Ein Beitrag von Florian Böhme, Director Amazon Business Deutschland

Oft ist „Machine Learning“ (ML) – auch für viele Fachleute – nicht mehr als ein Buzzword. Es fehlt an Erfahrung, wie man die Vorteile von ML für die tägliche Arbeit nutzen kann. So hätten beispielsweise Einkaufsleiter, deren Unternehmen über Amazon Business ihre Beschaffung managen, die Möglichkeit, die Beschaffungs- und Bestellverlaufsdaten von tausenden Mitarbeitern auszuwerten und so die Beschaffungsprozesse ihres Unternehmens noch besser zu verstehen. Die gewonnenen Erkenntnisse könnten für die Entscheidungsfindung und ein besseres Einkaufsmanagement genutzt werden. Vorbei sind die Zeiten, in denen die Daten nach dem Kauf nur noch für Buchhaltungs- und Abstimmungszwecke verwendet werden.

Beschaffungsdaten richtig auswerten

Um Beschaffungsdaten richtig auszuwerten und mit den Analyseergebnissen eine Geschichte erzählen zu können, investieren Unternehmen gerne in Fachleute wie Business Intelligence (BI)-Ingenieure, Datenwissenschaftler und ein Team von IT-Profis, die aus den Daten komplexe Analysemodelle erstellen. Doch nicht für alle Analysen ist so eine geballte Fachkompetenz nötig.

Nutzt ein Unternehmen beispielsweise Amazon Business für seinen Einkauf, können auch Nicht-BISpezialisten die notwendigen Daten abrufen und auswerten – über das Amazon Business Analytics Portal. Die Plattform erstellt tabellarische Auftragshistorie-Daten aus Bestellungen, Rückerstattungen und Abstimmungsberichte. In Verbindung mit Amazon QuickSight, das diese Daten mit einer BI verknüpft, können Mitarbeiter unkompliziert interaktive Dashboards und Visualisierungen erstellen, die das Einkaufsverhalten auf einen Blick darstellen.

Im Wesentlichen gibt es drei Möglichkeiten, wie man diese Daten aus seiner Bestellhistorie mit Hilfe der ML Insights-Funktion aufschlüsseln kann: als einfachen Bericht, als aggregierte Visuals oder man verwendet nur die tabellarischen Rohdaten.

1. Einfache Berichte fassen Beschaffungsdaten in einer leicht zu verstehenden Form zusammen.

2. Aggregierte Visualisierungen bieten die Möglichkeit, tiefergehende Einblicke zu erlangen, da die Daten nach einzigartigen Mustern oder bestimmten Details gefiltert werden können.

3. Tabellarische Rohdaten ermöglichen eine sehr detaillierte Analyse der granularen Informationen, auf denen die allgemeiner gefassten Berichte und Visualisierungen basieren.

Option 1: Einfacher Bericht

Das Top-Management und die Unternehmensleitung interessiert vor allem, einen Überblick über die Ausgabenentwicklung ihres Unternehmens zu bekommen – ohne dafür erst komplexe Grafiken analysieren oder zeilenweise Datentabellen entschlüsseln zu müssen.

Für kurze, prägnante Aussagen lassen sich alle wichtigen Informationen in einem „Spend Visibility“Dashboard als maschinell-generierte „Suggested Insights“ darstellen, in leicht verständlicher, normalsprachlicher Form. Beispielsweise der Monat mit den höchsten Ausgaben, die Kategorien, auf die die meisten Ausgaben entfallen, oder die Top 3 der am meisten gekauften Produkte.

Option 2: Aggregierte Visualisierung

Der Großteil der Einkaufsleiter braucht allerdings mehr als einen einfachen Bericht, um das Kaufverhalten seiner Mitarbeiter genau nachvollziehen zu können. Für diese Gruppe eignet sich ein ausführlicheres Dashboard mit umfangreichen KPIs, Diagrammen, Drill-Downs und Filterfunktionen.

Hat ein Manager zum Beispiel eine Guided Buying-Richtlinie für sein Unternehmen eingeführt, kann er anhand des Dashboards überprüfen, ob und inwieweit diese Richtlinien eingehalten werden und inwiefern sie sich auf das Einkaufsverhalten seiner Mitarbeiter auswirken. So lassen sich die Ausgaben nach Kategorie, bevorzugten und eingeschränkt zulässigen Artikeln, Nutzern und Gruppen aufschlüsseln und dank der Darstellung als Balkendiagramm auf einen Blick erfassen. Nicht konforme Käufe kann ein Einkaufsleiter sogar zu dem verantwortlichen Mitarbeiter zurückverfolgen und so sein Beschaffungsmanagement weiter optimieren.

Option 3: Tabellarische Rohdaten

Während einfache Berichte und Visualisierungen für gewöhnlich ausreichen, kann es immer wieder auch zu Situationen kommen, in denen Finanz- oder Beschaffungsexperten die Daten sehr tief und detailliert analysieren müssen, um einem bestimmten Thema auf den Grund zu gehen.

Für eine vollständige Untersuchung können Nutzer tief in die Analyse einsteigen, indem sie erst relevante Filter setzen und dann die Daten immer detaillierter aufrufen, bis sie schließlich zu den tabellarischen Rohdaten vorstoßen, auf denen die Visualisierungen und Berichte basieren und die in diesem Kontext relevant sind. Will man nicht den Umweg über das Filter-System gehen, sondern eine spezielle Grafik näher analysieren, lassen sich die Rohdaten auch direkt daraus als CSV-Datei exportieren.