mit. Besprechen Sie mit uns, wie Ähnlichkeitsanalyse und ein Steward-Workflow Ihre Stammdatenbereinigung unterstützen können.

30-Minuten-Gespräch buchen