Decision Intelligence Use Cases im Einkauf: von mehr Daten zu früheren, belastbaren Festlegungen

Decision-Intelligence-Use-Cases im Einkauf teilen eine Bewegung: Sie verwandeln einen bewegten Markt in eine konkrete Festlegung, die eine Einkäuferin vor der Finanzabteilung vertreten kann. Die wertvollsten setzen im Moment der Handlung an, dort, wo eine Prognose endlich zu einer verbindlichen Entscheidung darüber wird, was wann gekauft wird.

Die meisten Einkaufsteams haben bereits Prognosen und Marktberichte. Schwierig bleibt die belastbare Antwort darauf, worauf man sich wann festlegt, gerade wenn dieselbe Rohstoffnotierung in einem Quartal nach oben schießt und im nächsten wieder nachgibt. Jeder Use Case unten beginnt mit einer externen Veränderung und endet mit einer Handlung, hinter der ein Category Manager stehen kann.

Eine späte Entscheidung trifft direkt die Marge, der Preis dafür ist finanziell und sofort spürbar.

Wann sollte der Einkauf sich auf einen Rohstoffkauf festlegen?

Die Entscheidung über das Kauf-Timing läuft auf einen Test hinaus: Übersteigen die erwarteten Kosten des Wartens die Kosten einer sofortigen Festlegung? Ein Preis-Dashboard zeigt die Kurve in Bewegung und überlässt das Urteil der Einkäuferin. Ein Decision-Intelligence-Use-Case ergänzt die Schicht, die dem Dashboard fehlt: eine wahrscheinliche Spanne für den weiteren Preisverlauf und eine Regel, um zu handeln.

Die externe Veränderung verläuft selten in nur eine Richtung. Der Oktober-Ausblick der Weltbank erwartet für 2025 und 2026 jeweils einen Rückgang der Rohstoffpreise um rund 7 %, bis auf ein Sechs-Jahres-Tief, das dennoch über dem Niveau von 2019 liegt. Wer ein Jahresvolumen zu früh festzurrt, kann genauso exponiert sein wie jemand, der zu lange wartet, deshalb zählt die Größe der offenen Exposure so viel wie die Richtung des Preises.

Kosten-Verlust-Regel: Handle, wenn die Wahrscheinlichkeit einer ungünstigen Preisbewegung, multipliziert mit dem daraus entstehenden Verlust, die Kosten des Handelns übersteigt. Bei einem teuren oder schwer umkehrbaren Kauf legst du die Konfidenzschwelle vorher höher.

Ein Einkaufsteam, das mit probabilistischen Prognosen arbeitete, legte seinen Bestand fest, Tage bevor der Markt sich bewegte, und schützte die Position, ohne zu überkaufen. Die Handlung ist konkret. Du kaufst einen Teil des Volumens jetzt und lässt den Rest offen, dann hältst du die Konfidenz hinter der Entscheidung fest, damit sie im Review Bestand hat. Schärfere Entscheidungen zum Kauf-Timing entstehen, wenn diese Spanne mit einer klaren Handlungsschwelle gekoppelt wird.

Wo schärft Decision Intelligence eine Absicherungsentscheidung?

Eine Absicherung schützt die Marge nur, wenn sie an eine reale, gemessene Exposure gebunden ist. Eine umfassende Absicherungsstrategie kann die EBITDA-Margen-Volatilität für rohstoffintensive Geschäfte um 20 bis 25 % senken, zeigt die Analyse von McKinsey, während dieselbe Arbeit belegt, dass schlecht gesteuerte Absicherungen Verluste von 5 bis 25 % des Jahres-EBITDA verursacht haben. Der Unterschied liegt darin, ob die Position zur darunterliegenden Exposure passt.

Eine Prognose allein schließt diese Lücke nicht. Sie mag einen wahrscheinlichen Anstieg des Gaspreises melden, ohne die Absicherung zu dimensionieren oder die Konfidenz dahinter zu nennen. Ein Decision-Intelligence-Use-Case macht aus der Prognose eine dimensionierte Absicherungsempfehlung mit einer Konfidenzspanne, sodass ein Team auf ein starkes Signal entschlossen reagiert und bei einem schwachen zurückhaltender bleibt.

Das durchgerechnete Beispiel von McKinsey macht den Einsatz greifbar. Ein Düngemittelhersteller, der Gas am Spotmarkt gegen Verkäufe zu Festpreisen kaufte, erzielte EBITDA-Margen von 10 bis 15 %, deutlich unter den erwarteten 20 bis 25 %, und eine systematische rollierende Absicherung hätte geschätzte 15 bis 18 Mio. EUR Jahresverlust vermieden. Das Team setzt dann eine dimensionierte und zeitlich abgestimmte Absicherung auf, die es vertreten kann, und das läuft darauf hinaus, zu wissen, wie viel Sicherheit du brauchst, bevor du dich festlegst.

Wie verteilen Teams knappe Ware, ohne zu raten?

Wenn Rohstoffe knapp werden, lautet die eigentliche Entscheidung, welche Aufträge zuerst bedient werden, und dieser Ruf muss vertretbar sein. Eine belastbare Allokation ruht auf der gesamten Netzwerkökonomie, sodass sich jede Priorität durch die Marge erklären lässt, die sie schützt, und durch die Kosten der Alternative.

Häufiger Fehler: knappe Ware aus einer Nachfragesicht über nur ein Quartal zu verteilen. Das Bild wirkt präzise und altert schlecht, sobald die Nachfrage dreht, was genau die Autohersteller einholte, als Chip-Kapazitäten umverteilt wurden.

Während der COVID-19-Pandemie verlagerten die Chiphersteller die Halbleiter-Allokation von der Autobranche zur Unterhaltungselektronik, nachdem für die Autonachfrage ein Rückgang prognostiziert worden war. Als diese Nachfrage zurückkam, kamen die Fabs nicht hinterher und Bänder standen still. Ein Dashboard hätte den Nachfrageeinbruch korrekt gezeigt und trotzdem auf die falsche Entscheidung gedeutet.

Szenarioplanung ist der praktische Ausweg. Gartner rät Supply-Chain-Verantwortlichen, regelmäßig Was-wäre-wenn-Szenarien zu rechnen, statt um eine einzige Zahl herum zu planen, weil externe Schocks wie Zölle und Energieausschläge das Basisszenario immer wieder kassieren. Ein Decision-Intelligence-Use-Case prüft jede Allokation gegen mehrere Zukünfte und empfiehlt dann die Aufteilung, die am besten standhält. Die Handlung ist eine priorisierte Allokation, die jeder Account Manager erklären kann, mit offen gelegtem Abwägen.

Wie verändert Should-Cost-Modellierung eine Lieferantenverhandlung?

Die Should-Cost-Modellierung verschiebt eine Verhandlung vom Feilschen um einen Prozentsatz Nachlass gegenüber dem Vorjahr hin zum Gespräch über die eigentlichen Kostentreiber. Eine unabhängige, nach Komponenten aufgeschlüsselte Basis, aufgebaut aus Material und Arbeit statt aus dem Eröffnungsangebot des Lieferanten, gibt der Einkäuferin eine Zahl, gegen die sie verhandeln kann.

Ein Tabellenmodell erledigt einen Teil davon, ist aber veraltet, sobald sich die Einstandspreise bewegen. Ein Decision-Intelligence-Use-Case hält die Kostenbasis gegen die aktuellen Einstandspreise auf dem neuesten Stand, sodass die Einkäuferin mit einer aktuellen Zahl kommt und sieht, welchen Anteil einer angekündigten Erhöhung die Kostentreiber wirklich rechtfertigen.

Das Ergebnis kann auf einer einzelnen Position groß ausfallen. In einem anschaulichen Beispiel, nicht als typischer Wert, deckte ein unabhängiges Kostenmodell an einem einzelbezogenen Titangehäuse konservative Bearbeitungsannahmen auf und setzte 480.000 $ Jahreseinsparung an einem einzigen Teil frei, während dem Lieferanten eine gesunde Marge blieb. Die Einkäuferin geht damit mit einem faktenbasierten Gegenangebot ins Gespräch, gestützt auf eine Aufschlüsselung, die beide Seiten prüfen können.

Die Marge zwischen Angebot und Rechnung schützen

Marge versickert in der Lücke zwischen Angebot und Rechnung. Eine Kostenerhöhung trifft sofort beim nächsten Einkauf, während Preisanpassungen zum Kunden typischerweise sechs bis acht Wochen später greifen, sodass die Marge die Differenz dazwischen auffängt. Einstandspreise sind leicht zu sehen. Die Timing-Falle ist, sich auf einen Kundenpreis festzulegen, bevor der passende Einstandspreis gesichert ist.

Ein Decision-Intelligence-Use-Case verbindet beide Seiten. Er signalisiert, wann eine Einstandsbewegung das laufende Angebot zu überholen droht, früh genug, um neu zu bepreisen oder die Versorgung zu sichern, bevor die Marge erodiert. Was zählt, ist die zeitliche Überschneidung zwischen der offenen Verkaufszusage und der offenen Einkaufs-Exposure, die eine isolierte Prognose nie herstellt.

Sybilion ist für genau diese Schicht gebaut: ein ökonomisches Weltmodell, das externe Veränderung wie Rohstoff- und Energiepreise in entscheidungsreifes Reasoning übersetzt, wobei jede Empfehlung die Signale dahinter offenlegt. Beim Timing von Rohstoffeinkäufen schützte KD Feddersen rund 4 Mio. $ Marge, und Jobachem erreichte 92 % Treffsicherheit beim Kauf-Timing über 7,2 Mio. $ an kritischen Entscheidungen. Die geplante Marge stabil zu halten, wenn die Einstandskosten sich bewegen, ist der Kern der Margensicherung bei Direktmaterialien.

Wo zählen Erklärbarkeit und Konfidenzspannen am meisten?

Erklärbarkeit und Konfidenzspannen zählen am meisten dort, wo eine Entscheidung teuer oder schwer umkehrbar ist. Szenariologik verdient ihren Platz überall dort, wo das Basisszenario brechen kann. Eine Kosten-Verlust-Regel funktioniert nur, wenn die Konfidenz hinter einer Prognose sichtbar ist, und Teams verlangen zu Recht mehr Sicherheit vor einer schweren, unumkehrbaren Festlegung als vor einer kleinen, leicht rückgängig zu machenden.

Eine Entscheidung wird freigegeben, wenn jemand sie erklären kann. Eine Empfehlung, die ein Category Manager der Finanzabteilung nicht erklären kann, übersteht die Sitzung selten, und so landet starke Analyse in der Schublade, wenn niemand die Kosten des Nichthandelns sieht. Die Verbreitung nimmt weiter zügig zu: Die Gartner-Umfrage 2024 verortet rund ein Drittel der Organisationen bereits im Einsatz von Decision Intelligence, und Gartner erwartet, dass bis 2027 die Hälfte der Geschäftsentscheidungen durch KI-Agenten unterstützt oder automatisiert wird.

Der rote Faden aller Use Cases hier ist einfach: Ein Signal, dass sich etwas geändert hat, ist noch keine Entscheidung. Aon führt das Rohstoffpreisrisiko auf Rang sechs der globalen Risiken, doch nur 14 % der Organisationen verfolgen ihre Exposure gegenüber den größten Risiken. Konfidenzspannen, Szenariotests und ein nachvollziehbares Reasoning sind das, womit ein Team diese Exposure in eine Festlegung verwandelt, die es vertreten kann.

Das Muster hinter jedem Use Case

Die fünf Use Cases oben tun alle dasselbe. Jeder verkürzt den Abstand zwischen einer externen Veränderung und einer Festlegung, die ein Team vertreten kann, und jeder leistet etwas, das ein Dashboard oder eine isolierte Prognose nicht kann: Er benennt die Handlung, dimensioniert sie und zeigt dann die Konfidenz dahinter.

Der betriebswirtschaftliche Fall ist eindeutig. Die teuersten Einkaufsentscheidungen sind meist die späten, und der Preis zeigt sich an zwei Stellen: der Marge, die zwischen Angebot und Rechnung verloren geht, und dem Volumen, das zum falschen Zeitpunkt im Zyklus gekauft wird.

Ein praktischer Einstieg ist, ein Material und eine wiederkehrende Entscheidung zu wählen, Kauf-Timing bei einem volatilen Rohstoff ist ein guter Start, der nächsten Entscheidung eine Konfidenzspanne beizulegen und das Reasoning festzuhalten, damit sich das Ergebnis später prüfen lässt. Mach das einmal, und dieselbe Vorgehensweise überträgt sich auf das nächste Material und die nächste Entscheidung.

Häufige Fragen

Welcher Decision-Intelligence-Use-Case bringt im Einkauf am schnellsten Wert?

Beginne mit dem Kauf-Timing bei einem volatilen Direktmaterial. Die Entscheidung kommt ständig vor und eine späte Wahl ist leicht zu beziffern, sodass ein fokussierter Nachweis an einem Material und einer Festlegung dem Team ein vertretbares Vorher-Nachher innerhalb eines einzigen Einkaufszyklus liefert.

Wie unterscheidet sich ein Decision-Intelligence-Use-Case von einem BI-Dashboard?

Ein Dashboard und ein Decision-Intelligence-Use-Case trennen sich im Moment der Handlung. Das Dashboard berichtet, was bereits geschehen ist, und überlässt dir die Deutung. Der Use Case geht weiter: Er empfiehlt eine konkrete Handlung, dimensioniert sie an deiner Exposure und zeigt die Konfidenz hinter der Entscheidung, damit sie sich intern vertreten lässt.

Brauchen diese Use Cases saubere Daten oder eine vollständige ERP-Integration zum Start?

Nein. Ein fokussierter Use Case kann neben den Systemen starten, die ein Team ohnehin nutzt, ohne auf perfekte Daten oder eine vollständige Integration zu warten. Die meisten Teams beginnen mit einem Material oder einem Entscheidungstyp und weiten den Umfang aus, sobald der erste Zyklus ein messbares Ergebnis bringt.

Wo zählen Konfidenzspannen bei einer Einkaufsentscheidung am meisten?

Kurz vor den schweren, schwer umkehrbaren Entscheidungen. Ein Jahresvolumen festzuzurren oder eine große Absicherung zu setzen, dort zahlt sich eine sichtbare Spanne aus: Sie sagt einem Team, wann ein Signal stark genug ist, um sich festzulegen, und wann es besser abwartet, statt jede Prognose als gleich sicher zu behandeln.

Kann Decision Intelligence Absicherungsentscheidungen unterstützen?

Ja. Sie unterstützt die Absicherung, indem sie die Position an die gemessene Exposure bindet und dann eine dimensionierte, zeitlich abgestimmte Absicherung mit der zugehörigen Konfidenz empfiehlt. Das ist wichtig, weil eine Absicherung die Marge nur schützt, wenn sie zur realen Exposure passt, und schlecht gesteuerte Absicherungen einen spürbaren Teil des Jahres-EBITDA kosten können.