Väärtuse loomise strateegiline ümberkujundamine: kuidas tehisintellekt kujundab hankemaastikku põhjalikult ümber

Xpert-eelne vabastamine

Available in 27 languages 📢

Avaldatud: 5. jaanuar 2026 / Uuendatud: 5. jaanuar 2026 – Autor: Konrad Wolfenstein

Väärtuse loomise strateegiline ümberkujundamine: kuidas tehisintellekt kujundab hankemaastikku põhjalikult ümber

Väärtuse loomise strateegiline ümberkujundamine: kuidas tehisintellekt kujundab hankemaastikku põhjalikult – pilt: Xpert.Digital

Miks peavad ettevõtted oma operatiivset ja strateegilist hankesüsteemi eristama radikaalsemalt kui kunagi varem?

Kontseptuaalne alus: reaktiivsete protsesside ja strateegilise väärtusloome vahel

Kaasaegne ärijuhtimine käsitleb hankeid ja ostmist sageli sünonüümidena, kuigi nende eesmärk, ajastus ja mõju ettevõtte kasumlikkusele erinevad põhimõtteliselt. See kontseptuaalne seos viib süstemaatiliste efektiivsuskadudeni, mis suurenevad eksponentsiaalselt, kui ettevõtted ei suuda tehisintellekti transformatiivset potentsiaali ära kasutada.

Hanke on strateegiline ja pidev protsess, mis hõlmab kogu väärtusahelat alates esmasest vajaduste hindamisest kuni turuanalüüsi, tarnijate tuvastamise ja lepinguläbirääkimisteni kuni pikaajalise tarnijasuhete haldamiseni. See on juhtimisvahend, mille eesmärk on tagada pikaajaline tarnekindlus, optimeerida omamise kogukulusid ja maksimeerida ettevõtte väärtust. Hanke ei ole ettevõtte eesmärkidest eraldatud, vaid pigem strateegiline hoob, mis mõjutab 50–70 protsenti ettevõtte kogukuludest.

Ostmine on seevastu selle protsessi operatiiv-tehinguline komponent. See keskendub hankeprotsessi käigus juba ettevalmistatud üksikute ostude konkreetsele, sageli lühiajalisele teostamisele. Operatiivne ostmine hõlmab tellimuste esitamist, tarnete haldamist, tarnekuupäevade jälgimist, kvaliteedikontrolli kauba kättesaamisel ja tarnijatele maksmist. Kui hankesüsteem küsib strateegiliselt: "Millised pikaajalised tarnijasuhted optimeerivad meie väärtust?", siis operatiivne ostmine küsib: "Kuidas tagada, et need kaubad saabuvad õigeaegselt, õiges kvaliteedis ja koguses?" See on põhimõtteline, mitte ainult semantiline erinevus.

Lepingute sõlmimine on strateegilise hanke laiemas kontekstis spetsialiseeritud funktsioon. See on struktureeritud protsess, mille käigus ettevõte süstemaatiliselt tuvastab, hindab ja valib potentsiaalsed tarnijad konkreetse kategooria või projekti jaoks. Erinevalt reaktiivsest operatiivsest hankest järgib lepingute sõlmimine ennetavat ja analüütilist lähenemisviisi: see otsib turge, hindab pakkumisi etteantud kriteeriumide alusel, peab läbirääkimisi lepingute üle ja loob seega aluse optimaalsetele ärisuhetele. Seda protsessi nimetatakse sageli allikast maksmiseks või hankimiseks ning see moodustab silla strateegilise planeerimise ja operatiivse elluviimise vahel.

Kahe protsessi mudel: hankimisest maksmiseks kui integreeriv selgroog

Kaasaegne hange on struktureeritud nn hanke-to-pay (P2P) mudeli järgi, mis põimib nii strateegilisi kui ka operatiivseid aspekte. P2P protsess ulatub esialgsest vajaduste hindamisest ja tellimuste loomisest tarnija valiku, tellimise, kauba vastuvõtmise ja kvaliteedikontrolli kaudu arvete kontrollimise ja lõpuks maksete tegemiseni. See otsast lõpuni perspektiiv paljastab peamise dilemma: kui strateegiline hange keskendub pikaajalisele planeerimisele ja riskide maandamisele, siis operatiivne ostmine õitseb kohese tõhususe ja rutiini pealt.

See dualism viib praktikas klassikalise ebaefektiivsuseni, mida tuntakse iseseisev ostmine. Iseseisev ostmine kirjeldab nähtust, kus üksikud osakonnad või töötajad esitavad tellimusi väljaspool ostuosakonna kontrollitavaid kehtestatud protsesse. See toimub tavaliselt kolmel põhjusel: esiteks seetõttu, et ametlikke hankeprotsesse peetakse liiga keerukateks või aeganõudvateks; teiseks seetõttu, et kiireloomulisus nõuab kiiret tegutsemist; ja kolmandaks seetõttu, et töötajad on kavandatud tarnijate või tingimustega rahulolematud.

Tagajärjed pole kaugeltki tühised. Ettevõtted kaotavad omavolilise ostmise tõttu kuni 15 protsenti lisakuludest, mis tulenevad mitmest allikast: kõrgemad ostuhinnad väiksemate koguste tõttu, kuna mahtusid ei konsolideerita; strateegiliste raamlepingute kasutamata hinnaeelised; ja märkimisväärsed protsessikulud, mis tekivad uute tarnijate käsitsi registreerimise, killustatud tarnijabaasi haldamise ja täiendava raamatupidamistöö tõttu. Paradoksaalsel kombel on probleem iseennast võimendav: mida keerukamaks ametlik hankeorganisatsioon muutub, seda tõenäolisemalt pöörduvad kasutajad mitteametlike kanalite poole, mis omakorda süvendab keerukust ja läbipaistmatust.

Operatiivsete erinevuste alus: ajaperspektiiv, eesmärgid ja pädevused

Strateegiline hange toimib mitmeaastase planeerimisperioodiga. Selle ülesannete hulka kuuluvad süstemaatiline turuanalüüs (millised tarnijad turul eksisteerivad ja millistel tingimustel?), nõudluse prognoosimine (mida me vajame järgmise kahe kuni viie aasta jooksul?), tarnijate hindamine mitmemõõtmeliste kriteeriumide alusel (lisaks hinnale ka kvaliteet, usaldusväärsus, finantsstabiilsus, uuenduslik tugevus, jätkusuutlikkus, geopoliitilised ja vastavusriskid), lepingute läbirääkimised eesmärgiga luua kasulikke olukordi, riskide maandamine mitmekesistamise ja alternatiivsete allikate kaudu ning tarnijatega suhete pidev tulemuslikkuse jälgimine ja optimeerimine.

Operatiivne ostmine on seevastu igapäevane protsess, mille ajahorisont on päevadest nädalateni. See tugineb hankesüsteemis juba loodud struktuuridele (heakskiidetud tarnijad, raamlepingud, kataloogid) ja keskendub teostuse tõhususele: kuidas saab tellimusi kiiresti, täpselt ja kulutõhusalt töödelda? Kuidas saab tagada, et tarneviivitused tuvastatakse ja eskaleeritakse kohe? Kuidas saab arveid kiiresti ja õigesti töödelda ilma vigadeta, mis viivad makseviivitusteni või tarnijatega seotud vaidlusteni?

See eristamine ei ole pelgalt akadeemiline harjutus. See määratleb kaasatud isikute kvalifikatsiooniprofiilid. Strateegiline ostja on juht, analüütik ja diplomaat üheskoos – nad peavad läbi viima turu-uuringuid, pidama läbirääkimisi, analüüsima stsenaariume ja ennetama riske. Operatiivne ostja seevastu peab tagama sujuvad protsessid, tuvastama probleemid kiiresti, käitama süsteeme õigesti ja tegema andmepõhiseid otsuseid eelnevalt määratletud kriteeriumide alusel. Paljudes ettevõtetes ei ole neid erinevaid nõudmisprofiile süstemaatiliselt eristatud, mistõttu strateegilisi ametikohti täidavad administratiivse suunitlusega isikud või vastupidi.

Tellimuste hankimine spetsialiseeritud liidesena: allika tuvastamine ja lepingute koostamine

Tellimuste hankimine on strateegiliste eesmärkide elluviimise protsess. See algab põhjaliku vajaduste analüüsiga: mida täpselt vaja on (spetsifikatsioonid, kvaliteedistandardid, kogused, tarnekuupäev)? Sellele järgneb turuanalüüs ja tarnijate uuring, mida sageli toetavad valdkonnaaruanded, messid, veebiandmebaasid ja võrgustiku mõjud. Potentsiaalseid tarnijaid hinnatakse struktureeritud protsessis, mis rakendab standardiseeritud kriteeriume objektiivsuse ja võrreldavuse tagamiseks.

Järgmine samm on hinnapakkumiste saamine, tavaliselt pakkumiskutse (RFP), tsitaaditaotluse (RFQ) või teabenõude (RFI) kaudu. Nendele taotlustele järgneb üksikasjalik hinnapakkumiste analüüs, milles uuritakse lisaks hindadele ka tarnevõimalusi, maksetingimusi, garantiisid ja lepingutingimusi. Seejärel on lepinguläbirääkimised otsustav hetk, kus ostja ja tarnija tasakaalustavad oma positsioonid ja jõuavad pikaajaliselt jätkusuutliku kokkuleppeni.

Hankeprotsessis on võtmekontseptsioon omamise kogukulu (TCO) arvestamine. See tähendab lisaks ostuhinnale ka kõiki toote elutsükli kulusid: hankekulud, transpordikulud, ladustamiskulud, kvaliteediprobleemidest tulenevad kulud, hooldus- ja teeninduskulud ning utiliseerimiskulud. Odavam tarnija võib kiiresti osutuda kulukaks, kui tema toodetel on suurem defektide määr või nad kuluvad kiiremini. Seevastu näiliselt kallim tarnija võib olla kulutõhusam, kui tema kvaliteet ja usaldusväärsus põhjustavad vähem tootmisseisakuid ja vähem ümbertöötlemist.

Digitaliseerimise laine: e-hangetest intelligentsetele hangetele

Hankemenetluste digitaalne ümberkujundamine sai alguse e-hanke kontseptsioonist, st hankeprotsesside elektroonilisest haldamisest. Paberi, fakside ja käsitsi andmesisestuse asemel digitaliseeriti protsessid veebiportaalide, kataloogide ja tellimissüsteemide kaudu. Esimese põlvkonna e-hankesüsteemid pakkusid tõhususe kasvu, vähendades meediavahetust ja võimalikke vigu, samuti läbipaistvust tarnijate, lepingute ja tellimuste ajaloo tsentraliseeritud haldamise kaudu.

Järgmine laine on integratsioonilaine. Kaasaegsed e-hankeplatvormid on sujuvalt ühendatud ettevõtte ressursiplaneerimise (ERP) süsteemidega, tavaliselt standardiseeritud liideste, näiteks EDI (elektrooniline andmevahetus) või OCI (avatud kataloogiliides) kaudu. See integratsioon tähendab, et klient logib ERP-süsteemi sisse, esitab tellimuse ja see edastatakse automaatselt e-hankeplatvormile – ilma käsitsi topeltsisestuse või meediumikatkestusteta. Seevastu kauba kättesaamise kinnitused ja arveandmed sünkroniseeritakse automaatselt tagasi ERP-süsteemi, kus need sobitatakse algsete tellimustega (nn kolmepoolne vastavus: tellimus vs saateleht vs arve).

Sellel integratsiooniperspektiivil on revolutsiooniline tagajärg: see võimaldab rutiinsete protsesside täielikku automatiseerimist. Robot (robotprotsesside automatiseerimise, RPA) saab lugeda arvet (kasutades optilist märgituvastust, OCR), võrrelda seda ostutellimuse ja kaubakviitungiga, automaatselt makse vabastada, kui see on vastavuses, ning automaatselt eskaleerida toiminguid lahknevuste korral. See vähendab arvete töötlemisel käsitsi tehtavaid pingutusi kuni 40 protsenti kaudse hanke puhul ja alandab tellimuse läbilaskekulusid kuni 76 protsenti.

Viimane laine on intelligentsuse laine, mis integreerib tehisintellekti kõikidesse hanketasanditesse – mitte inimestest otsustajate asendajana, vaid inimvõimeid täiustava partnerina.

Tehisintellekt kui transformaator: kümme kriitilist rakendusvaldkonda

1. Nõudluse prognoosimine ja varude optimeerimine

Traditsioonilised nõudluse prognoosid põhinevad ajaloolistel keskmistel, hooajalistel mustritel või eksperthinnangutel. Tehisintellektil põhinevad süsteemid ühendavad ajaloolised müügiandmed väliste teguritega, nagu turusuundumused, ilmastikutingimused, pühad, majandusnäitajad ja isegi sotsiaalmeedia signaalid. Masinõppe mudelid (eriti süvaõpe ja gradienti kiirendamine) tunnevad ära keerulisi mustreid, mida inimanalüütikud ei märkaks. Tulemuseks on see, et nõudluse prognoosid muutuvad kuni 30 protsenti täpsemaks.

See mõjutab otseselt kulustruktuuri. Täpsemad prognoosid viivad optimaalsete tellimuste kogusteni – mitte liiga palju (mis tekitab laokulusid ja seob kapitali), mitte liiga vähe (mis viib laoseisu lõppemiseni ja tootmiskatkestusteni). Keskmise suurusega ettevõte saab optimeeritud nõudluse prognooside abil oma varusid vähendada 15–25 protsenti, suurendades samal ajal saadavust ja tarnevõimet.

2. Kulutuste analüüs ja varjatud säästupotentsiaal

Kuluanalüüs tähendab, et tehisintellekti süsteem kategoriseerib, analüüsib ja visualiseerib kõik ettevõtte kulutused. Tüüpiline ettevõte kulutab miljoneid toorainele, seadmetele, IT-le, reisile, kontoritarvetele ja teenustele. Need kulud on jaotatud sadade või tuhandete tarnijate vahel ning killustatud erinevate valuutade, osakondade ja ERP-süsteemide vahel.

Inimestest ostjad ei suuda seda keerukust vaimselt töödelda. Tehisintellekti süsteem aga loeb kõigist neist allikatest struktureeritud ja struktureerimata andmeid, standardiseerib ja kategoriseerib need tooterühmade kaupa ning seejärel paljastab varjatud mustreid. Näiteks avastab see, et IT-osakond on tarkvaramenüü litsentside eest juba maksnud 500 000 eurot, samas kui turundusosakond hangib sama tarkvara eraldi, makstes identsete litsentside eest 300 000 eurot – lihtsalt seetõttu, et kumbki osakond ei teadnud, et teine oli juba paremad tingimused läbi rääkinud.

Tehisintellekti süsteemid suudavad tuvastada ka duplikaattarnijaid: ettevõte võib teha koostööd 50 erineva transpordiettevõttega, isegi kui turgu domineerib 10 korporatsiooni. Igasugune killustatus vähendab ostujõudu. Kuluanalüüs suudab tarnijabaasi konsolideerida kuni 80 protsenti, mis mahupõhiste allahindluste ja paremate lepingutingimuste kaudu omakorda viib 18–25-protsendilise kokkuhoiuni varem killustatud tooterühmades.

3. Intelligentne tarnijate valik tehisintellekti profileerimise abil

Traditsiooniline tarnijate valimine on aeganõudev ja sageli subjektiivne protsess. Kirjutatakse pakkumiskutse, saadetakse see 10–20 tarnijale ja pakkumisi võrreldakse käsitsi – hinna ja võib-olla ka tarnekindluse ja -kvaliteedi kohta kättesaadava teabe põhjal. Kogu protsess võtab tavaliselt aega 3–6 nädalat.

Tehisintellektil põhinevad tarnijate valiku süsteemid automatiseerivad ja paralleelselt korraldavad seda tööd. Need koguvad andmeid sadadest avalikest ja eraallikatest: ettevõtete andmebaasidest, aastaaruannetest, krediidireitingutest, sertifikaatidest, valdkonnakataloogidest, uudistearhiividest ja isegi sotsiaalmeedia profiilidest. Seejärel loovad nad iga potentsiaalse tarnija 360-kraadise profiili, mis hõlmab lisaks finantsstabiilsusele ka tootmisvõimsusi, kvaliteedikontrollisüsteeme, innovatsioonivõimekust, ESG (keskkonna-, sotsiaal- ja juhtimisalane) tulemuslikkust, tarnekindluse ajalugu, maksehäirete riske ja geopoliitilisi riske.

Tehisintellekti süsteem suudab seda analüüsi teha paralleelselt 100–1000 potentsiaalse tarnija jaoks, 2–4 päevaga 3–6 nädala asemel. Tulemuseks on oluliselt laiem turuhõlmavus, objektiivsem hindamine (kuna otsustusloogika on läbipaistev ega mõjuta isiklikke eelarvamusi ega võrgustikuefekte) ning suurem tõenäosus, et tegelikult valitakse parim hinna, kvaliteedi, usaldusväärsuse ja riski kombinatsioon.

4. Andmepõhised läbirääkimised ja läbirääkimiste kaaspiloot

Ostuläbirääkimisi iseloomustab traditsiooniliselt asümmeetriline informatsioon: tarnija teab oma kulustruktuuri ja turupositsiooni paremini kui ostja. Näiteks võib tarnija väita, et tema toorainekulud on tõusnud 12 protsenti ja seetõttu on hinnatõus vajalik – aga kas see on tõesti tõsi? Ostjal võivad olla kahtlused, kuid ilma konkreetsete andmeteta on seda raske ümber lükata.

Tehisintellekti süsteemid muudavad seda dünaamikat põhjalikult. Tehisintellektil põhinev eeldatava maksumuse mudel jagab toote või teenuse kulustruktuuri komponentideks: toorained, tootmispalgad, üldkulud, logistika ja kasumimarginaal. Süsteem pääseb juurde reaalajas andmetele: kaubabörsi hinnad, eri riikide palgaindeksid, kaubaveoindeksid ja valdkonna võrdlusnäitajad. Tulemuseks on objektiivne hinnang selle kohta, kui palju toode peaks maksma.

Kui tarnija seejärel nõuab 12-protsendilist hinnatõusu, saab ostja andmetega vaielda: tooraine hinnad on aktsiaturu indeksi kohaselt tõusnud 8 protsenti, palgainflatsioon teie riigis on 3 protsenti, mis kokku teeb umbes 6–7 protsenti, mitte 12 protsenti. Miks see täiendav juurdehindlus? See argument on täpne ja faktidel põhinev, mitte anekdootlik.

Veelgi uuenduslikumad on läbirääkimiste kaaspiloodid – tehisintellekti süsteemid, mis toimivad nagu interaktiivne läbirääkimiste treener. Ostja saab enne tegelike läbirääkimiste alustamist süsteemiga läbi mängida stsenaariumi. Kui ma nõuan 8-protsendilist hinnaalandust, kuidas tarnija tõenäoliselt reageerib? Süsteem simuleerib dialoogi ajalooliste läbirääkimisandmete põhjal, rakendab läbirääkimispsühholoogiat (näiteks ankurdamise teooriat või Harvardi läbirääkimistehnikat) ja annab ostjale konkreetseid näpunäiteid: Tarnija toob tõenäoliselt välja mahupiirangud. Siin on vastuargument, mida saate kasutada…

See andmepõhine ettevalmistus nihutab läbirääkimistel võimu tasakaalu. Uuringud näitavad, et hästi ettevalmistatud läbirääkimised viivad paremate tingimusteni – keskmiselt 15–20 protsenti paremate hindadeni sarnase kvaliteedi eest.

5. Tarnija riskijuhtimine ennustava analüütika abil

Tarneahelate klassikaline probleem on ootamatu tarnehäire: tarnija satub rahalistesse raskustesse ja peatab ootamatult tarned. Või langeb ta loodusõnnetuse, küberrünnaku või geopoliitilise sündmuse ohvriks. Ettevõte, mis seisab silmitsi tarnija ootamatu rikkega, kannab tootmisseisaku tõttu suuri kulusid.

Tehisintellektil põhinevad tarnijate riskide süsteemid jälgivad pidevalt sadu andmeallikaid: finantstulemusi (bilansi trendid, maksevõime, krediidireitingud), tegevusnäitajaid (tarnete usaldusväärsus, tarneviivitused, kvaliteedikaebused, tootmisvõimsuse rakendusastmed) ja väliseid sündmusi (loodusõnnetused, sõjad, sanktsioonid, küberrünnakud, regulatiivsed muudatused, vahetuskursi volatiilsus). Süsteem tuvastab nõrku signaale – näiteks, et tarnija on viimase kahe kvartali jooksul maksetega üha enam viivitanud või et tarneviivitused on muutunud sagedasemaks.

Hästi treenitud tehisintellekti mudel suudab tarnijate maksejõuetuse riske ette näha 6–12 kuud ette – oluliselt varem kui inimene. See annab ettevõttele aega alternatiivsete tarnijate leidmiseks, lepingute ettevalmistamiseks ja üleminekustrateegia väljatöötamiseks. Ennetav tegevus reaktiivse kriisi asemel – see on transformatiivne eelis.

Tehisintellekt on transpordi tasandil revolutsiooniliselt muutnud ka tarneahela riskijuhtimist. Süsteemid analüüsivad satelliidipilte, et tuvastada liiklusummikuid või blokeeritud sadamaid. Nad loevad uudiseid, et tuvastada loodusõnnetusi või geopoliitilisi kriise. Nad ühendavad need reaalajas andmed ettevõtte konkreetsete tarnemarsruutidega ja annavad hoiatusi, kui konkreetne marsruut on mõjutatud. See varajane tuvastamine võimaldab aktiveerida alternatiivseid marsruute enne kriitiliste viivituste tekkimist.

6. Haldusrutiinide automatiseerimine RPA ja kognitiivse automatiseerimise abil

Märkimisväärne osa ostuosakondade tööajast kulub käsitsi tehtavatele, regulaarselt korduvatele ülesannetele: arvete skannimisele ja süsteemidesse sisestamisele, tellimuste võrdlemisele saatelehtedega, C-osade (madala väärtusega tegevusressursside) hinnaläbirääkimiste pidamisele, tarnijate registreerimisele andmebaasides ja tellimuste postitamisele erinevatesse kulukeskustesse.

Robootiline protsesside automatiseerimine (RPA) saab neid ülesandeid automatiseerida. RPA-bot saab:

Saate sissetuleva arve PDF-failina või e-posti teel.
Ekstraheeri tekst OCR-i (optilise tekstituvastuse ja tehisintellekti kombinatsiooni) abil: arve number, arve kuupäev, tarnija, arve summa, maksekuupäevad, kaubaartiklid, kogused.
Võrdle neid andmeid ERP-süsteemi andmetega: kas on olemas tellimus, mille kogusumma vastab sellele arvele? Kas kauba kättesaamine vastab sellele?
Kui vaste kinnitatakse, väljastage makse automaatselt.
Kõrvalekalde korral saatke automaatselt eskalatsioon ülevaatajale või suhelge tarnijaga.

Arvete töötlemise automatiseerimine võib lühendada töötlemisaega 70–80 protsenti ja vähendada veamäära. Ettevõte, mis töötleb 10 000 arvet kuus, saab automatiseerimise abil kokku hoida 2–3 täistööajale taandatud töötajat – need on märkimisväärsed kulude ja tõhususe kasvud.

Teine näide on automatiseeritud hinnaläbirääkimised standardtoodete puhul. C-osade puhul (kontoritarbed, põhiseadmed, mille üksikostud on alla 100 euro) pole käsitsi läbirääkimised ökonoomsed. Nende väikeste ostude koguväärtus on aga märkimisväärne. Tehisintellekti süsteem saab automaatselt saata hinnapäringuid mitmele tarnijale kõigi selle kategooria tellimuste kohta, automaatselt hinnata pakkumisi ja automaatselt esitada tellimused kõige konkurentsivõimelisemale tarnijale – seda kõike ilma inimese sekkumiseta. Tulemuseks on rutiinsete otsuste detsentraliseerimine, mis võimaldab inimorganisatsioonil keskenduda keerukatele ja väärtuslikele ülesannetele.

7. Vastavus ja auditeerimisjälg automatiseeritud dokumentatsiooni kaudu

Suurettevõtted, eriti avalikus sektoris ja rangelt reguleeritud tööstusharudes (farmaatsia, lennundus, rahandus), peavad suutma tõendada, et nende hankeprotsessid on läbipaistvad ja nõuetele vastavad. Audit võib nõuda järgmist: Näidake mulle kõiki samme, mis viisid selle tarnija valikuni. Näidake mulle, et kõik pakkumused dokumenteeriti ja hinnati samade kriteeriumide alusel.

Tehisintellekti süsteemid suudavad automaatselt dokumenteerida iga hankeprotsessi sammu – milliseid tarnijaid uuriti, milliseid kriteeriume nende hindamiseks kasutati, millised pakkumused saadi ja kuidas neid võrreldi, millised otsused tehti ja miks. See põhjalik dokumentatsioon on mitte ainult nõuetele vastav, vaid ka strateegiliselt väärtuslik: see loob läbipaistvust, ennetab altkäemaksu ja nepotismi (mis mõlemad viivad optimaalsest madalama tarnijate valikuni) ning loob auditeerimisjälje, kui hiljem peaks tekkima küsimusi.

8. Ennustav hinnakujundus ja turu-uuring

Tooraine hinnad, transpordikulud ja palgad kõiguvad pidevalt. Ettevõte, mis ostab täna kõrge hinnaga, kuna ei teadnud, et turg kolme nädala pärast langeb, on kandnud reaalseid kulusid. Vastupidiselt ei taha ettevõte tellida liiga vähe, kui on ette näha, et hinnad tõusevad.

Tehisintellekti süsteemid suudavad hinnakõikumisi ette näha, kombineerides ajaloolisi hinnaridu makromajanduslike muutujate (intressimäärad, vahetuskursid, kaubaindeksid, energiahinnad), tööstusharu dünaamika (tootmisvõimsuse kasutamine, tarneahela kitsaskohad) ja uudiste meeleoluga. Tulemuseks on tõenäosuslikud prognoosid: 75-protsendilise tõenäosusega langeb terase hind järgmise kahe kuu jooksul 3–6 protsenti; suuremate tellimuste esitamisega oodake kuni põhjani. Või: liitiumi hind peaks kallinema 15 protsenti; tellige kohe.

Need hinnaennustused mõjutavad otseselt tellimuste ajastust ja koguseid, võimaldades märkimisväärset kokkuhoidu – 5–10 protsenti volatiilsetes kategooriates pole haruldane.

9. Jätkusuutlikkuse ja ESG integreerimine tarnijate hindamisse

Regulatiivsed nõuded (ELi tarneahela hoolsuskohustuse direktiiv, Saksamaa tarneahela seadused jne) sunnivad ettevõtteid uurima oma tarneahelaid sotsiaalsete ja keskkonnariskide osas. Tarnija riigis, kus on nõrgad töökaitsealased õigusaktid või suur korruptsioonirisk, võib ostjale kujutada endast maineriski.

Tehisintellekti süsteemid saavad ESG riske automaatselt hinnata järgmiselt:

Analüüsige tarnijariikide kohta avalikult kättesaadavaid andmeid (tööõigused, keskkonnastandardid, korruptsiooniindeksid jne)
Analüüsige tarnijatega seotud uudiste meeleolu (kas on teateid töövaidlustest, keskkonnareostusest?)
Hinnake tarnijate sertifikaate ja auditeid.
Vaadake üle lepingutingimused, mis vastavad ESG nõuetele.

Selline süsteem suudab tarnijad automaatselt liigitada kõrge, keskmise või madala riskiga tarnijateks ning pakkuda ostjale automaatselt alternatiive, millel on paremad ESG-profiilid. See võimaldab vastavust ja äritegevuse optimeerimist samaaegselt taotleda – mitte eesmärkide konfliktina, vaid integreeritud eesmärgina.

10. Generatiivne tehisintellekt dokumentatsiooni, lepingute analüüsi ja teadmiste haldamise jaoks

Suured keelemudelid (näiteks GPT-4 või Claude) avavad hankeprotsessides uusi võimalusi. Näiteks saavad need:

Analüüsige lepinguid automaatselt ja tuvastage kõrvalekalded standardklauslitest.
Tõlkige pakkumised automaatselt standardiseeritud vormingusse, et parandada võrreldavust.
Arvete automaatne väljavõtmine ja standardiseerimine erinevates keeltes ja vormingutes.
Hankejuhised peaksid olema kirjutatud loomulikus keeles (mitte krüptiliste reeglite kujul), mis on kõigile kasutajatele lihtsamini mõistetav.
Nad lõid tehisintellektist assistendi, mis oskab töötajaid nõustada: kuidas esitada tarnija kohta päringu? või millised tarnijad selle tooterühma jaoks olemas on?

Need rakendused on vähem suurejoonelised kui ennustav analüüs, kuid vähendavad igapäevastes protsessides hõõrdumist ja vigu 10–20 protsenti.

📈🔵 Tellimuste hankimine ja organisatsiooni arendamine: klassikalisest müügist strateegilise ärifunktsioonini💡

Tellimuste hankimine ja organisatsiooni arendamine - Pilt: Xpert.Digital

Xpert.Digital toetab ettevõtteid selles keerulises ümberkujundamises, olgu selleks siis moodsa tellimuste hankimise funktsiooni loomine nullist või olemasolevate protsesside optimeerimine. Omades laiaulatuslikke teadmisi turunduse, müügi, andmeanalüüsi, digitaalse ümberkujundamise ja organisatsiooni arendamise valdkonnas, juhendame teie ettevõtet strateegilise ümberpositsioneerimise suunas. Meie lähenemisviis on terviklik: me mitte ainult ei optimeeri protsesse, vaid arendame ka inimesi ja organisatsioonikultuuri, mis on vajalikud jätkusuutliku ja mõõdetava edu saavutamiseks.

Lisateavet selle kohta siin:

Kaasaegne tellimuste hankimine ei ole enam isoleeritud müügifunktsioon

Tehisintellekti suurim takistus ostmisel ei ole tehnoloogia

Üldine majanduslik arvestus: kust säästud tulevad?

Ülalkirjeldatud tehisintellekti rakendused toovad kaasa mõõdetava kulude kokkuhoiu mitmel tasandil:

Otsesed hankekulud

Läbirääkimiste täiustamise, optimeeritud koguste, ajastuse ja tarnijate konkurentsi abil saab kaubakulusid vähendada 5–15 protsenti, olenevalt valdkonnast ja tehisintellekti rakendamise küpsusest. Ettevõttes, mille hanke-eelarve on 500 miljonit eurot, tähendab see 25–75 miljoni euro suurust kokkuhoidu aastas.

kohtukulud

Arvete kontrollimise, tellimuste töötlemise ja tarnijate haldamise automatiseerimine vähendab halduskulusid 30–47 protsenti. Ettevõte, mille ostuosakonnas on 50 inimest, võiks kokku hoida 15–24 inimaastat – keskmise kogukuluga (koos üldkuludega) umbes 100 000 eurot inimese kohta võrdub see 1,5–2,4 miljoni euroga.

Ladustamiskulud

Täpsemad nõudluse prognoosid vähendavad laoseisu 15–25 protsenti. Keskmise laoväärtusega 50 miljonit eurot ja umbes 25-protsendiliste aastas laokuludega (intress, kindlustus, kulumine, ruum) säästetakse sellega 1,9–3,1 miljonit eurot.

Tarneahela katkestuste vältimine

Tarnijariskide ja tarneahela probleemide varajane avastamine hoiab ära tootmiskatkestused ja erakorralised hanked kõrgete hindadega. Selle ennetamise väärtust on raske kvantifitseerida, kuid kriitiliste komponentide puhul võib ühepäevane tootmisseisak maksta miljoneid.

Rahavoogude dünaamika parandamine#

Kiirem arvete töötlemine, täpsemad maksekuupäevad ja ennetähtaegsete maksete allahindluste tuvastamine vähendavad likviidsuskulusid. Keskmiselt saab ettevõte arvete töötlemise automatiseerimise korral maksta 2–5 päeva varem – see mõjutab käibekapitali.

Keskmise suurusega ettevõtte (500 miljoni euro suurune hanke-eelarve, 50-liikmeline ostuorganisatsioon) konservatiivne üldarvutus võiks seega välja näha selline:

Otsene kulude kokkuhoid: 25–50 miljonit eurot
Kohtuvaidluste kulude kokkuhoid: 1,5–2,4 miljonit eurot
Ladustamiskulude vähenemine: 1,9–3,1 miljonit eurot
Käibekapitali paranemine: 2–5 miljonit eurot

Kokku: 30–60 miljonit eurot aastas, millest ligikaudu 15–25 miljonit eurot on seostatav käitumuslike muutustega (parem läbirääkimiste pidamine, optimaalne tarnijate valik) ja 15–35 miljonit eurot automatiseerimise ja efektiivsuse kasvuga.

Ettevõtteülese tehisintellektil põhineva hankesüsteemi juurutamiskulud jäävad tavaliselt vahemikku 2–5 miljonit eurot (tarkvara hankimine, integreerimine olemasolevate süsteemidega, andmete ettevalmistamine, muudatuste haldamine, koolitus). Seega saavutatakse investeeringu tasuvus 1–3 kuu jooksul – see on digitaliseerimisprojekti kohta erakordselt kõrge investeeringutasuvus.

Mõtteviisi probleem: traditsioonilisest optimeerimisest andmepõhise intelligentsuseni

Vaatamata neile muljetavaldavatele numbritele on tehisintellekti kasutuselevõtt ostu- ja hankeprotsessides paljudes Saksa ettevõtetes endiselt piiratud. Saksamaa tarneahela juhtimise, hanke- ja logistika assotsiatsiooni (BME) hiljutine uuring näitab, et kuigi 7 kümnest ostujuhist plaanivad tehisintellekti investeerida, ei tea paljud ikka veel, kuidas edasi minna.

Väljakutsed ei ole oma olemuselt peamiselt tehnoloogilised, vaid pigem organisatsioonilised ja kultuurilised:

Integratsiooni keerukus

Tehisintellekti süsteemid peavad suhtlema kümnete olemasolevate süsteemidega – ERP, raamatupidamine, CRM, varude haldamine, personalijuhtimine jne. See integratsioon on tehniliselt teostatav, kuid aeganõudev ja vigadele kalduv. Paljud ostuorganisatsioonid ei ole valmis olemasolevaid süsteeme põhjalikult muutma.

Andmete kvaliteedi probleemid

Tehisintellekt on täpselt nii hea, kui head on andmed, mille peal seda treenitakse. Paljudel ettevõtetel on killustatud andmekogumid, puuduv teave ja ebajärjekindlad kategooriad. Enne tehisintellekti rakendamist tuleb andmete kvaliteedi parandamiseks sageli kulutada mitu kuud. See on ebamugav ja ebaspektne – täpselt vastupidine sellele, mida juhtkond kuulda tahab.

Oskused ja kvalifikatsioon

Tehisintellektil põhinev hankesüsteem nõuab lisaks hankespetsialistidele ka andmeteadlasi, andmeinsenere, muudatuste haldureid ja protsesside optimeerijaid. Paljud keskmise suurusega ettevõtted ei saa neid spetsialiste ettevõttesiseselt arendada ega palgata. Nad peavad kaasama väliseid partnereid (konsultante, tarkvaratarnijaid), mis suurendab kulusid ja tekitab sõltuvust.

Skeptitsism muutuste suhtes

Ostuosakondade inimesed on sageli aastakümneid õppinud, kuidas oma tööd teha. Tehisintellekti, mis langetab otsuseid automaatselt, tajutakse ohuna – mitte tööriistana, mis neid toetaks. Muudatuste juhtimine on keeruline ja nõuab rollide ja oskuste ümberpaigutamist.

Liiga kõrged ootused automatiseerimisele

Paljud otsustajad eeldavad, et tehisintellekt automatiseerib kogu hankeprotsessi ja muudab inimesed üleliigseks. See on ebareaalne. Tehisintellekt toimib kõige paremini siis, kui see toimib liitintellektina – abistades inimestest otsustajaid, kuid mitte asendades neid. Hea tuleviku ostja ei ole traditsiooniline läbirääkija, vaid andmeanalüütik ja strateeg, kes tõlgendab masinate teadmisi ja tõlgib need äristrateegiateks.

Tuleviku arhitektuur: hübriidhangetest autonoomse intelligentseni

Ettevõtted, kes tänapäeval hankes tehisintellekti rakendavad, läbivad tavaliselt järgmised etapid:

1. etapp (1.–6. kuu): kiired võidud ja pilootprojektid

Arvete kontrollimise automatiseerimine, konkreetse tooterühma kuluanalüüs, tarnijate hindamine uute tarnijate valimiseks. Need pilootprojektid on madala riskiga, kõrge edumääraga ning suurendavad sisemist usaldusväärsust ja hoogu.

2. etapp (6.–18. kuu): Sügavam integratsioon

Rakendatakse nõudluse prognoosimist, koolitatakse läbirääkimistuge ja luuakse tarnijate riskijuhtimist. Põhimeeskond õpib tehisintellekti süsteemidega töötama ja protsesse kohandama.

3. etapp (18.–36. kuu): täielik orkestreerimine

Kõik hankevaldkonnad on varustatud tehisintellekti toega. Ostjad töötavad laiendatud keskkonnas, kus neil on juurdepääs andmetele, prognoosidele, soovitustele ja automatiseeritud valikutele. Kuid lõplikud otsused langetavad nemad ise.

4. faas (alates 36. kuust): autonoomne intelligentsus piirides

Standardiseeritud ja madala riskiga kategooriate puhul on otsused täielikult automatiseeritud. Keeruliste ja strateegiliste kategooriate puhul on intelligentsus küll täiustatud, kuid otsuseid langetavad ikkagi inimesed. Süsteem õpib pidevalt ja muutub täpsemaks.

Hästi rakendatud tehisintellekti süsteemid ei too kaasa massilisi koondamisi, vaid pigem hankeorganisatsiooni ümberpaigutamist. 50-liikmeline hankeosakond võib küll kahaneda 40-ni, kuid need 40 inimest on eksperdid – andmeteadlased, strateegid, läbirääkijad –, mitte administraatorid. Organisatsiooni väärtus inimese kohta suureneb märkimisväärselt ja nad saavad võtta enda kanda strateegilisemaid, ärikriitilisi ülesandeid.

Strateegiline eristumise vajadus

Paljude ettevõtete peamine viga on hanke ja ostmise kontseptuaalne segamini ajamine. Seni kuni neid kahte funktsiooni käsitletakse sama funktsioonina, on võimatu neid korralikult korraldada või optimeerida. Hanke on strateegia, ostmine on tegevused. Need nõuavad erinevaid oskusi, erinevaid mõõdikuid, erinevaid süsteeme – ja tehisintellekti jaoks erinevaid rolle.

Hankeprotsess on koht, kus need kaks maailma kohtuvad. See on struktureeritud protsess, mille käigus strateegilised eesmärgid (optimaalsed tarnijate partnerlused) ellu viiakse (valik, läbirääkimised, lepingu sõlmimine). Siin saab tehisintellekt pakkuda suurimat väärtust: see kiirendab analüüsi, parandab otsuste objektiivsust ja võimaldab strateegilisi eesmärke palju järjepidevamalt saavutada.

Ettevõtted, kes seda eristust mõistavad ja tehisintellekti vastavalt kasutavad, vähendavad oma hankekulusid 10–20 protsenti, suurendavad tarneahela vastupidavust, parandavad ostukvaliteeti ja muudavad oma ostuorganisatsioonid strateegilisteks väärtusloojateks. Ettevõtted, kes käsitlevad tehisintellekti üldise tööriistana ilma neid kontseptuaalseid eristusi tegemata, on pettunud – ja tehisintellektist saab kallis ja alakasutatud süsteem, mis mõne aasta pärast lammutatakse.

Hanke tulevik ei kuulu neile, kes rakendavad tehisintellekti kõige kiiremini, vaid neile, kes mõistavad kõige selgemini, kus tehisintellektil on suurim väärtus – ja kus inimesed on asendamatud.

🔄📈 B2B kauplemisplatvormid toetavad strateegilist planeerimist ning ekspordi ja maailmamajanduse tugi Xpert.digital 💡

B2B kauplemisplatvormid - strateegiline planeerimine ja tugi Xpert.digital - pilt: Xpert.digital

Ettevõtluse ja äri (B2B) kauplemisplatvormidest on saanud ülemaailmse kaubandusdünaamika kriitiline komponent ning seega edasiviiv jõud ekspordi ja globaalse majandusarengu jaoks. Need platvormid pakuvad igas suuruses ettevõtetele, eriti VKEdele - väikestele ja keskmise suurusega ettevõtetele -, mida sageli peetakse Saksamaa majanduse selgrooks, olulised eelised. Maailmas, kus digitaaltehnoloogiad jõuavad üha enam, on kohanemisvõime ja integreerimise võime ülemaailmse konkurentsi edu saavutamiseks ülioluline.