Betrug in Einkaufsvergaben ist ein bekanntes Thema. In den 2000er Jahren kam es in Deutschland zum sogenannten “Vergabeskandal”. Dabei wurden zahlreiche Fälle von illegalen Absprachen und Korruption bei der Vergabe öffentlicher Aufträge aufgedeckt. Dabei waren sowohl Unternehmen als auch öffentliche Bedienstete in die Manipulation von Vergabeverfahren verwickelt. Dies führte zu erheblichen finanziellen Schäden für die öffentliche Hand und hatte weitreichende Konsequenzen für die beteiligten Unternehmen und Personen. Und wettbewerbswidrige Preisabsprachen oder andere Formen des Betrugs sind nicht auf den öffentlichen Sektor beschränkt. Es ist sehr wahrscheinlich, dass z.B. bei Großaufträgen in der Automobilindustrie oder auch bei großen Bauaufträgen in der Privatwirtschaft ein solches Verhalten im Einzelfall ebenfalls anzutreffen ist. Der Anreiz für Anbieter, Preise hinter verschlossenen Türen abzusprechen, ist jedenfalls immer vorhanden und umso größer, je größer die Vergabevolumina sind. Hier können Machine Learning Algorithmen helfen.
Machine Learning deckt rechtswidriges Verhalten bei großvolumigen Vergaben auf
Ausgangspunkt für jeden Machine Learning Algorithmus zur Aufdeckung von Betrugsfällen sind historisch nachgewiesene Betrugsfälle. Gebote aus Verfahren, in denen es nachweislich zu Preisabsprachen gekommen ist, zeigen ein statistisch anderes Verhalten als Gebote aus Verfahren ohne Preisabsprachen. Durch die Identifikation von Betrugsfällen können daher maschinelle Lernalgorithmen trainiert werden. Im nächsten Schritt kann der trainierte Algorithmus auf einen anderen, neuen Datensatz angewendet werden (siehe unten für weitere technische Details zu den möglichen Machine Learning Algorithmen).
Der Einsatz dieser Algorithmen des maschinellen Lernens hat langfristig eine Reihe von Vorteilen. Der offensichtlichste Vorteil ist die langfristige Reduzierung von Betrugsfällen in großen Vergabeverfahren. Wenn ich als Lieferant weiß, dass mich ein Machine Learning Modell nicht nur sofort bei einer Vergabe als Betrüger entlarven kann, sondern ggf. auch noch in einigen Jahren, werde ich von einer möglichen Preisabsprache eher Abstand nehmen. D.h. die Anzahl der Betrugsfälle wird durch den Einsatz dieser Technologie zweifellos zurückgehen.
Außerdem werden die Verhandlungsergebnisse besser. Preisabsprachen zwischen Lieferanten zielen darauf ab, einen harten Bieterwettbewerb mit entsprechend aggressiven Preisen zu verhindern. Wenn es weniger solcher Betrugsfälle gibt, werden letztlich auch aus Sicht des Einkaufs bessere Preise erzielt.
Mit diesen Tools erhalten die im Einkauf oft gescholtenen Compliance-Abteilungen ein wirklich mächtiges neues Instrumentarium. Die Compliance-Abteilung steht oft zu Unrecht in dem Ruf, dem Einkauf das Leben schwer zu machen. Das ist zum Beispiel der Fall, wenn Weihnachtsgeschenke von Lieferanten überprüft werden. Mit diesen Algorithmen wird die Compliance-Abteilung aber zum Verbündeten des Einkaufs. Verdächtige Vergabevorgänge können untersucht werden und gegebenenfalls sogar Argumente für den Einkauf liefern, dass der angebotene Preis verdächtig hoch ist.
Schlägt der Algorithmus Alarm, kann der Einkauf proaktiv auf den Lieferanten zugehen und auf das verdächtige Verhalten hinweisen. Nur die skrupellosesten Lieferanten werden sich durch eine Ansprache à la “Wir sehen, was du tust” nicht disziplinieren lassen. Das erwartete Ergebnis sind bereits kurzfristig höhere Einsparungen.
Strategische Einkäufer können die Erkenntnisse der Algorithmen nutzen, um ihre Warengruppenstrategien anzupassen. Sehen die Angebote der Lieferanten verdächtig aus, müssen neue Lieferanten in die Warengruppe aufgenommen werden. Stößt dies auf Skepsis in anderen Fachabteilungen, die die Aufnahme neuer Lieferanten aus Ressourcenmangel gerne ablehnen, werden zusätzliche Argumente geliefert. Darüber hinaus können auffällige Lieferanten mit einem Malus bei folgenden Vergaben sanktioniert werden.
Rechtliche Schritte gegen einen Lieferanten sollten nur die Ultima Ratio sein. Da man in den meisten Branchen immer wieder auf die gleichen Akteure trifft, sollte m.E. grundsätzlich eine außergerichtliche Einigung angestrebt werden, selbst wenn der Algorithmus mal anschlägt.
Die Algorithmen lassen sich auf viele andere Betrugsfälle anwenden
Neben der Aufdeckung wettbewerbswidriger Preisabsprachen gibt es eine Reihe weiterer Anwendungsmöglichkeiten. Dazu zählen beispielsweise die Aufdeckung von Bestechungszahlungen im Einkauf oder von unzulässigen Kickback-Zahlungen.
Algorithmen können auch eingesetzt werden, um Manipulationen im Vergabeverfahren aufzudecken. Diese Manipulationen können sowohl vom internen Einkauf als auch von den Lieferanten ausgehen. Beispielsweise kann der Einkauf Vergaben manipulieren, indem er die Vergabe bewusst viel zu spät öffentlich macht. So hat nur der insgeheim informierte Lieblingslieferant eine faire Chance.
Weit verbreitet sind so genannte Split-Purchases. Da z.B. ab einem bestimmten Vergabewert mindestens drei Lieferanten angefragt werden müssen, wird das Vergabevolumen gerne in kleinere Lose aufgeteilt. So kann der gesamte Kuchen in kleineren Stücken an den bevorzugten Lieferanten gehen.
Eine andere Form der Manipulation sind bewusst wettbewerbsbehindernde Überspezifikationen. Nimmt man die technische Lösung des bevorzugten Lieferanten als Vorlage für das Lastenheft einer Ausschreibung, ist klar, wer am Ende am ehesten den Zuschlag erhält.
Ein weiteres Problem in großen und internationalen Konzernen ist, dass z.B. der autonome Einkauf eines entlegenen Werkes Einkäufe tätigt, für die gar kein Bedarf besteht. Dies ist im Zusammenhang mit Vetternwirtschaft häufig anzutreffen. Auch hier bieten maschinelle Lernalgorithmen eine Möglichkeit der Aufdeckung.
Interessenkonflikte sind auch bei der Vergabe von Großaufträgen denkbar. Profitiert ein Mitarbeiter des einkaufenden Unternehmens von der Beauftragung eines bestimmten Lieferanten? Gibt es beispielsweise verwandtschaftliche Beziehungen, die einen solchen Interessenkonflikt begründen könnten? Auch hier können Algorithmen helfen.
Die Liste der Anwendungsmöglichkeiten kann weiter fortgesetzt werden. Ob es um die Vermeidung des Sourcings von Briefkastenfirmen geht oder darum, die Wahrscheinlichkeit von Daten Leaks bei einem Lieferanten zu minimieren, die Methoden des Machine Learnings können helfen. Sobald einer der genannten Betrugsfälle nachgewiesen ist, kann man mit dem Trainieren des Algorithmus beginnen und weitere verdächtige Fälle identifizieren.
Großes Portfolio an Machine Learning Algorithmen verfügbar
Der folgende Teil ist nur noch für technisch interessierte Nerds ;). Es geht darum, die verfügbaren Methoden kurz aufzulisten. Der interessierte Leser kann sich dann in die weitere Recherche stürzen. Siehe dazu auch die Grafik.
Gütemaße geben die Effizienz eines Machine Learning Algorithmus an
Die Fähigkeit eines maschinellen Lernalgorithmus, Betrug zu erkennen, wird durch eine Reihe verschiedener Gütemaße gemessen. Zum einen gibt es die sogenannte Accuracy. Sie misst den Anteil der richtig klassifizierten Angebote. Hier gilt ein Wert von 80% oder mehr als gut.
Weitere Gütemaße sind die sogenannten False Negatives (FN) und False Positives (FP). Ein FN würde vorliegen, wenn ein betrügerisches Angebot fälschlicherweise als einwandfreies Verhalten eingestuft wird. Hier sollte ein effizienter Algorithmus einen Wert von <10% erreichen. Bei FP sollte der Wert noch niedriger sein, z.B. <5%. Bei einer FP wird ein einwandfreies Angebot fälschlicherweise als betrügerisch eingestuft. Da hier also einem redlichen Bieter betrügerisches Fehlverhalten unterstellt wird, sollten besonders niedrige Werte angestrebt werden.
Das letzte Qualitätsmaß ist die Aufdeckungsrate. Sie gibt an, mit welcher Wahrscheinlichkeit betrügerische Gebote erkannt werden. Ein effizienter Algorithmus sollte eine Erkennungsrate von >90% erreichen.
