Une bonne taxonomie des dépenses a deux clients

Une bonne taxonomie des dépenses a deux clients : les personnes qui ont besoin de l’utiliser et les modèles qui ont besoin de la classer.

La plupart des dirigeants comprennent la taxonomie comme une structure de catégorie – une façon d’organiser ce qu’ils dépensent en catégories significatives. En réalité, c’est beaucoup plus qu’un cadre de reporting. Elle façonne la façon dont les gens interprètent ces dépenses, la façon dont elles se transforment en données et, de plus en plus, influence la façon dont les systèmes d’IA classifient, analysent et génèrent des insights à partir de ces données.

C’est la partie des implementations de visibilité des dépenses qui est souvent sous-estimée. La taxonomie est généralement traitée comme une étape de configuration. Définir la hiérarchie, la charger sur la plateforme, mapper les dépenses et passer à autre chose. Mais l’adoption de l’IA dans les achats est en accélération ; en 2025, 80% des DGA prévoyaient de déployer l’IA générative dans les trois ans. Seuls 36% avaient des implementations significatives.

En réalité, la taxonomie est généralement où commence cet écart. Elle devient le langage que l’entreprise utilise pour comprendre les dépenses et l’une des entrées les plus importantes dans la classification basée sur l’IA. Si elle échoue devant l’une ou l’autre de ces audiences, l’impact en aval apparaît rapidement : adoption médiocre, confiance réduite et modèles plus difficiles à ajuster qu’ils ne le devraient.

Le problème d’adoption

Pour les utilisateurs, la conception de la taxonomie est une question de gestion du changement. Les gestionnaires de catégories, les équipes de sourcing, les utilisateurs financiers et les dirigeants doivent regarder les catégories de dépenses et comprendre ce qu’elles signifient sans couche de traduction.

Les étiquettes désordonnées rendent cela plus difficile. Les acronymes internes, les noms de catégories ambigus, les catégories redondantes et les niveaux de détail incohérents dans la hiérarchie le sont également. Un cube de dépenses peut classer les transactions correctement et créer une mauvaise expérience utilisateur si les utilisateurs ne peuvent pas interpréter les catégories. Gartner a constaté que 63% des organisations n’ont pas ou ne sont pas sûres d’avoir les bonnes pratiques de gestion des données pour l’IA et prévoit que jusqu’en 2026, 60% des projets d’IA non soutenus par des données prêtes pour l’IA seront abandonnés.

C’est là que les implementations nécessitent des entrées de l’équipe de catégorie. Les personnes qui gèrent les catégories comprennent comment les dépenses sont sourcées, négociées et mises en œuvre. Elles savent si un seau est utile, si une distinction est importante et si une étiquette reflète la façon dont l’entreprise parle réellement des dépenses.

Mais ces entrées nécessitent des garde-fous. Chaque équipe de catégorie ne peut pas concevoir en isolation.

Une équipe de facilities peut vouloir des détails approfondis pour chaque type de service : main-d’œuvre, matériaux, type d’actif, type de réparation et fréquence de service. Une équipe IT peut préférer des catégories larges telles que Matériel, Logiciel et Services. Les deux points de vue peuvent avoir du sens à l’intérieur de leur propre fonction. Aucun ne devrait devenir le principe de conception par défaut pour la taxonomie d’entreprise complète.

Une équipe centralisée doit créer le cadre. Combien de niveaux la taxonomie devrait-elle avoir ? Où une plus grande granularité crée-t-elle une meilleure compréhension des achats ? Où crée-t-elle du bruit ? Quelles étiquettes seront claires pour les non-spécialistes ? Quelles catégories doivent être séparées et lesquelles devraient rester consolidées ?

Une bonne taxonomie n’est pas la version la plus détaillée des préférences de chaque équipe de catégorie. C’est le langage partagé que l’entreprise utilise pour comprendre les dépenses de manière cohérente.

Le problème de l’IA

La même taxonomie doit également fonctionner pour l’IA.

Dans la classification basée sur l’IA, les étiquettes et les définitions ne sont pas seulement de la documentation. Elles deviennent partie du signal utilisé pour classer les transactions. Si deux catégories ont des étiquettes vagues ou chevauchantes, le modèle a moins de base pour choisir l’une par rapport à l’autre. Si une définition est trop générique, elle peut sur-classer. Si elle utilise un langage qui n’apparaît jamais dans les données, elle ne correspondra pas du tout.

Ceci n’est pas simplement une question de maturité du modèle. C’est une question de conception de la taxonomie.

Une bonne conception de la taxonomie donne au modèle des cibles plus nettes. Les catégories doivent être distinctes, descriptibles, reconnaissables dans les données sous-jacentes et claires sur ce qui appartient et ce qui n’appartient pas. Ce dernier point est important. Le langage d’inclusion indique au modèle ce qu’il doit rechercher. Le langage d’exclusion aide à séparer les catégories adjacentes qui peuvent partager un vocabulaire similaire.

Considérez des domaines tels que la maintenance des installations, la maintenance, les services de bâtiment, la réparation d’équipements et les fournitures industrielles générales. Ces catégories peuvent facilement se chevaucher. Un réviseur humain peut comprendre la distinction intentionnelle à partir du contexte. Un modèle a besoin d’un signal plus clair. Si plusieurs catégories décrivent toutes des activités de maintenance similaires sans limites précises, la confiance dans la classification sera affectée.

Le même problème apparaît avec les catégories de secours. Un seau large, comme la maintenance / les fournitures industrielles générales, peut être utile lorsque les données sont vraiment vagues. Mais il ne devrait pas devenir un filet pour les dépenses qui pourraient être classées plus précisément. Si les données indiquent clairement des lunettes de sécurité, des gants, des EPI ou des fournitures de premiers soins, la taxonomie devrait fournir suffisamment de signal pour classer ces dépenses comme Fournitures de sécurité au lieu de les laisser dans un seau générique.

À quoi ressemble une meilleure conception de taxonomie

Le meilleur travail de taxonomie n’est pas purement manuel et n’est pas entièrement automatisé. C’est une approche hybride.

Commencez par un cadre centralisé. Définissez les conventions de nommage, la profondeur de la hiérarchie, les catégories de secours et le niveau de granularité requis pour la prise de décision. Ensuite, faites participer les équipes de catégorie pour tester la structure contre la façon dont les dépenses sont réellement gérées.

À partir de là, écrivez des définitions pratiques, pas académiques. Une définition de catégorie utile devrait dire ce qui appartient, ce qui n’appartient pas et quel langage est susceptible d’apparaître dans les données. Les noms de fournisseurs, les termes de produits, les descriptions de services et les abréviations courantes peuvent tous être importants lorsqu’ils sont utilisés avec soin.

Ensuite, testez la taxonomie contre des transactions réelles. Examinez des exemples de dépenses élevées. Examinez les correspondances à faible confiance. Recherchez des catégories qui capturent trop de dépenses parce que leurs définitions sont trop larges. Recherchez des catégories qui sous-classifient parce que leurs définitions n’utilisent pas le vocabulaire trouvé dans les données sources.

C’est là que l’IA est précieuse. Elle peut mettre en surface des modèles, mesurer la confiance, identifier les correspondances ambigües et aider les équipes à donner la priorité à l’endroit où l’affinement est nécessaire. Mais l’étape humain dans la boucle est toujours importante car le modèle ne peut pas décider de la signification commerciale d’une catégorie par lui-même.

La conception de la taxonomie devrait être traitée à la fois comme un flux de travail d’implémentation et comme une entrée de qualité de modèle. Les étiquettes et les définitions influencent la classification. Le déplacement plus large vers les achats natifs de l’IA rend cette fondation plus difficile à ignorer — la préparation des données est traitée comme un différenciateur concurrentiel et non comme un requis technique. Les approches techniques telles que la correspondance TF-IDF, la similarité sémantique, les seuils de confiance, les marges de score, l’expansion des abréviations et les boucles de rétroaction fonctionnent mieux lorsque la taxonomie elle-même est claire et séparable.

Le point n’est pas de submerger les équipes d’approvisionnement avec des termes de modèle. Le point est que la qualité de la taxonomie devient la qualité du modèle. De meilleures étiquettes et définitions créent de meilleurs signaux. De meilleurs signaux créent une classification plus solide. Une classification plus solide crée plus de confiance dans le cube de dépenses.

La leçon d’implémentation

La construction de la taxonomie mérite plus de temps qu’elle n’en reçoit généralement dans le plan de projet.

Précipiter cette étape crée deux problèmes prévisibles. Le premier est une adoption médiocre. Les utilisateurs ne font pas confiance à un cube de dépenses lorsque les catégories ne correspondent pas à la façon dont ils pensent aux dépenses ou lorsque la hiérarchie semble incohérente entre les équipes.

Le deuxième est une mauvaise performance du modèle. La classification devient plus difficile lorsque les catégories cibles sont vagues, redondantes ou déconnectées du langage dans les données.

Aucun de ces problèmes n’est résolu en appliquant simplement plus d’IA. La fondation doit être solide. C’est le même modèle qui apparaît dans l’ensemble de l’IA d’entreprise : la plupart des échecs de projet d’IA trouvent leur origine dans une fondation de données qui n’était pas prête, et non dans les modèles eux-mêmes.

Une taxonomie solide est gérée de manière centralisée, éclairée par des experts en catégorie, testée contre des données réelles, affinée grâce à la rétroaction du modèle et maintenue au fil du temps. Elle n’est pas un fichier de configuration unique. Elle est une partie intégrante du modèle d’exploitation de la visibilité des dépenses.

La taxonomie n’est pas un nettoyage administratif. Elle est la fondation de la confiance dans le cube de dépenses. De plus en plus, elle est également la fondation de la façon dont l’IA peut classer, expliquer et améliorer les données d’approvisionnement au fil du temps.