KI-Ankaufspipeline
Produktiv im Einkauf
Ausgangslage
Beim Fahrzeug-Zukauf kamen Papiere aus allen Quellkanälen: Fotos von Fahrzeugscheinen, Rechnungen, Bewertungen – jedes Dokument wurde manuell abgetippt und geprüft.
Lösung
Eine 13-stufige sequenzielle KI-Pipeline liest die Dokumente, extrahiert die relevanten Daten, gleicht sie gegen Quellsysteme ab und bereitet die Ankaufsentscheidung vor – markenspezifische OCR-Logik inklusive.
Ergebnis
- Kein Abtippen mehr – Dokumente werden maschinell gelesen und geprüft
- Einheitliche Datenqualität über alle Quellkanäle
- Einkauf und Controlling arbeiten auf denselben Zahlen
Warum das typisch ist
Fahrzeuge kommen über drei getrennte Wege ins Haus: den herstellergebundenen Bonus-Kanal, die Auktionsplattform des Konzerns mit drei eigenen Auktionsarten, und den freien Zukauf von Händlern. Jeder Kanal bringt eine andere Vertragsstruktur, eine andere Freigabelogik und eine andere Bonus-Behandlung mit. Am Ende soll trotzdem in jedem Feld dasselbe stehen – sonst rechnen Einkauf und Controlling mit verschiedenen Beständen.
Die Strecke
- 01
Dokument lesen
Das hochgeladene Ankaufsdokument wird in Text überführt. PDF-Layouts unterscheiden sich je Marke und Auktionshaus erheblich.
- 02
Die Kennzahlen greifen
Die Fahrgestellnummer heißt je nach Beleg FIN, VIN, Fahrzeug- oder Fahrzeug-Identifizierungsnummer – fünf Bezeichnungen, ein Feld. Beim Kilometerstand muss der Tausenderpunkt mit, sonst werden aus 128.000 Kilometern 128.
- 03
Mehrdeutigkeiten auflösen
Stehen mehrere Daten im Beleg, ist die Erstzulassung immer das älteste. Beim Preis gilt der Verkaufspreis, nicht der Orientierungspreis daneben.
- 04
Modellschlüssel normalisieren
Im Beleg steht „T-Roc Life MOVE 1.0 TSI 81KW 6-Gang“, gebraucht wird „T-Roc“. Die Zuordnung läuft gegen eine geschlossene Modellliste – im Bonus-Kanal 16 Modelle einer Marke, in den Mehrmarken-Kanälen über 60.
- 05
Antriebsart bestimmen
Die teuerste Verwechslung der ganzen Strecke: Kürzel wie eTSI bedeuten weder Elektro noch Hybrid. Ein Keyword-Abgleich fällt darauf herein und verfälscht damit direkt die Bonus-Zuordnung.
- 06
Gegen den Bestand abgleichen
Über die Fahrgestellnummer gegen das Handelssystem: Verkaufsdatum, Standtage, Verkaufspreis, Bruttoertrag. Lief ein Fahrzeug zweimal durch den Verkauf, unterscheidet eine eigene Abfrage ersten und letzten Durchlauf.
Beteiligte Systeme
- ECS – Zentraleinkaufs- und Handelssystem
- HIS – Leasingbestand des Finanzdienstleisters
- Auktionsplattform des Konzerns
- Rückschreibung in die zentrale Fahrzeugtabelle
Gefragt wird meistens das
- Warum reicht dafür kein Standard-OCR?
- Weil Texterkennung die Zeile liefert und nicht den Schlüssel. Im Beleg steht die volle Ausstattungsbezeichnung, gebraucht wird der Modellschlüssel für Bonus und Statistik. Dazu kommen Fallen, die jedes Keyword-Matching übersieht – Mild-Hybrid-Kürzel, doppelt genannte Typbezeichnungen, der Orientierungspreis neben dem Verkaufspreis.
- Entscheidet die KI dann über den Ankauf?
- Nein. Sie liest und ordnet zu, beides ohne Zwischenkontrolle. Freigabe und Preisverhandlung bleiben beim Einkauf. Die Grenze verläuft dort, wo die Aufgabe klar definierbar ist – eine Verhandlung ist es nicht.
- Wir kaufen über mehrere Kanäle zu. Geht das in einem System?
- Ja, aber nicht mit einem Regelwerk. Dieselbe fachliche Aufgabe braucht je Kanal eine eigene Modellliste und eine eigene Bonus-Systematik. Wer das über einen Kamm schert, bekommt saubere Datensätze mit falschen Schlüsseln.
- Wie lange dauert so etwas?
- Ein bis drei Monate, und der Aufwand liegt nicht im Datenmodell. Er steckt im Feintuning der Extraktion an echten Belegen – jede Grenzfall-Regel hier ist aus einer realen Fehlklassifikation entstanden.
Ähnliches Problem in Ihrem Haus?
Fixpreis statt Stunden. Lauffähig in Tagen, nicht in Quartalen.