Globaler Agrarverarbeiter Von fragmentierten Daten zu KI-gestützten Einkaufsentscheidungen
Nahrungsmittel & Agrar
Global Food Ingredients Group
Workflow Intelligence,
Data Science,
Individualsoftware-Entwicklung
Rohstoffpreise am Agrarmarkt werden von vielen Faktoren beeinflusst. Manche davon, wie etwa extreme Wetterereignisse oder geopolitische Krisen, lassen sich kaum vorhersehen. Andere jedoch, wie Energiepreise, Transportkosten oder historische Preise weisen zumindest teilweise wiederkehrende Muster und Zusammenhänge auf.
Genau hier setzt datengestütztes Forecasting an: nicht um Unsicherheit zu eliminieren, sondern um die vorhersehbaren Einflussgrößen systematisch zu nutzen und Einkaufsentscheidungen auf eine klarere Grundlage zu stellen.
Unsere Partnerschaft
Unser Kunde ist einer der größten Lebensmittelproduzenten Europas, mit über 50 Produktionsstandorten in mehr als 25 Ländern. Die Einkaufsteams beziehen Rohstoffe aus Dutzenden von Ländern gleichzeitig, jedes mit eigenen saisonalen Rhythmen und Lieferkettenrisiken. Mit Aktivitäten in Mitteleuropa, Amerika, Afrika und Asien haben Einkaufsentscheidungen erhebliches Gewicht und erhebliche Risiken.
Die Herausforderung
Agrarische Rohstoffpreise gehören zu den volatilsten Faktoren in der Lebensmittelindustrie. Wetterereignisse, regionale Ernten, Energiekosten und Logistikstörungen interagieren auf schwer vorhersehbare Weise.
Das Einkaufsteam arbeitete mit fragmentierten Informationen aus verschiedenen Quellen, ohne einheitliche Übersicht über Einflussfaktoren und ohne strukturierte Grundlage für gemeinsame Entscheidungen. Der Einkauf stützte sich stark auf individuelles Expertenwissen. Lag dieses Wissen bei einer einzelnen Person, litten Konsistenz und Skalierbarkeit.
Das Ziel war keine punktgenaue Preisvorhersage, sondern eine Trendindikation: eine aus relevanten Einflussfaktoren abgeleitete Tendenz als fundierte Entscheidungsgrundlage.
Unsere Lösung
Wir haben ein Purchaser Cockpit entwickelt, eine Plattform, die Datenverwaltung, Trendmodellierung und visuelle Entscheidungsunterstützung in einem intuitiven Tool vereint. Geleitet von den Prinzipien von Workflow Intelligence bringt die Lösung menschliche Expertise, Machine Learning und eine systemweite Perspektive auf den Einkaufsprozess zusammen.
Menschenzentriert: Entwickelt rund um die tatsächliche Arbeitsweise der Einkäufer. Anstatt Urteile zu ersetzen, wurde das Cockpit zu deren Unterstützung konzipiert und macht die Entscheidungsgrundlagen für das gesamte Team nachvollziehbar.
Technologiegetrieben: Wir entwickelten ein Machine-Learning-Modell, das mit historischen Preisdaten und relevanten Indikatoren wie Energiepreisen und Transportkosten trainiert wurde. Mehrere Modelle wurden getestet und gegen bekannte Ergebnisse evaluiert. Das Modell liefert gerichtete Trendindikationen, keine exakten Preispunkte. Dabei legten wir großen Wert auf Erklärbarkeit, damit Einkäufer nachvollziehen können, welche Faktoren das Modellergebnis treiben.
Systemübergreifend: Das Cockpit vereinte zuvor verstreute Datenquellen an einem Ort. Entscheidungen, die zuvor im Kopf einer einzelnen Person lagen, wurden diskutierbar, und Einkaufswissen wurde zur gemeinsamen Ressource.
Was wir gemeinsam erreicht haben
Entscheidungstransparenz
Einkaufsentscheidungen wurden zur gemeinsamen Teamdiskussion statt zu individuellen Urteilen.
Einheitliche Datensicht
Relevante Preisindikatoren, Marktsignale und Trenddaten in einer kohärenten Oberfläche zusammengeführt.
Preistrendmodellierung
Ein Machine-Learning-Modell lieferte gerichtete Preissignale, steigend oder fallend, auf Basis bewährter Einflussfaktoren.
Modellvalidierung
An realen Ergebnissen getestet, zeigte das Modell aussagekräftige Vorhersagesignale gegenüber Basisansätzen.
Erklärbare KI
Einkäufer konnten nachvollziehen, welche Faktoren eine bestimmte Trendindikation antreiben.
Das Ergebnis
Wireframes für das Dashboard des Einkäufers (l.) Filterung und Anzeige der Analyse der ausgewählten Rohstoffe (r.)