لديها تصنيف الإنفاق جيدان للعملاء

التصنيف الجيد للإنفاق لديه عملاءان: الأشخاص الذين يحتاجون إلى استخدامه ، والنماذج التي تحتاج إلى تصنيفها.

معظم القادة يفهمون التصنيف على أنه هيكل تصنيفي – طريقة لتنظيم ما ينفقونه في فئات ذات معنى. في الواقع ، إنه أكثر من ذلك بكثير من إطار تقرير. إنه يؤثر على كيفية تفسير الأشخاص للإنفاق ، وكيف يتشكل إلى بيانات ، وكيف يؤثر بشكل متزايد على كيفية تصنيف الأنظمة وتنظيم البيانات وتوليد Informationen.

هذا هو الجزء من تنفيذ الرؤية الذي غالباً ما يتم تقليله. يتم عادةً معاملة التصنيف على أنه خطوة إعداد. تعريف الهيكل ، وتحميله إلى المنصة ، وربطه بالإنفاق ، والانتقال إلى الأمام. لكن تبني الذكاء الاصطناعي في الشراء يتسارع ؛ في عام 2025 ، خطط 80٪ من مسؤولي الشراء لتطبيق الذكاء الاصطناعي التوليدي في غضون ثلاث سنوات. لم يكن لديهم سوى 36٪ تنفيذًا ذا معنى.

في الواقع ، التصنيف هو حيث يبدأ الفجوة. إنه يصبح لغة الأعمال التي تفهم الإنفاق ، وواحدة من أهم المدخلات إلى التصنيف القائم على الذكاء الاصطناعي. إذا فشل في كلا الجمهورين ، فإن التأثير المتدفق يظهر بسرعة: قبول سيئ ، وثقة أقل ، ونماذج أكثر صعوبة في التعديل مما ينبغي.

مشكلة التبني

对于 المستخدمين ، تصميم التصنيف هو vấnة إدارة التغيير. يحتاج مديرو الفئات ، وأفرقة الشراء ، ومستخدمو المالية ، والتنفيذيين إلى النظر إلى فئات الإنفاق وفهم ما تعنيه بدون طبقة ترجمة.

العناوين المضطربة تجعل ذلك أكثر صعوبة. كما يفعل ذلك الاختصارات الداخلية ، وأسماء الفئات الغامضة ، والفئات المتكررة ، ومستويات التفاصيل غير المتسقة عبر الهيكل. يمكن لصندوق الإنفاق تصنيف المعاملات بشكل صحيح وإنشاء تجربة مستخدم سيئة إذا لم يتمكن المستخدمون من تفسير الفئات. وجدت جارتنر أن 63٪ من المنظمات إما لا تمتلك أو لا تعتقد أن لديها ممارسات إدارة البيانات المناسبة للذكاء الاصطناعي ، وتتنبأ بأن 60٪ من مشاريع الذكاء الاصطناعي التي لا تدعمها بيانات جاهزة للذكاء الاصطناعي سوف يتم التخلي عنها في عام 2026.

هنا هو المكان الذي تحتاج إليه مدخلات فريق الفئة. يفهم الأشخاص الذين يديرون الفئات كيف يتم شراء الإنفاق ، وتفاوضه ، والعمل عليه. يعرفون ما إذا كانت الفئة مفيدة ، وما إذا كان الفرق مهمًا ، وما إذا كانت العلامة تعكس كيفية حديث الأعمال حول الإنفاق.

لكن هذه المدخلات تحتاج إلى حماية. لا يمكن لفريق الفئة التصميم في العزلة.

فريق المرافق قد يرغب في تفاصيل sâu لكل نوع من الخدمات: العمالة ، والمواد ، ونوع الأصول ، ونوع الإصلاح ، وتواتر الخدمة. قد يفضل فريق تكنولوجيا المعلومات فئات واسعة مثل الأجهزة ، والبرمجيات ، والخدمات. قد يكون كلا المنظورين معقولاً داخل وظيفتهما. لا ينبغي أن يصبح أي منهما مبدأ التصميم الافتراضي للتصنيف الكلي للمؤسسة.

يجب على فريق مركزي إنشاء الإطار. كم عدد مستويات التصنيف التي يجب أن يكون لها؟ أين يخلق المزيد من التفاصيل رؤية شراء أفضل؟ أين يخلق الضوضاء؟ أي العلامات ستكون واضحة لل非متخصصين؟ أي الفئات تحتاج إلى الفصل ، وأيها يجب أن تظل متراكمة؟

التصنيف الجيد ليس الإصدار الأكثر تفصيلاً من تفضيلات كل فريق فئة. إنه لغة مشتركة تستخدمها المؤسسة لفهم الإنفاق بشكل متسق.

مشكلة الذكاء الاصطناعي

يجب أن يعمل نفس التصنيف أيضًا للذكاء الاصطناعي.

في التصنيف القائم على الذكاء الاصطناعي ، العلامات والتعريفات ليست فقط وثائق. إنها تصبح جزءًا من الإشارة المستخدمة لتصنيف المعاملات. إذا كانت الفئتان لديهما علامات أو تعريفات غامضة أو متداخلة ، فإن النموذج له أساس أقل لاختيار أحدهما على الآخر. إذا كان التعريف слишком عامًا ، فقد يطابق بشكل مفرط. إذا استخدم لغة لم تظهر في البيانات ، فقد لا يطابق على الإطلاق.

هذا ليس مجرد vấnة نضج النموذج. إنه vấnة تصميم التصنيف.

تصميم التصنيف الجيد يعطي النموذج أهدافًا أنظف. يجب أن تكون الفئات متميزة ، ويمكن وصفها ، ويمكن التعرف عليها في البيانات الأساسية ، وواضحة حول ما ينتمي وما لا ينتمي. النقطة الأخيرة مهمة. لغة الإدراج تخبر النموذج ما يبحث عنه. تساعد لغة الإستثناء على فصل الفئات المجاورة التي قد تشترك في مفردات مشابهة.

نظر إلى مجالات مثل صيانة المرافق ، و MRO ، وخدمات المباني ، وإصلاح المعدات ، واللوازم الصناعية العامة. يمكن أن تتداخل هذه الفئات بسهولة. قد يفهم محرر بشري الفرق المقصود من السياق. النموذج يحتاج إلى إشارة أوضح.

ما يبدو عليه تصميم التصنيف الأفضل

أفضل عمل التصنيف ليس بالكامل يدويا ، وليس بالكامل آليا. إنه نهج هجين.

ابداً بإطار مركزي. حدد اتفاقيات التسمية ، وعمق الهيكل ، والفئات البديلة ، ومستوى التفاصيل المطلوبة للاتخاذ القرارات. ثم أحضر فريق الفئة لاختبار الهيكل ضد كيفية إدارة الإنفاق في الواقع.

من هناك ، اكتب تعريفات عملية ، وليس أكاديمية. يجب أن يقول التعريف المفيد ما ينتمي ، وما لا ينتمي ، وما اللغة التي من المحتمل أن تظهر في البيانات. أسماء البائعين ، وأسماء المنتجات ، ووصف الخدمات ، والاختصارات الشائعة يمكن أن تهم جميعًا عندما تستخدم بحذر.

ثم اختبار التصنيف ضد معاملات حقيقية. استعراض أمثلة الإنفاق العالي. استعراض مطابقات منخفضة الثقة. ابحث عن فئات تختطف الإنفاق لأن تعريفاتها واسعة جدًا. ابحث عن فئات لا تطابق لأن تعريفاتها لا تستخدم المفردات الموجودة في مصدر البيانات.

هنا هو المكان الذي يكون فيه الذكاء الاصطناعي قيمًا. يمكنه أن يظهر الأنماط ، وقياس الثقة ، وتحديد المطابقات الغامضة ، ومساعدة الفرق على تحديد أين يحتاج إلى تعديل.

دروس التنفيذ

يستحق بناء التصنيف وقتًا أكثر مما يُمنح عادةً في خطة المشروع.

التنفيذ السريع لهذا الخطوة يخلق مشكلتين متوقعتين. الأولى هي قبول سيئ. لا يثق المستخدمون في صندوق الإنفاق عندما لا تتطابق الفئات مع كيفية تفكيرهم في الإنفاق أو عندما يشعر الهيكل بالتناقض عبر الفرق.

المشكلة الثانية هي أداء نموذج سيئ. يصبح التصنيف أكثر صعوبة عندما تكون الفئات المستهدفة غامضة أو مكررة أو غير متصلة بلغة البيانات.

لا تُحل أي من هذه المشكلات ببساطة بتطبيق المزيد من الذكاء الاصطناعي. يجب أن يكون الأساس صحيحًا. هذا هو نفس النمط الذي يظهر عبر مشاريع الذكاء الاصطناعي للشركات بشكل عام: معظم فشل مشاريع الذكاء الاصطناعي يعود إلى أساس بيانات لم يكن جاهزًا ، وليس إلى النماذج نفسها.

التصنيف القوي يحكم مركزيًا ، ويستند إلى خبراء الفئة ، ويتحقق من البيانات الحقيقية ، ويتحسن من خلال ملاحظات النموذج ، ويحافظ عليه مع مرور الوقت. إنه ليس ملف إعداد لمرة واحدة. إنه جزء أساسي من نموذج تشغيل الرؤية.

التصنيف ليس تنظيفًا إداريًا. إنه أساس الثقة في صندوق الإنفاق. ويتزايد بشكل متزايد ، إنه أيضًا أساس كيفية تصنيف الذكاء الاصطناعي وتفسيره وتحسين بيانات الشراء مع مرور الوقت.