Bereit für KI? Warum die Qualität von Lieferantendaten über Konditionen entscheidet

Anzeige. Der folgende Text stammt von SPS Commerce.

Präsentiert von

Kurz nach sechs Uhr morgens. Der Lkw steht an der Rampe des Zentrallagers – und die Paletten gehen direkt zurück. Das Lieferavis stimmt nicht mit dem überein, was tatsächlich auf dem Wagen liegt: falsche Verpackungseinheit, abweichende Chargenangabe, eine Position zu viel. Im Wareneingang bleibt keine Zeit für die Klärung. Der nächste Lkw wartet schon. Pech gehabt.

Dem Lieferanten bleibt nichts anderes übrig, als den Vorgang später zu rekonstruieren. Dann stellt sich vielleicht heraus: Der Händler hatte seine Spezifikation für das DESADV – die elektronische Vorabmeldung einer Lieferung – im Frühjahr angepasst. Die Information lag im Lieferantenportal. Aber gesehen hat sie da niemand.

Früher hätte der Lieferant das wahrscheinlich beim nächsten Jahresgespräch klären können. Heute senkt der Vorfall im Zweifel die Liefertreue-Quote, ohne dass noch jemand explizit nachfragt.

Kennzahlen entstehen von allein

Denn die Bewertung auf Händlerseite läuft inzwischen vielerorts ohne Termin und Anlass. Liefertreue, Auftragsvollständigkeit, Pünktlichkeit, Genauigkeit der Avise entstehen automatisch aus dem laufenden Transaktionsfluss und speisen Scorecards, die dann in Konditionsverhandlungen und Listungsentscheidungen einfließen. Erhoben, verrechnet und ausgewertet wird das ohne menschliches Zutun.

Die Auswertung addiert längst nicht mehr nur, sie sucht nach Mustern: Welche Abweichungen häufen sich, bei welchem Lieferanten, in welchem Zeitraum? Und zwar unabhängig davon, wie ein Lieferant seine eigenen Daten verwaltet.

Der Unterschied zum Jahresgespräch liegt dabei nicht in der Strenge – sondern im Kontext. Die Einkäuferin auf Handelsseite hätte gewusst, dass im März ein Werk kurzzeitig stillstand, dass ein Vorlieferant ausgefallen ist, dass eine kurzfristige Aktion die Planung überrollt hat. Ein Bewertungssystem sieht die Abweichung. Es sieht deswegen aber noch nicht automatisch, warum sie entstanden ist.

Für die Handelsseite ist das ein Effizienzgewinn mit Nebenwirkung: Man beurteilt Partner nach Zahlen, oftmals ohne den Anlass zu kennen. Und merkt womöglich gar nicht, dass man gerade einen zuverlässigen Lieferanten zurückstuft.

Auf Lieferantenseite lautet die entscheidende Frage deswegen nicht mehr, ob ein Unternehmen selbst Künstliche Intelligenz (KI) einsetzt. Sondern ob die eigenen Auftrags- und Lieferdaten gut genug sind, um von der Maschine richtig interpretiert zu werden.

Der Werksstillstand aus dem März verschwindet allerdings nicht, weil die Stammdaten gepflegt sind. Entscheidend ist deshalb, die vermeidbaren Abweichungen im Griff zu haben – Formatfehler, verpasste Spezifikationsänderungen, fehlende Avise. So bleibt Spielraum für Störungen, die sich nicht vermeiden lassen.

Viele Partner, viele Vorgaben

Der Aufwand dahinter wird leicht unterschätzt. Denn jede Handelskette legt eigene Formate fest, eigene Pflichtfelder, eigene Fristen für Avise und Bestellbestätigungen. Und aktualisiert sie in eigenem Takt. Dazu kommen Regionalgesellschaften mit ihren Vorgaben, Verbundgruppen und Einkaufsgemeinschaften, Fachhandel, Großhandel, Plattformen.

Schon ein mittelgroßer Hersteller pflegt so zahlreiche Regelwerke – und jedes kann sich unabhängig voneinander jederzeit ändern.

Passt ein Partner die Anforderungen an, muss der Lieferant nachziehen, bevor laufende Transaktionen betroffen sind. Die Mitteilung darüber kommt über unterschiedliche Kanäle: ein Portal, ein Rundschreiben, eine Anlage zur Konditionsvereinbarung. Was in der Bewertung später als Abweichung erscheint, entsteht oft genau hier. Gar nicht aus Nachlässigkeit, sondern vielleicht nur, weil eine Mitteilung in einem von vielen Portalen unbemerkt blieb.

Ausweichen lässt sich kaum. Mehr als 85 Prozent des Umsatzes im deutschen Lebensmitteleinzelhandel entfallen auf die vier großen Unternehmensgruppen: Edeka, Rewe, die Schwarz-Gruppe sowie Aldi Nord und Süd. Deren Anforderungen kann ein Lieferant nicht verhandeln. Er muss sie erfüllen.

Der stark konzentrierten Handelsseite steht derweil eine ausgesprochen heterogene Lieferantenseite gegenüber, vom regionalen Kleinbetrieb bis zum internationalen Markenkonzern. Die Anforderungen sind für alle gleich. Die Fähigkeit, sie zu erfüllen, ist es aber nicht.

Datenqualität vor Algorithmus

Damit rückt ein Punkt in den Vordergrund, der in Debatten über KI in der Lieferkette meist untergeht. Solche Systeme arbeiten mit Bestellungen, Lieferavisen, Beständen und Abverkaufssignalen. Sind diese Daten ungenau, verspätet oder in Systemen isoliert, die nicht miteinander sprechen, liefert ein Modell im Zweifel sogar schlechtere Ergebnisse als eine ordentlich gepflegte Tabelle.

Es repariert die Lücken dann nicht, es arbeitet um sie herum. Und was dabei herauskommt, trägt die Lücken schlimmstenfalls immer weiter.

Bei haltbarer Ware lässt sich ein Prognosefehler oft noch abfedern. Völlig anders verhält sich das jedoch mit Frischware. Bei Obst, Fleisch oder Molkereiprodukten schließt sich das Korrekturfenster in Tagen, manchmal in Stunden. Wer hier falsch plant, kann den Fehler nicht durch einen Rabatt zurückholen. Gleichzeitig gelten bei Frische die strengsten Anforderungen: Das Avis muss pünktlich da sein, die Etiketten müssen stimmen, die Kühlkette muss lückenlos dokumentiert sein.

Der Druck auf die Datenbasis kommt dabei nicht nur aus dem Handel. Die EU-Entwaldungsverordnung verlangt ab Ende 2026 Herkunftsnachweise bis auf die Anbaufläche, die E-Rechnungspflicht macht strukturierte Formate bis 2028 für alle verbindlich. Beides setzt voraus, dass Artikel-, Chargen- und Transaktionsdaten sauber vorliegen und zwischen Systemen wandern können.

Eine belastbare Datenbasis lässt sich dabei an vier Punkten festmachen:

• Artikeldaten, die über alle Handelskonten hinweg aktuell und einheitlich sind
• Bestellungen und Avise, die korrekt und pünktlich übertragen werden
• Abverkaufsdaten, die mit der eigenen Planung verbunden sind
• und Bestände, die die Wirklichkeit abbilden

Nichts davon ist neu. Aber es entscheidet darüber, wie ein Lieferant in der Bewertung abschneidet, wenn seine Daten maschinell gelesen werden.

Woher ein System weiß, was ein Händler erwartet

Genau hier stoßen allgemein trainierte KI-Werkzeuge an ihre Grenze. Ein Modell, das nicht weiß, welche Felder ein bestimmter Händler in der Bestellbestätigung erwartet, welche Fristen für das Avis gelten und über welchen Kanal Änderungen angekündigt werden, kann diese Lücke auch nicht schließen.

Die entscheidende Frage an jedes System, das in der Auftragsabwicklung eingesetzt wird, lautet deshalb: Womit wurde es trainiert? Und deckt das die Handelsbeziehungen ab, auf die das eigene Geschäft angewiesen ist?

Seit 25 Jahren betreibt SPS Commerce sein Netzwerk aus Beziehungen zwischen Händlern und Lieferanten. Heute umfasst es mehr als 33 Millionen Artikel, die das Herzstück der Supply-Chain-Intelligence-Ebene bilden. Darin sind auch die Spezifikationen der angeschlossenen Händler hinterlegt, samt ihrer Änderungen.

MAX von SPS Commerce ist dabei nicht als separates Werkzeug angelegt, sondern arbeitet in den Abläufen, die ohnehin genutzt werden: Es überwacht Verbindungen, erkennt Abweichungen von bekannten Mustern und macht sie sichtbar, bevor daraus eine abgelehnte Lieferung oder ein Scorecard-Problem wird.

Jon Oja, Produktmarketing-Manager für MAX, bringt es auf den Punkt:

„Lieferanten fragen uns meist, ob KI reif für ihre Abläufe ist. Die nützlichere Frage ist die umgekehrte: ob ihre Abläufe reif für KI sind.“

An der Rampe um sechs Uhr morgens zeigt sich dann beides: wie gut die Daten sind. Und wer für ihre Lücken bezahlt.

Erfahren Sie mehr dazu, wie sich Auftrags- und Lieferprozesse zwischen Handel und Lieferanten mit MAX absichern lassen.