Hyvä kulutusluokittelu on kahdella asiakkaalla

Hyvä kulutusluokittelu on kahdella asiakkaalla: ihmisillä, jotka tarvitsevat sitä, ja malleilla, jotka tarvitsevat sitä luokittelun perusteena.

Useimmat johtajat ymmärtävät luokittelun kategoriarakenteena – tavalta järjestää kulutuksensa merkityksellisiin ryhmiin. Todellisuudessa se on paljon enemmän kuin raportointirunko. Se muotoilee, miten ihmiset tulkkaavat kulutusta, miten se muotoutuu tietoksi ja miten se vaikuttaa yhä enemmän siihen, miten tekoälyjärjestelmät luokittelivat, analysoivat ja loivat tietoa siitä.

Tämä on se osa kulutuksen näkyvyyden toteutuksista, jota usein aliarvioidaan. Luokittelu käsitellään yleensä asetuspäivänä. Määritä hierarkia, lataa se alustalle, kartoita kulutus ja siirry eteenpäin. Mutta tekoälyn omaksuminen hankinnassa kiihtyy; vuonna 2025, 80% CPO:ista aikoi ottaa käyttöön generatiivisen tekoälyn kolmen vuoden kuluessa. Vain 36%:lla oli merkittäviä toteutuksia.

Todellisuudessa luokittelu on usein se, mistä tämä aukko alkaa. Se muodostuu liiketoiminnan kielen, jota käytetään kulutuksen ymmärtämiseen, ja yhdeksi tärkeimmistä syötteistä tekoälyohjattuun luokitteluun. Jos se epäonnistuu kummallakin asiakkaalla, lopputulos ilmenee nopeasti: heikko omaksuminen, alhainen luottamus ja mallit, jotka ovat vaikeampia säätää kuin mitä niiden tarvitsee olla.

Ongelma omaksumisessa

Käyttäjien kannalta luokittelun suunnittelu on muutosjohtamisen ongelma. Kategoriapäälliköiden, hankintatiimien, rahoituskäyttäjien ja johtajien on tarkasteltava kulutusryhmiä ja ymmärrettävä, mitä ne tarkoittavat ilman käännöskerrointa.

Epäsiistit nimikkeet tekevät tämän vaikeammaksi. Sisäiset lyhenteet, epäselvät kategoriannimet, turhat kategoriat ja epäjohdonmukaiset yksityiskohtien tasot hierarkiassa. Kulutuskuutio voi luokittelua oikein ja silti luoda huonon käyttökokemuksen, jos käyttäjät eivät voi tulkita kategorioita. Gartnerin mukaan 63%:lla organisaatioista ei ole oikein datahallintakäytäntöjä tekoälylle, ja ennustaa, että vuoteen 2026 mennessä 60%:ssa tekoälyprojekteista, joita ei tueta tekoälyvalmiilla datalla, hylätään.

Tässä vaiheessa toteutuksissa tarvitaan kategoriatiimien panosta. Kategorioita hallinnoivat ihmiset ymmärtävät, miten kulutusta hankitaan, neuvotellaan ja toimetaan. He tietävät, onko ryhmä hyödyllinen, onko ero merkittävä ja onko nimike heijastaa, miten liiketoiminta todella puhuu kulutuksesta.

Mutta tämä panos tarvitsee rajoituksia. Jokainen kategoriatiimi ei voi suunnitella eristyneisyyttä.

Tilatiimi saattaa haluta syvää yksityiskohtaisuutta jokaiselle palvelutyypille: työlle, materiaaleille, laitteiston tyypille, korjaustyypille ja palvelun tiheydelle. IT-tiimi saattaa mieltää laajoja kategorioita, kuten laitteet, ohjelmistot ja palvelut. Molemmat näkökulmat saattavat olla järkeviä omassa toiminnassaan. Kumpikaan ei saa tulla oletusarvoiseksi suunnitteluperiaatteeksi koko yrityksen luokittelulle.

Keskitetty tiimi on luotava runko. Kuinka monta tasoa luokittelu pitäisi olla? Missä kohtaa lisää yksityiskohtaisuus luo paremman hankintanäkymän? Missä se luo melua? Mitkä nimikkeet ovat selviä ei-asiantuntijoille? Mitkä kategoriat on erottettava, ja mitkä pitäisi pitää yhdistettyinä?

Hyvä luokittelu ei ole yksityiskohtaisin versio jokaisen kategoriatiimin toiveista. Se on jaettu kieli, jota yritys käyttää ymmärtääkseen kulutusta johdonmukaisesti.

Tekoälyongelma

Sama luokittelu on myös toimittava tekoälylle.

Tekoälyohjatussa luokittelussa nimikkeet ja määritelmät eivät ole pelkästään dokumentaatiota. Ne muodostuvat osaksi signaalia, jota käytetään transaktioiden luokitteluun. Jos kaksi kategoriaa on epäselviä tai päällekkäisiä nimikkeillä, mallilla on vähemmän perusteita valita toinen toisen sijasta. Jos määritelmä on liian yleinen, se saattaa ylittää. Jos se käyttää kieltä, jota ei esiinny datassa, se ei ehkä vastaa ollenkaan.

Tämä ei ole pelkästään mallin kypsymisen ongelma. Se on luokittelun suunnittelun ongelma.

Hyvä luokittelun suunnittelu antaa mallille puhtaammat kohdat. Kategoriat on oltava erottuvia, kuvaamiskelpoisia, tunnistettavissa perustuvassa datassa ja selkeästi määriteltynä siitä, mitä kuuluu ja mitä ei kuulu. Viimeksi mainittu asia on merkittävä. Sisällyttämis kieli kertoo mallille, mitä etsiä. Poissulkeva kieli auttaa erottamaan naapureita kategorioita, jotka saattavat jakaa samanlaista sanastoa.

Otetaan esimerkiksi alueet, kuten tilanhoidon ylläpito, MRO, rakennuspalvelut, laitteiden korjaus ja yleiset teollisuustarvikkeet. Nämä kategoriat voivat helposti päällekkäistä. Ihmiskäsittelijä saattaa ymmärtää tarkoitetun eron asiayhteydestä. Malli tarvitsee selkeämmän signaalin. Jos useat kategoriat kuvaavat samanlaista ylläpitotoimintaa ilman selkeää rajaa, luokittelun luottamus kärsii.

Sama ongelma ilmenee myös fallback-kategorioissa. Laaja ryhmä, kuten MRO / Yleiset teollisuustarvikkeet, voi olla hyödyllinen, kun data on todella epäselvä. Mutta se ei saa tulla kaiken kulutuksen kiinni, jota voisi luokitella tarkemmin. Jos data selvästi osoittaa suojalaseja, hanskoja, PPE:itä tai ensiaputarvikkeita, luokittelu on annettava riittävä signaali luokitella kulutus Turvallisuustarvikkeiksi sen sijaan, että se jätetään yleiseen ryhmään.

Mikä on parempi luokittelun suunnittelu?

Paras luokittelutyö ei ole pelkästään manuaalista, eikä se ole täysin automaattista. Se on hybridiratkaisu.

Aloita keskitetyllä rungolla. Määritä nimeämiskonventiot, hierarkiataso, fallback-kategoriat ja yksityiskohtaisuuden taso, jota tarvitaan päätöksentekoon. Sitten tuo kategoriatiimit mukaan testaamaan rakennetta vastaan sitä, miten kulutusta todella hallitaan.

Siitä alkaen kirjoita käytännön määritelmiä, ei akateemisia. Käytännöllinen kategoriannos on sanottava, mitä kuuluu, mitä ei kuulu ja mitä kieltä todennäköisesti esiintyy datassa. Toimittajannimet, tuoteterminologiat, palvelukuvausten ja yleiset lyhenteet voivat kaikki olla merkittäviä, kun niitä käytetään huolellisesti.

Sitten testaa luokittelu todellisia transaktioita vastaan. Tarkastele suurkulutuksellisia esimerkkejä. Tarkastele matalan luottamuksen vastaavuuksia. Etsi kategorioita, jotka ovat ylittäväisiä, koska niiden määritelmiä on liian laaja. Etsi kategorioita, jotka eivät vastaa, koska niiden määritelmiä ei käytetä lähtödatassa.

Tässä vaiheessa tekoäly on arvokasta. Se voi paljastaa kuvioita, mitata luottamusta, tunnistaa epäselviä vastaavuuksia ja auttaa tiimejä priorisoimaan, missä parannusta tarvitaan. Mutta ihmisen rooli on edelleen tärkeä, koska malli ei voi päättää kategorian liiketoimintamerkitystä itse.

Luokittelun suunnittelun on käsiteltävä sekä toteutusvirrana että mallin laadun syötteenä. Nimikkeet ja määritelmiä vaikuttavat luokitteluun. Laajempi siirtymä tekoälyomaiseen hankintaan tekee tämän perustan vaikeammaksi ignoreerata — datavalmius on kohdeltu kilpailukykyisenä erottimena eikä teknisenä vaatimuksena. Teknisiä lähestymistapoja, kuten TF-IDF-vastaavuus, semanttinen samankaltaisuus, luottamuksen rajat, pistemarginaalit, lyhenteiden laajennus ja palaute silmukat, toimivat paremmin, kun itse luokittelu on selvä ja erottuva.

Asia on siinä, että ei yritetä hämätä hankintatiimejä mallin terminologialla. Asia on siinä, että luokittelun laatu muodostuu mallin laaduksi. Paremmat nimikkeet ja määritelmiä luovat paremmat signaalit. Paremmat signaalit luovat vahvemman luokittelun. Vahvempi luokittelu luo enemmän luottamusta kulutuskuutiota kohtaan.

Toteutuksen opetus

Luokittelun rakentamiselle on ansaittava enemmän aikaa kuin mitä se yleensä saa projekti-suunnitelmassa.

Tämän vaiheen kiirehtiminen luo kaksi ennustettavissa olevaa ongelmaa. Ensimmäinen on heikko omaksuminen. Käyttäjät eivät luota kulutuskuutiota, kun kategoriat eivät vastaa sitä, miten he ajattelevat kulutuksesta, tai kun hierarkia tuntuu epäjohdonmukaiselta eri tiimien välillä.

Toinen on huono mallin suorituskyky. Luokittelu muodostuu vaikeammaksi, kun kohdekategoriat ovat epäselviä, turhia tai irti datan kielestä.

Kumpikaan ongelma ei ratkea yksinkertaisesti soveltamalla enemmän tekoälyä. Perusta on oltava oikein. Se on sama kuva, joka ilmenee yleisesti yritysten tekoälyssä: useimmat tekoälyprojektien epäonnistumiset johtavat data-perustaan, joka ei ollut valmis, eikä itse malleihin.

Vahva luokittelu on keskitetysti johdettu, kategoriatiimien asiantuntemuksella muodostettu, testattu todellista dataa vastaan, parannettu mallipalautteen kautta ja ylläpidetty ajan myötä. Se ei ole kertaluokkainen asetustiedosto. Se on kulutuksen näkyvyyden toimintamallin keskeinen osa.

Luokittelu ei ole hallinnollinen siivous. Se on kulutuskuution luottamuksen perusta. Yhä enemmän se on myös perusta sille, miten hyvin tekoäly voi luokitella, selittää ja parantaa hankintatietoa ajan myötä.