Frühzeitige Identifikation von Preisrisiken im globalen Beschaffungsmanagement

Durch die zunehmende Volatilität des Beschaffungsmarktumfeldes wird es für Unternehmen immer wichtiger, relevante Veränderungen sowie deren Auswirkungen auf das eigene Unternehmen frühzeitig zu erkennen und entsprechende Handlungsoptionen zu entwickeln. Insbesondere im Bereich der Beschaffungsaktivitäten global-agierender Unternehmen hat sich die Relevanz durch geopolitische Ereignisse, wie die Blockade des Suez-Kanals, kriegerische Auseinandersetzungen oder den Chip-Mangel, nochmal deutlich erhöht: Wiederbeschaffungszeiten und -preise sind erheblich gestiegen.
Ziel des Projekts ist daher die frühzeitige Identifikation von Preisrisiken. Mittels KI-Technologien, wie dem maschinellen Lernen, sollen Preisrisiken, bspw. ausgelöst durch ändernde Wechselkurse und Rohstoffpreise, frühzeitig erkannt werden. Für das betrachtete Unternehmen vergrößert sich so die Handlungszeit und damit die Anzahl der Handlungsoptionen. Dies hat signifikante Auswirkungen auf die Höhe der Materialkosten und damit den Erfolg des Unternehmens.

Im Rahmen der vorliegenden Aufgabenstellung soll ein Verfahren zur frühzeitigen Identifikation von Preisrisiken entwickelt werden. Konkreter formuliert geht um die Prognose von Preisforderungen von Lieferanten. Zum einen soll der Forderungszeitpunkt eines Lieferanten als auch die Forderungshöhe prognostiziert werden.
Hierzu steht eine Vielzahl interner als auch externer Daten zur Verfügung. Intern werden bspw. über einen Zeitraum von mehr als fünf Jahren Rechnungen von Lieferanten inklusive der Preisbestandteile, wie Legierungszuschläge und Arbeitspreise, journalisiert. Extern stehen bspw. Daten zu Börsenpreis-Entwicklungen von Legierungselementen und Rohstoffen oder Wechselkursentwicklungen zur Verfügung. Diese Daten können dann bspw. durch Web-Services zum Abgreifen von Informationen aus Portalen oder Schnittstellen zu Portalen in das Modell eingebunden werden.
Durch eine geschickte Kombination dieser Daten soll mittels maschinellen Lernens Preisforderungen prognostiziert werden. Durch die Nutzung der bestehenden Datensätze kann das Modell entsprechend angelernt und erprobt werden.

Bezug zum Thema Data Science

Die Aufbereitung und Analyse von Daten sowie die Entwicklung von Algorithmen zur Mustererkennung insbesondere durch Maschinelles Lernen sind Kernthemen der Data Science und werden teilweise in Veranstaltungen des Forschungsmasters behandelt.

Verfügbare Ressourcen

• Unternehmensinterne Daten, wie oben genannt
• 3 Ansprechpartner aus dem Unternehmen (1 Ansprechpartner aus dem Fachbereich, 1 Ansprechpartner aus der Unternehmens IT und 1 Ansprechpartner Digital Business Development)

Projektplan

Erstes Semester: Erstellung eines Forschungsexposés; Stand der Technik sichten; benötigte Daten ermitteln; vorhandene Daten (intern/extern) sichten; Verfügbarkeit und Eignung der Daten prüfen
Zweites Semester: Erstellung eines Papers zur Übersicht des Standes der Technik im Bereich der Preisprognose; Daten vorbereiten (Check Datenintegrität): Daten-Ausreißer und -Lücken ermitteln
Drittes Semester: Erstellung eines Papers mit ersten quantitativen Ergebnissen; Modell für einfachen Use-Case aufbauen und testen; Modell um weitere Daten(-quellen) erweitern
Viertes Semester: Masterarbeit und Kolloquium; Optimierung des Verfahrens; Auswertung der Güte und Evaluierung der Ergebnisse

• Begeisterung für das Thema Risikomanagement/global Supply-Chain-Management

• Erste Erfahrung im Bereich des Maschinellen Lernens

Erwerbbare Kompetenzen

• Datenvorverarbeitung von strukturierten internen und unstrukturierten öffentlichen Daten
• Einsatz und Implementierung von Verfahren des maschinellen Lernens für hochdimensionale, temporale Probleme
• Herausforderung im Beschaffungsmanagement global-agierender Unternehmen