Herr Vodotyka, Sie haben die digitale Transformation im Einkauf bei Coca Cola Hellenic maßgeblich mit vorangetrieben. Wie kam es dazu?

Den Auslöser für die Umstellung des Beschaffungswesens gaben 2015 unser CPO und das Leadership Team, das mich auch ins Unternehmen geholt hat. Wir hatten es uns unternehmensweit zum Ziel gesetzt, die Ausgaben zu optimieren, enger mit unseren Stakeholdern zusammenzuarbeiten sowie unsere Lieferkette agiler und resilienter zu gestalten. Wir wollten einheitliche Standards einführen. Uns war klar, dass wir diese strategischen Ziele nur Hand in Hand mit einem optimierten und digitalisierten Einkauf erreichen können.

Der Anstoß für Ihre Transformation liegt damit nun schon sechs Jahre zurück. Wie weit sind Sie mit dem Programm bereits gekommen?

Jede Transformation hat zwar einen konkreten Startpunkt, aber ein Ende gibt es wohl nie. Unser Programm hatte drei Phasen. In der ersten ging es uns darum, Transparenz über all unsere Ausgaben zu schaffen. Außerdem haben wir die strategische Entscheidung getroffen, dass der Einkauf für jeden Euro, der das Unternehmen verlässt, verantwortlich ist. Denn bis dahin waren die Fachabteilungen selbst für die Verhandlungen und Vertragsausgestaltungen verantwortlich. Dazu war es wichtig, die konkreten Bedürfnisse zu definieren, neue Wege in der Zusammenarbeit zu finden und dadurch ein neues Servicelevel innerhalb der Organisation zu schaffen.

Worum ging es in der zweiten und dritten Phase?

Die zweite Phase war wohl die herausforderndste. Wir mussten unser operatives Betriebsmodell komplett neu definieren, es ging um schlankere Prozesse, eine angepasste Organisationsstruktur und natürlich um den Einsatz neuer Technologien. In einigen Fällen ging es lediglich darum, dass wir die Einkaufstools, die wir bereits im Unternehmen hatten, besser in unsere alltäglichen Prozesse integrieren mussten, um von deren vollem Potenzial zu profitieren.

In der dritten Phase, in der wir uns inzwischen befinden, geht es darum, diese Transformation immer weiter voranzutreiben. Wir wollen weiterhin, wo immer möglich, Prozesse automatisieren. Ein wichtiger Meilenstein bei der Automatisierung wird beispielsweise eine einfach zu bedienende source-to-pay Plattform sein, mit der wir einen genauen Überblick über alle Einkaufsaktivitäten in allen Ländern haben, inklusive aller vor- und nachgelagerten Aktivitäten. Wir definieren auch unser Tail Spend Management neu, indem wir unseren Fachabteilungen integrierte Lösungen für eine einfachere Auftragsverwaltung über interne und externe Kataloge und Marktplätze anbieten. Dies führt zu neuen und spannenden Erfahrungen für die Kolleg:innen und verschafft dem Einkauf mehr Raum für strategische Initiativen und kontinuierliche Verbesserungen mit unseren Lieferanten.

Die Corona-Krise hat viele Unternehmen auf eine harte Probe gestellt. Wie robust hat sich der Einkauf von Coca Cola Hellenic inmitten seiner Transformation gezeigt?

Die Pandemie war ein Crashtest für unser Optimierungsprogramm. An vielen Punkten konnten wir sehen, dass wir bereits gut aufgestellt sind, in einigen gab es aber auch Verbesserungsbedarf. Wir konnten zum Beispiel dank der zuvor eingeführten Notfallmaßnahmen die Produktion in Österreich während der kompletten Krise aufrechterhalten. Die Situation hat dazu geführt, dass wir bei vielen Themen schnelle Entscheidungen treffen mussten. Im April 2020, als die Pandemie ihren ersten Höhepunkt erreichte, haben wir sehr kurzfristig auf elektronische Unterschriften bei allen internen und externen Dokumenten umgestellt, damit unser Geschäft reibungslos weiterlaufen konnte.

Was war die bisher größte Herausforderung während der Transformation?

Ich habe gelernt, dass man sich nicht in seinen Elfenbeinturm zurückziehen darf, um alleine einen Plan aufzustellen. Man kann die beste Strategie entwickelt haben und gute Analysen parat halten, aber solange man sich nicht den anderen Abteilungen abstimmt, erreicht man niemals die angestrebte Exzellenz.

Wir mussten ganz zu Beginn alle Stakeholder überzeugen, dass wir ein Umdenken brauchen und dass ein professionell aufgestellter Einkauf einen großen Wert haben kann. Wir haben mehrere, disziplinübergreifend Workshops für alle Ausgabenbereiche organisiert. Wir wollten alle Talente zusammenbringen, um die besten Lösungen in den Bereichen Kosten, Leistungen und Umsetzungsgeschwindigkeit zu finden. Entscheidend war es, die funktionale Expertise der Fachabteilungen mit dem Know-how der Data Analysten zu kombinieren. Strukturierte Daten und Modelle haben uns geholfen, Business Cases für die betreffenden Abteilungen aufzubauen, zu diskutieren und fundierte Entscheidungen zu treffen. Es gab einen detaillierten Projektplan, nach dem wir vorgegangen sind, klare Verantwortlichkeiten und festgelegte Timelines. Die komplexen Initiativen haben wir zunächst in einem kleineren Rahmen pilotiert, bevor wir sie im kompletten Umfang mit allen Funktionalitäten ausgerollt haben.

Welche Rolle spielte Ihr Einkaufsteam?

Unserem Procurement-Team kam wohl eine der entscheidendsten Rollen zu. Die Abteilung haben wir gerade zu Beginn zu einem Labor entwickelt, in dem wir neue Herangehensweisen, Best Practices, Methoden und Tools ausprobiert haben. Das war möglich, weil wir viele engagierte und enthusiastische Kolleg:innen hatten, die bei den Pilotprojekten mitmachen und diese weiter vorantreiben wollten. Es war außerdem wichtig, alle während der Umstellung möglichst eng mitzunehmen und ihre Fähigkeiten zu verbessern. Jetzt sind sie umso stolzer, dass der Einkauf komplett auf die Bedürfnisse unseres Unternehmens abgestimmt ist. Sie fühlen sich nun regelrecht als Wertschöpfungstreiber und haben dazu beigetragen, neue organisatorische Fähigkeiten zu schaffen und somit die Zusammenarbeit mit unseren internen Stakeholdern zu optimieren.

Sie haben in den vergangen Jahren viel Energie in die Transformation gesteckt. War es das wert?

Ja, unbedingt. Wir sind uns nun genau darüber im Klaren, welche strategische, welche taktische und welche operative Rolle der Einkauf im Unternehmen spielt. Es ist uns gelungen, unsere Prozesse abteilungsübergreifend zu standardisieren, egal in welcher Abteilung, wir bestellen nun immer nach der gleichen Vorgehensweise. Neue Arbeitsweisen und Source-to-Pay-Prozesse, die durch moderne Technologien unterstützt werden, bieten mehr Möglichkeiten für die Entwicklung unserer internationalen Talente an verschiedenen Standorten. So hat beispielsweise unsere neue Leiterin des Beschaffungssupports in Österreich, die für das effektive System, die Prozesse, die Einhaltung der Vorschriften und die Analysen zuständig ist, ihre Karriere in unserem Beschaffungsservicezentrum in Bulgarien begonnen.

Ich hoffe, dass wir in Zukunft noch mehr solcher Beispiele auf unserem Weg zur funktionalen Exzellenz erleben werden!

Herr Jeitschko, Big Data ist seit Jahren im Trend. Ist es mittlerweile mehr als nur ein Buzzword?

Es ist sicherlich mehr als ein Buzzword. Allerdings impliziert „Big“, dass es sich um große Datenvolumina handelt. Die meisten Unternehmen haben aber kein Volumenproblem, sondern ein Datenkomplexitätsproblem. Aus diesem Grund ist der Begriff „Big Data“ in den allermeisten Fällen irreführend.

Was bedeutet das konkret?

Firmen haben meist keine zentrale Datenhaltung sondern viele verschiedene Datenquellen in unterschiedlichen Formaten, aus denen es gilt, Mehrwert für Organisationen zu generieren. Das sind nicht zwangsweise riesige Datenmengen. Um diesen Datenschatz zu heben, sind Datenqualität, skalierbare Datenplattformen und benutzerfreundliche Analysewerkzeuge essenziell.

Das wird sich künftig kaum ändern?

Das ist richtig, denn es kommen immer neue Datenformate dazu. In vielen Fällen sind es Audio- oder Videofiles, die es gilt, mit strukturierten Informationen aus Datenbanken zu kombinieren. Zu den hauseigenen On-Premise Datenbanken kommen dann noch Cloudanwendungen hinzu. Dies erhöht wiederum die Komplexität der Datenintegration und Datenanalyse.

Könnten neue Technologien wie Machine Learning und Künstliche Intelligenz helfen?

Wir sehen klar, dass der Trend in diese Richtung geht. Die Konzepte hinter Machine Learning und KI sind ja nicht neu, sondern basieren auf Überlegungen, die teils aus den 1970er und 1980er Jahren stammen. Was sich verändert hat, sind die Rechnerleistung und der Preis für die Verarbeitung von Daten. Das ermöglicht heutzutage neue Chancen: So kann man mittels KI und den richtigen analytischen Werkzeugen Maschinengeräusche analysieren und frühzeitig erkennen, wann eine Maschine ausfällt. Diese Anwendungsfälle fallen in die Kategorie „Predictive Maintenance“. Andere Use Cases bei Bild- und Videoerkennung gehen in Richtung Sicherheit. Beispielsweise kann man mittels KI automatisiert erkennen, ob jemand an einer Tankstelle raucht oder ob jemand auf einer Baustelle entsprechende Sicherheitskleidung trägt, um ggf. Alarm auszulösen. Künftig werden wir immer mehr solcher Anwendungsfälle sehen.

Welchen Organisationen fällt es besonders schwer mit komplexen Daten umzugehen?

Ich durfte Projekte bei börsennotierten Konzernen wie auch kleinen Mittelständlern und Startups begleiten. Bei Datenprojekten spielt die Größe einer Organisation eine untergeordnete Rolle bei der Bewältigung von Datenkomplexität. Es gibt aber kulturelle Unterschiede beim Umgang mit Daten. In angloamerikanischen Gebieten findet ein anderer Umgang mit Daten statt als beispielsweise in Österreich, Deutschland oder der Schweiz. Der berechtigte Wunsch nach Datenschutz wird gerne als Ausrede verwendet, um Datenprojekte erst gar nicht anzugehen. Besonders jene Organisationen, die teilweise Jahrzehnte in den Aufbau ihrer IT Infrastruktur investiert haben, leiden heute unter „digitalen Altlasten“. Im Banken- und Versicherungssektor beispielsweise findet man nicht selten Systeme vor, die vor 40 Jahren eingeführt wurden. Es muss aber klar sein: Die Aufgaben von heute lassen sich nicht mit den Methoden und der Infrastruktur von 1970 lösen. Andere Branchen wie Retail, Telekom und Logistik haben dies bereits erkannt und nehmen hier eine Vorreiterrolle ein.

Wie lassen sich Probleme mit solchen Altlasten lösen?

Wichtig ist, dass Organisationen eine Digitalisierungsstrategie haben. Davon abgeleitet auch eine Datenstrategie. Diese Strategie muss vom Topmanagement getragen und getrieben werden und beispielsweise von einem „Center of Excellence“ konsequent umgesetzt werden. Das bedeutet auch: Ich muss Altbekanntes über Bord werfen und setze IT Strukturen womöglich völlig neu auf. Das ist aus Risikogesichtspunkten aber nicht in jedem Fall möglich und so ist es wichtig, dass sich neue Technologien im Cloud Bereich in die bestehende IT Infrastruktur möglichst gut integrieren und einander ergänzen. Diese Hybrid Cloud Anwendungsszenarien werden uns noch lange Zeit begleiten.

Was raten Sie Organisationen, wenn Sie Datenprojekte angehen?

Es bringt nichts, aufwendig eine Dateninfrastruktur aufzubauen, wenn sie am Ende das jeweilige Problem nicht löst. Es braucht also zuerst eine konkret definierte Problem- oder Fragestellung, dann eine Lösungsidee und erst danach die einzelnen technischen Komponenten, um den jeweiligen Anwendungsfall sinnstiftend lösen zu können.

Woran scheitern heute noch die meisten Datenprojekte?

Datenprojekte scheitern aus zwei wesentlichen Gründen: Der Erste ist das entsprechende Skillset der eigenen Mitarbeiter:innen. Das Management muss verstehen, welche Möglichkeiten digitale Geschäftsmodelle bieten und Mitarbeiter:innen die Möglichkeit geben, sich gezielt weiterzubilden. Microsoft unterstützt Organisationen in diesem Bereich beispielsweise mit der „Enterprise Skills Initiative“ – einem individuell auf die Organisationsbedürfnisse zugeschnittenen Aus- und Weiterbildungsprogramm.

Und der zweite Grund?

Der zweite Grund ist eine fehlende Digitalisierungsstrategie oder eine, die nur auf dem Papier existiert und im Unternehmen nicht gelebt wird. Es ist essenziell, dass die Mitarbeiter:innen einer Organisation bei der Umsetzung der Strategie eng eingebunden werden. Wichtig dabei ist zu bedenken, dass Digitalisierungs- und Datenprojekte keine reinen IT Projekte sind. Die jeweiligen Fachexpert:innen aus den Business Abteilungen müssen eng mit ihren IT Kolleg:innen und Spezialist:innen wie z. B. Data Scientists zusammenarbeiten. Anderenfalls sind Datenprojekte erfahrungsgemäß zum Scheitern verurteilt.