Die wichtigsten Details

• HERAUSFORDERUNG: Die Produktionskosten in der Verpackungsindustrie ändern sich rasant.
• LÖSUNG: Ein KI-basiertes Preisfindungstool schlägt Angebotspreise auf der Grundlage historischer Preisdaten vor.
• ERGEBNISSE: Ein halbautomatisches und objektives Preisfindungstool, mit dem Margen- und Trefferquotenziele erreicht werden können.

‍

Der Kunde

Unser Kunde ist ein wichtiger Akteur in der europäischen Papier- und Verpackungsindustrie.

Die Produktions- und Inputfaktorkosten in der Verpackungsindustrie ändern sich rasant. Was hauptsächlich auf die Volatilität der Papierpreise zurückzuführen ist.

Preisanpassungen abzuwägen, um den Marktanforderungen gerecht zu werden, ohne potenzielle Margen zu opfern oder die Ziele für die Trefferquote zu gefährden, war lange Zeit eine große Herausforderung.

Daher erfordert die Festlegung des Preises für das Angebot eines Endkunden eine manuelle Einzelfallbetrachtung. Dieser Prozess beruhte ausschließlich auf der Erfahrung des Vertriebsteams. Der Preisfindungsprozess war langsam, fehleranfällig und sehr subjektiv.

Darüber hinaus wurde es immer schwieriger, Margenziele, Kundenpriorisierung und Wirtschaftlichkeit zu verwalten.

Das Hauptziel des Projekts bestand darin, mithilfe der Technologie des maschinellen Lernens dem Verkaufspersonal Preise vorzuschlagen, die a) die Gesamtgewinnmarge aufrechterhalten oder erhöhen und b) die höchstmögliche Trefferquote erzielen.

‍

Die Herausforderung

Der eigentliche Preisfindungsprozess‍

Die Erstellung eines Angebots umfasst mehrere IT-Systeme und wurde nicht in der gesamten Organisation einheitlich gehandhabt. Tatsächlich gab es je nach den beteiligten Abteilungen mindestens drei bis vier Prozessvarianten, von denen jede ihre eigenen Untervarianten aufwies. Leider waren die Prozesse nicht dokumentiert und schwer aufzudecken.

‍

Verfügbarkeit der Daten

Dementsprechend wurden die historischen Angebotsdaten auf verschiedene Systeme und Datenbanken verteilt. Ausgangspunkt für die Analyse war ein Standardbericht, der von den Vertriebsleitern zur Leistungsverfolgung verwendet wurde. Ein direkter Zugriff auf die Datenbanken wurde nicht gewährt, und die internen Ressourcen für die Datenbereitstellung waren kaum verfügbar.

‍

Datenqualität und Rauschen

Das Hauptziel des Projekts bestand darin, mithilfe der Technologie des maschinellen Lernens dem Verkaufspersonal Preise vorzuschlagen, die a) die Gesamtgewinnmarge aufrechterhalten oder erhöhen und b) die höchstmögliche Trefferquote erzielen.

‍

Hosting-Umgebung

Der Prototyp und später das vollständig entwickelte Softwaresystem mussten in der IT-Landschaft des Kunden gehostet werden, um live auf die benötigten Daten zugreifen zu können. 
Aufgrund interner Beschaffungsrichtlinien war es nicht möglich, eine externe Cloud-Lösung zu verwenden. Also mussten wir uns eine alternative Lösung einfallen lassen.

‍

Akzeptanz von Tools

Aufgrund von IT-Einschränkungen war es derzeit nicht möglich, das Produktionssystem vollständig in die Prozesslandschaft zu integrieren. Daher standen wir vor der Herausforderung, die Vertriebsmitarbeiter davon zu überzeugen, das neue System zu übernehmen und alle Bedenken oder Widerwillen zu überwinden, ihren aktuellen Verkaufsprozess zu ändern.

‍

Mangelnde Nutzungstransparenz

Aufgrund der Einschränkungen des Betriebsrates war es nicht gestattet, irgendeine Art von Nachverfolgung einzuführen, die es ermöglichen würde, die Leistung der Mitarbeiter zu messen. Daher war es schwierig zu messen, wie das Tool von den Vertriebsmitarbeitern aufgenommen wurde.

‍

‍

‍

‍

‍

‍