Forsyningskjedeperspektiv:

Viktige steg mot en risiko- og databasert tilnærming for å styrke forsyningskjedens robusthet

I dagens globaliserte verden er forsyningskjeder ryggraden i den moderne økonomien. Samtidig er de svært sårbare for forstyrrelser. For å møte disse utfordringene effektivt, vender et økende antall organisasjoner seg til kraften i dataanalyse. Å bygge prosesser og systemer som kan håndtere et bredt spekter av forsyningskjederisikoer krever fokus og engasjement. Følgende tre trinn hjelper innkjøpsteam med å bevege seg i riktig retning.

1. Revisjon og opprydding av leverandørens masterdata

Nøyaktige og oppdaterte data er avgjørende for å ta solide, evidensbaserte beslutninger. Å vedlikeholde disse dataene krever kontinuerlig tilsyn og en klar forståelse av hvem leverandørene dine er, hvor de opererer, hvem leverandørene deres er, og hvordan disse relasjonene kan endre seg over tid – sammen med bevissthet om levedyktige alternativer. 

Når man implementerer en risiko- og datadrevet tilnærming, bør målet være å skape et miljø der masterdata er rene, integrerte og sporbare. Dette kan innebære å bygge en relevant datapool fra bunnen av, eller, som oftere er tilfellet, rense, strukturere og kategorisere eksisterende data. Med dette fundamentet på plass kan organisasjoner gjøre velinformerte, risikobaserte vurderinger støttet av pålitelige data.

2. Kombiner din risikobaserte tilnærming med en databasert tilnærming for å skape effektivitet

Det andre steget er å systematisk vurdere ulike typer risiko og identifisere de som er mest relevante for virksomheten din. Innkjøpsansvarlige (CPO-er) bør definere både sannsynligheten for at disse risikoene oppstår og deres potensielle konsekvenser for hver leverandør. Et godt utgangspunkt er en matrise som er så enkel og transparent som mulig, og som gjør det mulig å besvare nøkkelspørsmål med et blikk: 

• Hvilke forretningsforbindelser er mest avgjørende for selskapets suksess, og hvilke leverandører er involvert? 
• Hvilke risikofaktorer gjelder? 
• Hvor sannsynlig er det at disse risikoene vil materialisere seg?

Basert på denne matrisen kan en datadrevet tilnærming deretter utvikles. Følgende hensyn er spesielt viktige: 

• Hvilken informasjon kreves for å vurdere relevante risikoer, og hvilke data er allerede tilgjengelige (inkludert interne og eksterne kilder)? 
• Hvor god er kvaliteten på denne informasjonen—for eksempel når det gjelder aktualitet, fullstendighet, konsistens, porteføljedekning og pålitelighet? 
• Hvor tilgjengelig er informasjonen? 
• Hvor ofte samles data inn og oppdateres, inkludert tilgjengeligheten av sanntidsdata? 
• Hvor skalerbar er bruken av data? 

Skalerbarhet er en nøkkelfaktor for å bygge en langsiktig, fremtidssikker tilnærming til databasert risikostyring. Det gjør det mulig for organisasjoner å starte med enkle, raskt implementerbare løsninger og gradvis utvide både omfang og kompleksitet. Samtidig gjør skalerbarhet det mulig å anvende ulike datasett på ulike leverandørrisikoer – i tråd med den risikobaserte tilnærmingen – og etablerer effektivt en dataøkonomi. 

Nøkkelaspekter ved skalerbarhet inkluderer: 

• Modularitet: muligheten til å velge og kombinere data for å vurdere risikoer relevante for spesifikke leverandørgrupper. 
• Variasjon i datadybde: bruk av enkle indikatorer og KPI-er for automatisk å vurdere leverandører med lavt risikopotensial, samtidig som man anvender mer omfattende due diligence for komplekse eller strategiske beslutninger. 
• Ulike integrasjonsnivåer: selv om fullt integrerte system- eller applikasjonsløsninger er den mest effektive måten å analysere og håndtere risiko automatisk på, er de sjelden utgangspunktet. Nettleserbaserte løsninger som støtter ad hoc-innsikt og porteføljeanalyse kan være svært effektive, spesielt når de kombineres med utvalgte interne leverandørdata. 

Enhver senere, mer dypt integrert løsning bør bygge videre på og utvide eksisterende datamodeller. Datakonsistens er avgjørende: moderne risikostyring utvikler seg over tid. Innledende løsninger fokuserer vanligvis på de mest presserende risikoene og de mest kritiske leverandørene, ofte med begrenset integrasjon. Etter hvert som modenheten øker, blir kravene mer komplekse og strekker seg over flere innkjøpsprosesser og integrerte systemer. Å sikre datakonsistens gjennom hele denne reisen bidrar til å forhindre hull i risikovurderingen. 

Tidlige varslingssystemer og benchmarking

En datadrevet tilnærming bør suppleres av et tidlig varslingssystem som øker automatiseringen, reduserer behovet for manuelle kontroller og retter oppmerksomheten mot relevante risikoer og hendelser. Individuelle datapunkter, eller triggere, kan defineres med klare terskler. I tillegg kan overvåking av endringer over tid og analyse av trender i tidsseriedata ytterligere styrke tidlige varslingsmuligheter. 

Å introdusere benchmarks—enten innenfor en peer-gruppe eller på tvers av ulike peer-grupper—støtter også kontinuerlig overvåking og optimalisering av risikostyring. Dette skaper en lukket forbedringsprosess og går direkte inn i den pågående utviklingen av risiko- og databaserte tilnærminger. 

3. Definere din risikotoleranse

Det siste steget er å definere organisasjonens risikovillighet – risikonivået den er villig til å akseptere eller tolerere når den samarbeider med tredjeparter. Risikotoleranse formes vanligvis av en kombinasjon av faktorer, inkludert: 

• Organisasjonens mål og hensikter 
• Dens vilje til å ta risiko i jakten på disse målene 
• Dens evne til å absorbere potensielle tap 
• Gjeldende regulatoriske krav 
• Interessentenes forventninger, inkludert aksjonærers, kunders og ansattes forventninger 

Risikotoleranse kan ikke generaliseres. Den må tilpasses de spesifikke behovene, prioriteringene og omstendighetene i hver organisasjon. Proporsjonalitet avhenger i stor grad av virksomhetens natur, de involverte interessentene, og i hvilken grad risiko kan påvirke dem. 

Ulike bransjer står overfor ulike risikoprofiler og regulatoriske press. Legemiddelprodusenter, for eksempel, er vanligvis utsatt for et bredere spekter av regulatoriske risikoer og mer alvorlige potensielle konsekvenser enn produsenter av forbruksvarer. Som et resultat kan de operere med lavere risikotoleranse i sine daglige aktiviteter.