Machine Learning im Einkauf

Machine Learning im Einkauf beschreibt den Einsatz von Algorithmen, die aus historischen Beschaffungsdaten eigenständig Muster erkennen und darauf aufbauend Vorhersagen oder Klassifizierungen liefern — ohne für jede neue Situation explizit programmiert zu werden. Für Einkaufsleiter im DACH-Mittelstand ist der praktische Nutzen konkret: präzisere Preisvorhersagen, automatische Ausgabenkategorisierung und frühzeitige Lieferantenrisikosignale.

Detaillierte Erklärung

Machine Learning im Einkauf ist eine Teilmenge von Künstlicher Intelligenz. Während klassische Softwareregeln fest programmiert sind ("wenn Bestellwert > 5.000 EUR, dann Freigabe durch Abteilungsleiter"), lernen ML-Modelle aus Daten: Sie analysieren tausende vergangener Bestellungen, erkennen Muster (welche Lieferanten hatten welche Verzugsquoten unter welchen Bedingungen?) und wenden diese Muster auf neue Fälle an.

Die wichtigsten ML-Verfahren im Einkauf:

Supervised Learning (überwachtes Lernen): Das Modell wird mit beschrifteten Trainingsdaten trainiert — z. B. historische Bestellungen, bei denen bekannt ist, ob der Lieferant pünktlich geliefert hat oder nicht. Das Modell lernt, auf Basis von Merkmalen (Bestellvolumen, Lieferantengröße, Saison, Rohstoffpreise) vorherzusagen, wie wahrscheinlich eine pünktliche Lieferung ist. Einsatzfelder: [[lieferantenbewertung]], Rechnungsanomalien-Erkennung, Preisvorhersagen.

Unsupervised Learning (unüberwachtes Lernen): Ohne vorherige Beschriftung gruppiert das Modell Datenpunkte nach Ähnlichkeit. Typische Anwendung: [[spend-analyse]]-Clustering, bei dem Ausgabenpositionen ohne manuellen Aufwand in konsistente Kategorien sortiert werden. Auch Lieferantencluster für die strategische Portfolioplanung entstehen so.

Anomalie-Erkennung: ML-Modelle lernen, was "normal" ist — und melden Abweichungen. Im Einkauf relevant für Compliance: Rechnungen, die von der historischen Beziehung zum Lieferanten abweichen (ungewöhnliche Preise, neue IBAN, geänderter Kontoinhaber), werden automatisch markiert.

Technische Voraussetzungen: ML-Modelle brauchen strukturierte, ausreichend große Datenmengen. Für einen DACH-Mittelständler mit 500 Bestellungen im Monat bedeutet das: nach 12–24 Monaten strukturierter Datenhaltung sind die meisten Supervised-Learning-Anwendungen sinnvoll trainierbar. Davor überwiegt der Datenaufbereitungsaufwand den Nutzen.

Aus rechtlicher Sicht gelten für ML-Systeme im Einkauf dieselben Anforderungen wie für KI-gestützte Systeme generell: EU AI Act (2024) bei Hochrisiko-Entscheidungen, DSGVO bei personenbezogenen Daten, GoBD bei der Dokumentation von Entscheidungsgrundlagen. Wichtig: Modelle, die mit Lieferantendaten trainiert werden, die auch personenbezogene Informationen enthalten, brauchen eine DSGVO-konforme Verarbeitungsgrundlage.

Laut einer Gartner-Analyse (2024) erzielen Unternehmen mit ML-gestützter [[spend-analyse]] im Schnitt eine um 12 % höhere Einsparungsrate als Unternehmen mit manueller Ausgabenanalyse — weil ML-Systeme Maverick-Buying (unkontrollierte Einkäufe außerhalb vereinbarter Lieferanten) zuverlässiger aufdecken.

Praxisbeispiel (konkretes Einkaufsszenario)

Ein Pharmaunternehmen mit 250 Mitarbeitenden in der Schweiz verarbeitet monatlich ca. 1.200 Eingangsrechnungen. Rund 15 % dieser Rechnungen weichen von der Bestellung ab — falsche Preise, fehlende Positionsnummern, geänderte Mengen. Die manuelle Prüfung bindet zwei Vollzeitkräfte.

Nach Einführung eines ML-gestützten Rechnungsprüfungssystems: Das Modell wurde auf 18 Monate historischer Rechnungsdaten trainiert. Es erkennt Abweichungsmuster (welche Lieferanten neigen zu welchen Fehlerarten), klassifiziert neue Rechnungen als "korrekt", "prüfungswürdig" oder "kritische Abweichung" und leitet nur die letzte Gruppe an einen Einkäufer weiter.

Nach sechs Monaten: 71 % der Rechnungen werden ohne manuellen Eingriff freigegeben. Die Einkäufer konzentrieren sich auf die 29 % mit tatsächlichen Abweichungen. Die [[automatisierungsquote-rechnung]] stieg von unter 5 % auf 71 %. Ein Betrug-Versuch mit geänderter IBAN wurde durch die Anomalie-Erkennung in der dritten Woche identifiziert — das System hatte ein unbekanntes Bankkonto als statistisch auffällig markiert.

Typische Fehler & Verhandlungskontext

Fehler 1 — Modell ohne Datenbasis kaufen: Anbieter von ML-gestützten Einkaufslösungen versprechen oft Out-of-the-Box-Ergebnisse. Realistisch: Jedes Modell braucht eine Einlernphase mit eigenen Daten. Fragen Sie vor dem Kauf: Wie lange dauert die Trainingsphase? Welche Datenmenge wird benötigt? Was liefert das System in den ersten drei Monaten?

Fehler 2 — Modell-Drift ignorieren: ML-Modelle werden mit historischen Daten trainiert. Wenn sich die Beschaffungswelt ändert — neue Lieferanten, neue Kategorien, Preisschocks nach Krisen — verlieren Modelle an Genauigkeit. Regelmäßiges Re-Training ist kein Luxus, sondern Wartungserfordernis.

Fehler 3 — Kein Feedback-Loop: Damit ML-Modelle besser werden, brauchen sie Rückmeldung: War die Empfehlung richtig oder falsch? Systeme, bei denen Einkäufer Empfehlungen annehmen oder ablehnen können und diese Entscheidung zurückgespielt wird, verbessern sich im Betrieb. Systeme ohne Feedback-Loop stagnieren.

Verhandlungskontext: Bei ML-gestützten Einkaufslösungen: Vertragsklausel zur Modellqualität aufnehmen — Anbieter sollte Genauigkeitskennzahlen (z. B. F1-Score für Klassifikationsmodelle) vertraglich zusichern und bei dauerhafter Unterschreitung Nachbesserung schulden. Außerdem: Wer ist Eigentümer der trainierten Modellparameter? Falls der Anbieter das Modell aus Ihren Daten trainiert und dann weiterverkauft, ist das ein DSGVO-relevanter Sachverhalt.

Verwandte Begriffe

• [[spend-analyse]]
• [[lieferantenbewertung]]
• [[predictive-analytics]]
• [[risikomanagement]]
• [[bedarfsplanung]]
• [[automatisierungsquote-rechnung]]