Strategische Beschaffung 4.0: Mit höherer Mathematik zu besseren B2B-Entscheidungen

Was , wenn Du in die Zukunft blicken könntest . Du wüsstest genau, wann die Preise für wichtige Rohstoffe steigen, welcher Lieferant am zuverlässigsten ist und wie du bei Verhandlungen immer den besten Deal erzielst.
Klingt nach Superkräften, oder? 🦸
In der Welt des B2B-Einkaufs (Business-to-Business) ist das keine Science-Fiction, sondern das Ergebnis des gezielten Einsatzes von höherer Mathematik und Predictive AI.

Viele denken bei „höherer Mathematik“ vielleicht an komplizierte Formeln an einer Tafel, die mit dem echten Leben wenig zu tun haben.
Doch weit gefehlt! Im modernen strategischen Einkauf ist die Mathematik ein mächtiges Werkzeug, das Unternehmen hilft, klügere, schnellere und profitablere Entscheidungen zu treffen.
Sie ist der Motor hinter der „Beschaffung 4.0“, die datengestützt und vorausschauend agiert, anstatt nur auf Ereignisse zu reagieren.

In diesem Artikel nehmen wir dich mit auf eine Reise und zeigen dir – ganz einfach und verständlich erklärt – wie mathematische Konzepte den B2B-Einkauf revolutionieren und warum sie auch für dich und dein Unternehmen einen entscheidenden Unterschied machen können.

Bevor wir in die Welt der Zahlen eintauchen, klären wir kurz, was strategischer Einkauf bedeutet.
Im Gegensatz zum operativen Einkauf, der sich um das tägliche Bestellen von Waren und Dienstleistungen kümmert, blickt der strategische Einkauf langfristig in die Zukunft. Seine Aufgabe ist es, die Beschaffung so zu planen und zu steuern, dass sie die übergeordneten Ziele des Unternehmens bestmöglich unterstützt. Dazu gehört die Analyse von Märkten, die Auswahl und Entwicklung von Lieferanten und die Minimierung von Risiken in der Lieferkette.
Kurz gesagt: Es geht darum, nicht nur was und wie viel eingekauft wird, sondern vor allem warum, wann und wo.

Eine der spannendsten Anwendungen der Mathematik im Einkauf ist die „Predictive Analytics“, also die vorausschauende Analyse. Hierbei werden mithilfe von statistischen Algorithmen und maschinellem Lernen historische Daten genutzt, um Muster zu erkennen und daraus Prognosen für die Zukunft abzuleiten.

Stell es dir wie einen extrem cleveren Wetterbericht für dein Unternehmen vor. Anstatt nur zu sehen, wie das Wetter gestern war (vergangene Verkaufszahlen), sagt dir Predictive Analytics voraus, wie es morgen wahrscheinlich wird.

Ein einfaches Beispiel: Bedarfsprognose

Ein Unternehmen stellt Fahrräder her. In der Vergangenheit wurden die benötigten Teile wie Rahmen, Reifen und Schaltungen oft nach Bauchgefühl oder auf Basis der Verkäufe des letzten Jahres bestellt. Das führte dazu, dass manchmal zu viele Teile im Lager lagen (was Geld kostet) oder zu wenige da waren, wenn die Nachfrage plötzlich stieg (was zu Produktionsstopps führte).

Mit Predictive Analytics kann das Unternehmen nun viel mehr Daten einbeziehen:

• Verkaufszahlen der letzten Jahre
• Saisonale Trends (im Frühling werden mehr Fahrräder gekauft)
• Aktuelle Marketingkampagnen
• Wettervorhersagen (bei schönem Wetter steigt die Nachfrage)
• Sogar Social-Media-Trends, die auf ein wachsendes Interesse an E-Bikes hindeuten

Ein mathematisches Modell analysiert all diese Informationen und erstellt eine sehr genaue Prognose, wie viele Fahrräder und somit wie viele Teile in den nächsten Monaten benötigt werden. Der Einkauf kann so die Bestellmengen optimieren, Lagerkosten senken und Lieferengpässe vermeiden.

Jedes Unternehmen hat begrenzte Ressourcen: ein festes Budget, begrenzte Lagerkapazitäten oder eine maximale Produktionsmenge. Die lineare Optimierung ist ein mathematisches Verfahren, das hilft, diese Ressourcen so einzusetzen, dass ein bestimmtes Ziel – zum Beispiel maximale Gewinne oder minimale Kosten – erreicht wird.

Ein einfaches Beispiel: Minimierung der Einkaufskosten

Ein Safthersteller braucht für seinen neuen Multivitaminsaft eine bestimmte Menge an Vitamin A und Vitamin C. Er kann dafür zwei verschiedene Rohstoffe (Fruchtkonzentrate) einkaufen:

* Rohstoff X: Enthält viel Vitamin A, aber wenig Vitamin C und ist günstig.
* Rohstoff Y: Enthält viel Vitamin C, aber wenig Vitamin A und ist teurer.

Die Aufgabe des Einkaufs ist es nun, die richtige Mischung aus Rohstoff X und Y zu finden. Es muss so eingekauft werden, dass der Saft am Ende die geforderte Menge an Vitaminen enthält, die Gesamtkosten für die Rohstoffe aber so gering wie möglich sind.

Die lineare Optimierung stellt dieses Problem in einem mathematischen Modell dar. Man definiert eine Zielfunktion (die Kosten, die minimiert werden sollen) und mehrere Nebenbedingungen (die Mindestmengen an Vitamin A und C). Ein Algorithmus berechnet dann die exakte Menge von Rohstoff X und Y, die eingekauft werden muss, um die Bedingungen zu erfüllen und gleichzeitig das Budget zu schonen. Das Ergebnis ist eine datengestützte Entscheidung, die manuell kaum zu treffen wäre.

Verhandlungen sind ein zentraler Bestandteil des Einkaufs. Hier kommt die Spieltheorie ins Spiel, ein Teilgebiet der Mathematik, das strategische Entscheidungssituationen analysiert, in denen der Erfolg des einen vom Verhalten des anderen abhängt. Es geht darum, die Züge des Verhandlungspartners zu antizipieren und die eigene Strategie so zu gestalten, dass das bestmögliche Ergebnis erzielt wird.

Ein einfaches Beispiel: Preisverhandlungen

Ein Einkäufer möchte eine große Menge an Schrauben von einem Lieferanten kaufen. Beide Seiten haben unterschiedliche Interessen:

* Der Einkäufer will einen möglichst niedrigen Preis.
* Der Lieferant will einen möglichst hohen Preis erzielen.

Die Spieltheorie modelliert diese Situation als "Spiel". Sie analysiert die möglichen Strategien beider Seiten ("hohen Preis fordern", "niedrigen Preis anbieten", "Verhandlung abbrechen") und die daraus resultierenden "Auszahlungen" (Gewinn oder Verlust).

Ein bekanntes Konzept ist das Nash-Gleichgewicht.
Dies ist eine Situation, in der kein Spieler einen Anreiz hat, seine Strategie einseitig zu ändern, weil er sich dadurch nur verschlechtern würde. Indem der Einkäufer die Situation spieltheoretisch analysiert, kann er verstehen, wo die Schmerzgrenze des Lieferanten liegt und welche Verhandlungsstrategie am ehesten zum Erfolg führt. Statt nur auf Erfahrung und Intuition zu vertrauen, kann er seine Entscheidungen auf eine logische und strategische Grundlage stellen und so die Verhandlungsdynamik zu seinen Gunsten beeinflussen.

Höhere Mathematik ist im B2B-Einkauf längst kein abstraktes Gedankenspiel mehr, sondern ein entscheidender Wettbewerbsvorteil. Ob es darum geht, zukünftige Bedarfe präzise vorherzusagen, Budgets optimal einzusetzen oder in Verhandlungen die Oberhand zu gewinnen – mathematische Modelle liefern die Grundlage für fundierte und strategische Entscheidungen.

Sie ermöglichen es dem Einkauf, proaktiv zu handeln, Risiken zu minimieren und den Wertbeitrag für das gesamte Unternehmen zu maximieren. Die Beschaffung 4.0 ist datengetrieben, und die Sprache der Daten ist die Mathematik.
Unternehmen, die lernen, diese Sprache zu sprechen, werden in den Märkten von morgen die Nase vorn haben.

Mathematik liegt Dir nicht - dafür gibt es Büros für technische Mathematik.
Sie entwickeln für Deine Herausforderung ein Modell. Das ist oft viel wenig Aufwand als gedacht.

Weiterführende Links

• Mathtec - Technisches Büro für Mathematik mit Schwerpunkt Optimierung.
• Predictive Analytics im Supply Chain Management – Was ist das?
• Spieltheorie im Einkauf: Wie Sie Verhandlungen strategisch gewinnen
• Operations Research: Was ist lineare Optimierung?

Gleich noch ein Blogthema bei dem Mathematik im Hintergrund mitspielt. Welche Risiken bestehen, wie dramatisch sind die Auswirkungen, wie vorsorgen und Prioritäten setzen für den Fall der Fälle?

Mein Name ist Claus Angerhofer - ich bin Experte für Technologie, Einkauf und B2B Preisverhandlungen