Traditionelle Nachhaltigkeitsaudits bei Lieferanten zeigen einem Käufer, was schiefgelaufen ist, sind aber teuer, wenn sie über Tausende von Lieferanten skaliert werden sollen. Philips brauchte einen Weg, die Leistung mit begrenzten Daten zu verbessern, und nicht nur mehr Fabriken zu inspizieren.
Der CARE-Rahmen formulierte das Problem neu als Erfassen, Bewerten, Reagieren und Verbessern. Maschinelles Lernen leitete Nachhaltigkeitsniveaus aus allgemeinen Lieferanteninformationen wie Standort, Größe und Branche ab; eine Optimierung wählte dann Verbesserungsmaßnahmen aus.
Philips nutzte den Rahmen in seinem Lieferantenprogramm. Die veröffentlichte Studie berichtet für 2021 von einer Verbesserung der Nachhaltigkeitsleistung um 24 % im Jahresvergleich bei Lieferanten, die 2020 in das Programm aufgenommen wurden.
Audits in Verbesserungssteuerung umwandeln
Selbsteinschätzungen von Lieferanten sind billig genug, um eine viel größere Basis abzudecken als wiederholte Audits.
Die Vorhersage aus allgemeinen Lieferantenattributen ermöglicht es dem Käufer, knappe Expertenaufmerksamkeit zu bündeln.
Die Optimierung verwandelt Risikobewertungen in Handlungsentscheidungen statt in Dashboards.
Das Programm misst Verbesserungen, nicht nur Compliance-Verstöße.
Ein Lieferantenprogramm lässt sich besser skalieren, wenn Analytik entscheidet, wo Hilfe das Verhalten ändert, statt nur nach Audits Verstöße zu finden.
Der CARE-Ansatz bot Philips eine skalierbare Alternative zum audit-orientierten Lieferantenmanagement. Die berichtete Verbesserung von 24 % im Jahr 2021 unter den eingeschriebenen Lieferanten stützt die Argumentation für eine proaktive, analytikgesteuerte Lieferantenentwicklung.
DEN BELEGEN FOLGEN
Die Quellen
- Stop Auditing and Start to CARE INFORMS Journal on Applied Analytics via IDEAS/RePEc · ideas.repec.org