Ένας Καλός Φορολογικός Κατάλογος Έχει Δύο Πελάτες

Ένας καλός φορολογικός κατάλογος έχει δύο πελάτες: τους ανθρώπους που πρέπει να το χρησιμοποιήσουν και τα μοντέλα που πρέπει να ταξινομήσουν ενάντια σε αυτό.

Οι περισσότεροι ηγέτες κατανοούν τον κατάλογο ως μια δομή κατηγοριών – έναν τρόπο για να οργανώσουν αυτό που δαπανούν σε σημαντικές κατηγορίες. Στην πραγματικότητα, είναι πολύ περισσότερο από ένα πλαίσιο αναφοράς. Σχηματίζει τον τρόπο με τον οποίο οι άνθρωποι ερμηνεύουν αυτή τη δαπάνη, τον τρόπο με τον οποίο διαμορφώνεται σε δεδομένα και όλο και περισσότερο επηρεάζει τον τρόπο με τον οποίο τα συστήματα AI κατηγοριοποιούν, αναλύουν και παρέχουν πληροφορίες από αυτά τα δεδομένα.

Αυτό είναι το μέρος της εφαρμογής της ορατότητας της δαπάνης που συχνά υποτιμάται. Ο κατάλογος συνήθως αντιμετωπίζεται σαν ένα βήμα εγκατάστασης. Ορίστε την ιεραρχία, φορτώστε την στην πλατφόρμα, αντιστοιχίστε τη δαπάνη και συνεχίστε. Αλλά η υιοθέτηση του AI στην αγορά προώθησης επιταχύνεται· το 2025, το 80% των CPOs σχεδίαζε να αναπτύξει γεννητικό AI εντός τριών ετών. Μόνο το 36% είχε σημαντικές εφαρμογές.

Στην πραγματικότητα, ο κατάλογος είναι συνήθως εκεί που αρχίζει αυτή η διαφορά. Γίνεται η γλώσσα που η επιχείρηση χρησιμοποιεί για να κατανοήσει τη δαπάνη και μια από τις πιο σημαντικές εισόδους στο AI-κίνητο ταξινόμημα. Αν αποτύχει σε οποιοδήποτε από τους δύο πελάτες, το πρόβλημα εμφανίζεται γρήγορα: κακή υιοθέτηση, χαμηλή εμπιστοσύνη και μοντέλα που είναι πιο δύσκολα να ρυθμιστούν από ό,τι πρέπει να είναι.

Το Πρόβλημα Υιοθέτησης

Για τους χρήστες, ο σχεδιασμός του καταλόγου είναι ένα ζήτημα διαχείρισης αλλαγών. Οι διαχειριστές κατηγοριών, οι ομάδες προμηθειών, οι χρηστές οικονομικών και οι εκτελεστές πρέπει να κοιτάξουν τις κατηγορίες δαπάνης και να κατανοήσουν τι σημαίνουν χωρίς ένα στρώμα μετάφρασης.

Οι ακατάστατοι etiquettes κάνουν αυτό το ζήτημα πιο δύσκολο. Το ίδιο συμβαίνει και με τα εσωτερικά ακρωνύμια, τις αμφίβολες ονόματα κατηγοριών, τις επαναλαμβανόμενες κατηγορίες και τις ασυνεπείς επίπεδα λεπτομέρειας σε όλη την ιεραρχία. Ένας κύβος δαπάνης μπορεί να ταξινομήσει σωστά τις συναλλαγές και να δημιουργήσει ακόμα μια κακή εμπειρία χρήστη αν οι χρήστες δεν μπορούν να ερμηνεύσουν τις κατηγορίες. Η Gartner βρήκε ότι το 63% των οργανισμών είτε δεν έχουν είτε δεν είναι βέβαιοι ότι έχουν τις σωστές πρακτικές διαχείρισης δεδομένων για το AI, και προβλέπει ότι μέχρι το 2026, το 60% των προγραμμάτων AI που δεν υποστηρίζονται από δεδομένα AI-έτοιμα θα εγκαταλειφθούν.

Αυτό είναι εκεί που οι εφαρμογές χρειάζονται εισροή από τις ομάδες κατηγοριών. Οι άνθρωποι που διαχειρίζονται τις κατηγορίες κατανοούν πώς η δαπάνη προμηθεύεται, διαπραγματεύεται και ενεργεί. Ξέρουν αν μια κατηγορία είναι χρήσιμη, αν μια διάκριση έχει σημασία και αν μια ετικέτα αντανακλά τον τρόπο με τον οποίο η επιχείρηση μιλάει πραγματικά για τη δαπάνη.

Αλλά αυτή η εισροή χρειάζεται φραγμούς. Κάθε ομάδα κατηγοριών δεν μπορεί να σχεδιάσει σε απομόνωση.

Μια ομάδα Facilities μπορεί να θέλει λεπτομέρειες για κάθε τύπο υπηρεσίας: εργασία, υλικά, τύπος περιουσίας, τύπος επισκευής και συχνότητα υπηρεσίας. Μια ομάδα IT μπορεί να προτιμά ευρείες κατηγορίες όπως Hardware, Software και Υπηρεσίες. Και οι δύο απόψεις μπορεί να έχουν νόημα μέσα στην ίδια λειτουργία. Κανένα από αυτά δεν πρέπει να γίνει η αρχή σχεδιασμού για τον πλήρη κατάλογο της επιχείρησης.

Μια κεντρική ομάδα πρέπει να δημιουργήσει το πλαίσιο. Πόσα επίπεδα πρέπει να έχει ο κατάλογος; Πού η μεγαλύτερη λεπτομέρεια δημιουργεί καλύτερη έμπνευση για προμήθεια; Πού δημιουργεί θόρυβο; Ποίες ετικέτες θα είναι σαφείς για μη ειδικούς; Ποίες κατηγορίες πρέπει να χωριστούν και ποίες πρέπει να παραμείνουν συντηρημένες;

Ένας καλός κατάλογος δεν είναι η πιο λεπτομερής εκδοχή των προτιμήσεων κάθε ομάδας κατηγοριών. Είναι η κοινή γλώσσα που η επιχείρηση χρησιμοποιεί για να κατανοήσει τη δαπάνη με συνέπεια.

Το Πρόβλημα του AI

Ο ίδιος κατάλογος πρέπει επίσης να λειτουργήσει για το AI.

Στην ταξινόμηση που οδηγείται από το AI, οι ετικέτες και οι ορισμοί δεν είναι απλώς έγγραφα. Γίνονται μέρος του σήματος που χρησιμοποιείται για να ταξινομήσει τις συναλλαγές. Αν δύο κατηγορίες έχουν αμφίβολες ή перекrýοντας ετικέτες, το μοντέλο έχει λιγότερη βάση για να επιλέξει το ένα από το άλλο. Αν ένας ορισμός είναι πολύ γενικός, μπορεί να υπερ-ταξινομήσει. Αν χρησιμοποιεί γλώσσα που δεν εμφανίζεται στα δεδομένα, μπορεί να μην ταξινομήσει καθόλου.

Αυτό δεν είναι απλώς ένα ζήτημα ωριμότητας του μοντέλου. Είναι ένα ζήτημα σχεδιασμού του καταλόγου.

Ο καλός σχεδιασμός του καταλόγου δίνει στο μοντέλο καθαρότερους στόχους. Οι κατηγορίες πρέπει να είναι διακριτές, περιγραφικές, αναγνωρίσιμες στα υποκείμενα δεδομένα και σαφείς σχετικά με το τι ανήκει και τι δεν ανήκει. Αυτό το τελευταίο σημείο έχει σημασία. Η γλώσσα ένταξης λέει στο μοντέλο τι να ψάξει. Η γλώσσα εξαίρεσης βοηθά να χωρίσει τις γειτονικές κατηγορίες που μπορεί να μοιράζονται παρόμοια λεξιλόγιο.

Σκεφτείτε περιοχές όπως τη συντήρηση εγκαταστάσεων, MRO, υπηρεσίες κτιρίων, επισκευή εξοπλισμού και γενικές βιομηχανικές προμήθειες. Αυτές οι κατηγορίες μπορούν εύκολα να перекρύψουν. Ένας ανθρώπινος αναλυτής μπορεί να κατανοήσει τη σκόπιμη διάκριση από το контέκστ. Ένα μοντέλο χρειάζεται ένα σαφέστερο σήμα. Αν πολλές κατηγορίες περιγράφουν παρόμοια δραστηριότητα συντήρησης χωρίς συγκεκριμένα όρια, η ταξινόμηση της εμπιστοσύνης θα υποστεί ζημιά.

Το ίδιο ζήτημα εμφανίζεται με τις κατηγορίες πτώσης. Ένα ευρύ κουβά, όπως MRO / Γενικές Βιομηχανικές Προμήθειες, μπορεί να είναι χρήσιμο όταν τα δεδομένα είναι πραγματικά αμφίβολα. Αλλά δεν πρέπει να γίνει ένα catch-all για δαπάνη που θα μπορούσε να ταξινομηθεί πιο ακριβώς. Αν τα δεδομένα δείχνουν σαφώς γυαλιά ασφαλείας, γάντια, προστασία προσωπικού, ή πρώτες βοήθειες, ο κατάλογος πρέπει να παρέχει αρκετό σήμα για να ταξινομήσει αυτή τη δαπάνη ως Προμήθειες Ασφαλείας αντί να την αφήνει σε ένα γενικό κουβά.

Τι Νομίζουμε για τον Καλύτερο Σχεδιασμό του Καταλόγου

Η καλύτερη δουλειά του καταλόγου δεν είναι καθόλου χειροκίνητη και δεν είναι πλήρως αυτοματοποιημένη. Είναι μια υβριδική προσέγγιση.

Ξεκινήστε με ένα κεντρικό πλαίσιο. Ορίστε συμβάσεις ονοματοδοσίας, βάθος ιεραρχίας, κατηγορίες πτώσης και το επίπεδο λεπτομέρειας που απαιτείται για λήψη αποφάσεων. Στη συνέχεια, φέρτε τις ομάδες κατηγοριών για να πιέσετε το δομή ενάντια στο πώς η δαπάνη διαχειρίζεται πραγματικά.

Από εκεί, γράψτε πρακτικούς ορισμούς, όχι ακαδημαϊκούς. Ένας χρήσιμος ορισμός κατηγορίας πρέπει να πει τι ανήκει, τι δεν ανήκει και ποια γλώσσα είναι πιθανό να εμφανιστεί στα δεδομένα. Ονόματα προμηθευτών, όροι προϊόντων, περιγραφές υπηρεσιών και κοινά ακρωνύμια μπορούν όλα να έχουν σημασία όταν χρησιμοποιούνται προσεκτικά.

Στη συνέχεια, δοκιμάστε τον κατάλογο ενάντια σε πραγματικές συναλλαγές. Αναθεωρήστε παραδείγματα υψηλής δαπάνης. Αναθεωρήστε συναλλαγές χαμηλής εμπιστοσύνης. Ψάξτε για κατηγορίες που είναι υπερ-ταξινομήσεις επειδή οι ορισμοί τους είναι πολύ ευρείες. Ψάξτε για κατηγορίες που είναι υπο-ταξινομήσεις επειδή οι ορισμοί τους δεν χρησιμοποιούν το λεξιλόγιο που βρίσκεται στα δεδομένα.

Αυτό είναι εκεί που το AI είναι πολύτιμο. Μπορεί να επιφανείσει μοτίβα, να μετρήσει την εμπιστοσύνη, να αναγνωρίσει αμφίβολες ταξινομήσεις και να βοηθήσει τις ομάδες να προτεραιοποιήσουν όπου η βελτίωση είναι απαραίτητη. Αλλά το βήμα ανθρώπινου-στο-βρόχο εξακολουθεί να έχει σημασία επειδή το μοντέλο δεν μπορεί να αποφασίσει την επιχειρηματική σημασία μιας κατηγορίας από μόνο του.

Ο σχεδιασμός του καταλόγου πρέπει να αντιμετωπίζεται και ως μια ροή εφαρμογής και ως μια είσοδος ποιότητας μοντέλου. Οι ετικέτες και οι ορισμοί επηρεάζουν την ταξινόμηση. Η ευρύτερη μετατόπιση προς το AI-γεννημένο προμήθεια κάνει αυτή τη βάση πιο δύσκολο να αγνοηθεί — η ετοιμότητα δεδομένων αντιμετωπίζεται ως ένας διαφοροποιητής ανταγωνισμού και όχι ως μια τεχνική απαιτούμενη. Τεχνικές προσεγγίσεις όπως TF-IDF ταίριασμα, σεμαντική ομοιότητα, όρια εμπιστοσύνης, περιθώρια σκορ, επέκταση ακρωνυμιών και βρόχοι ανατροφοδότησης λειτουργούν καλύτερα όταν ο κατάλογος είναι σαφής και διαχωρίσιμος.

Το σημείο δεν είναι να υπερφορτώσει τις ομάδες προμήθειας με ορολογία μοντέλου. Το σημείο είναι ότι η ποιότητα του καταλόγου γίνεται ποιότητα μοντέλου. Καλύτερες ετικέτες και ορισμοί δημιουργούν καλύτερα σήματα. Καλύτερα σήματα δημιουργούν ισχυρότερη ταξινόμηση. Ισχυρότερη ταξινόμηση δημιουργεί περισσότερη εμπιστοσύνη στο κύβο δαπάνης.

Η Διδασκαλία της Εφαρμογής

Η κατασκευή του καταλόγου αξίζει περισσότερου χρόνου από ό,τι συνήθως λαμβάνει στο σχέδιο του έργου.

Το γρήγορο βήμα αυτό δημιουργεί δύο προβλέψιμα προβλήματα. Το πρώτο είναι η κακή υιοθέτηση. Οι χρήστες δεν εμπιστεύονται ένα κύβο δαπάνης όταν οι κατηγορίες δεν ταιριάζουν με τον τρόπο που σκέφτονται για τη δαπάνη ή όταν η ιεραρχία feels ασυνεπής σε όλη την ομάδα.

Το δεύτερο είναι η κακή απόδοση του μοντέλου. Η ταξινόμηση γίνεται πιο δύσκολη όταν οι κατηγορίες-στόχοι είναι αμφίβολες, επαναλαμβανόμενες ή αποσυνδεμένες από τη γλώσσα στα δεδομένα.

Κανένα από αυτά τα προβλήματα δεν λύνεται απλώς εφαρμόζοντας περισσότερο AI. Η βάση πρέπει να είναι σωστή. Αυτό είναι το ίδιο μοτίβο που εμφανίζεται σε όλη την επιχείρηση AI: η mayoría των αποτυχημένων προγραμμάτων AI προέρχεται από μια βάση δεδομένων που δεν ήταν έτοιμη, όχι από τα μοντέλα themselves.

Ένας ισχυρός κατάλογος είναι κεντρικά διαχειριζόμενος, ενημερωμένος από ειδικούς κατηγοριών, δοκιμασμένος ενάντια σε πραγματικά δεδομένα, βελτιωμένος μέσω ανατροφοδότησης μοντέλου και διατηρημένος με τον καιρό. Δεν είναι ένα αρχείο εγκατάστασης μιας φοράς. Είναι ένα βασικό μέρος του μοντέλου λειτουργίας ορατότητας δαπάνης.

Ο κατάλογος δεν είναι μια διοικητική καθαρισμός. Είναι η βάση για την εμπιστοσύνη στο κύβο δαπάνης. Όλο και περισσότερο, είναι επίσης η βάση για το πώς καλά το AI μπορεί να ταξινομήσει, να εξηγήσει και να βελτιώσει τα δεδομένα προμήθειας με τον καιρό.