एक अच्छा खर्च टैक्सोनॉमी में दो ग्राहक होते हैं

एक अच्छा खर्च टैक्सोनॉमी में दो ग्राहक होते हैं: जिन लोगों को इसका उपयोग करने की आवश्यकता है, और जिन मॉडल्स को इसके खिलाफ वर्गीकरण करने की आवश्यकता है।

अधिकांश नेता टैक्सोनॉमी को एक श्रेणी संरचना के रूप में समझते हैं – जो उनके द्वारा किए जाने वाले खर्च को अर्थपूर्ण बकेट में व्यवस्थित करने का एक तरीका है। वास्तव में, यह केवल एक रिपोर्टिंग फ्रेमवर्क से अधिक है। यह यह निर्धारित करता है कि लोग खर्च की व्याख्या कैसे करते हैं, यह डेटा में कैसे आकार लेता है, और बढ़ते हुए यह निर्धारित करता है कि एआई सिस्टम डेटा से कैसे वर्गीकरण, विश्लेषण, और अंतर्दृष्टि प्राप्त करते हैं।

यह खर्च दृश्यता कार्यान्वयन का वह हिस्सा है जो अक्सर कम आंका जाता है। टैक्सोनॉमी को आमतौर पर एक सेटअप चरण के रूप में माना जाता है। हाइरार्की को परिभाषित करें, इसे प्लेटफ़ॉर्म में लोड करें, खर्च को मैप करें, और आगे बढ़ें। लेकिन प्रोक्योरमेंट में एआई अपनाने की गति तेज हो रही है; 2025 में, 80% सीपीओ ने तीन साल के भीतर जनरेटिव एआई को तैनात करने की योजना बनाई। केवल 36% के पास अर्थपूर्ण कार्यान्वयन था।

वास्तव में, टैक्सोनॉमी आमतौर पर वह जगह है जहां यह अंतर शुरू होता है। यह व्यवसाय द्वारा खर्च को समझने के लिए उपयोग की जाने वाली भाषा बन जाती है और एआई-चालित वर्गीकरण में सबसे महत्वपूर्ण इनपुट में से एक है। यदि यह दोनों दर्शकों को विफल करता है, तो डाउनस्ट्रीम प्रभाव जल्दी से दिखाई देता है: खराब अपनाने, कम विश्वास, और मॉडल जो आवश्यकता से अधिक कठिन होते हैं।

अपनाने की समस्या

उपयोगकर्ताओं के लिए, टैक्सोनॉमी डिज़ाइन एक परिवर्तन प्रबंधन मुद्दा है। श्रेणी प्रबंधक, सोर्सिंग टीम, वित्त उपयोगकर्ता, और कार्यकारी खर्च बकेट देखने और उनका अर्थ समझने की आवश्यकता होती है बिना अनुवाद परत के।

गंदे लेबल इसे और भी कठिन बना देते हैं। आंतरिक संक्षिप्त नाम, अस्पष्ट श्रेणी नाम, अतिरिक्त श्रेणियां, और हाइरार्की में विवरण के असंगत स्तर भी ऐसा ही करते हैं। एक खर्च घन एक लेन-देन को सही ढंग से वर्गीकृत कर सकता है और फिर भी उपयोगकर्ता के लिए एक खराब अनुभव प्रदान कर सकता है यदि उपयोगकर्ता श्रेणियों की व्याख्या नहीं कर सकते हैं। गार्टनर ने पाया कि 63% संगठन या तो एआई के लिए सही डेटा प्रबंधन प्रथाओं का अभाव है या उन्हें इसके बारे में निश्चित नहीं हैं, और भविष्यवाणी करता है कि 2026 तक, एआई-तैयार डेटा द्वारा समर्थित 60% एआई परियोजनाएं छोड़ दी जाएंगी।

यह वह जगह है जहां कार्यान्वयन को श्रेणी टीम के इनपुट की आवश्यकता है। श्रेणियों का प्रबंधन करने वाले लोग जानते हैं कि खर्च कैसे सोर्स किया जाता है, कैसे समझौता किया जाता है, और कैसे कार्रवाई की जाती है। वे जानते हैं कि क्या एक बकेट उपयोगी है, क्या एक अंतर महत्वपूर्ण है, और क्या एक लेबल व्यवसाय द्वारा खर्च के बारे में बात करने के तरीके को प्रतिबिंबित करता है।

लेकिन इस इनपुट को गार्डरेल्स की आवश्यकता है। प्रत्येक श्रेणी टीम अकेले डिज़ाइन नहीं कर सकती है।

एक सुविधा टीम गहरे विवरण के लिए प्रत्येक सेवा प्रकार के लिए चाह सकती है: श्रम, सामग्री, संपत्ति प्रकार, मरम्मत प्रकार, और सेवा आवृत्ति। एक आईटी टीम व्यापक श्रेणियों जैसे हार्डवेयर, सॉफ़्टवेयर, और सेवाओं को पसंद कर सकती है। दोनों दृष्टिकोण अपने स्वयं के कार्य के भीतर अर्थपूर्ण हो सकते हैं। न तो यह पूरे उद्यम टैक्सोनॉमी के लिए डिज़ाइन सिद्धांत के रूप में बनना चाहिए।

एक केंद्रीकृत टीम को फ्रेमवर्क बनाना होगा। टैक्सोनॉमी में कितने स्तर होने चाहिए? कहां अधिक विस्तार बेहतर सोर्सिंग अंतर्दृष्टि प्रदान करता है? कहां यह शोर पैदा करता है? कौन से लेबल गैर-विशेषज्ञों के लिए स्पष्ट होंगे? कौन सी श्रेणियों को अलग किया जाना चाहिए, और कौन सी एक साथ रहनी चाहिए?

एक अच्छा टैक्सोनॉमी प्रत्येक श्रेणी टीम की पसंद का सबसे विस्तृत संस्करण नहीं है। यह उद्यम द्वारा खर्च को लगातार समझने के लिए उपयोग की जाने वाली साझा भाषा है।

एआई समस्या

उसी टैक्सोनॉमी को एआई के लिए भी काम करना होगा।

एआई-चालित वर्गीकरण में, लेबल और परिभाषाएं केवल दस्तावेज़ नहीं हैं। वे लेन-देन को वर्गीकृत करने के लिए उपयोग किए जाने वाले संकेत का हिस्सा बन जाते हैं। यदि दो श्रेणियों में अस्पष्ट या ओवरलैपिंग लेबल हैं, तो मॉडल के पास एक को दूसरे पर चुनने के लिए कम आधार होता है। यदि एक परिभाषा बहुत ही सामान्य है, तो यह अधिक मेल खा सकती है। यदि यह डेटा में कभी दिखाई नहीं देने वाली भाषा का उपयोग करती है, तो यह बिल्कुल भी मेल नहीं खा सकती है।

यह केवल मॉडल परिपक्वता का मुद्दा नहीं है। यह एक टैक्सोनॉमी डिज़ाइन मुद्दा है।

अच्छा टैक्सोनॉमी डिज़ाइन मॉडल को साफ़ लक्ष्य प्रदान करता है। श्रेणियां अलग, वर्णनीय, डेटा में पहचानने योग्य, और स्पष्ट होनी चाहिए कि क्या शामिल है और क्या नहीं है। यह आखिरी बिंदु महत्वपूर्ण है। समावेशन भाषा मॉडल को बताती है कि क्या देखना है। बहिष्करण भाषा संलग्न श्रेणियों को अलग करने में मदद करती है जो समान शब्दावली साझा कर सकती हैं।

सुविधा रखरखाव, एमआरओ, भवन सेवाएं, उपकरण मरम्मत, और सामान्य औद्योगिक आपूर्ति जैसे क्षेत्रों पर विचार करें। ये श्रेणियां आसानी से ओवरलैप हो सकती हैं। एक मानव समीक्षक संदर्भ से इरादा अंतर को समझ सकता है। मॉडल को एक स्पष्ट संकेत की आवश्यकता है। यदि कई श्रेणियां समान रखरखाव गतिविधि का वर्णन करती हैं बिना स्पष्ट सीमाओं के, वर्गीकरण विश्वास कम हो जाएगा।

उसी समस्या फॉलबैक श्रेणियों के साथ दिखाई देती है। एक व्यापक बकेट, जैसे एमआरओ / सामान्य औद्योगिक आपूर्ति, तब उपयोगी हो सकता है जब डेटा वास्तव में अस्पष्ट हो। लेकिन यह एक कैच-ऑल नहीं बनना चाहिए जो अधिक सटीक रूप से वर्गीकृत किए जा सकने वाले खर्च के लिए हो। यदि डेटा स्पष्ट रूप से सुरक्षा चश्मे, दस्ताने, पीपीई, या प्राथमिक चिकित्सा आपूर्ति का संकेत देता है, तो टैक्सोनॉमी को पर्याप्त संकेत प्रदान करना चाहिए कि खर्च को सुरक्षा आपूर्ति के रूप में वर्गीकृत किया जाए, न कि इसे एक सामान्य बकेट में छोड़ दिया जाए।

बेहतर टैक्सोनॉमी डिज़ाइन क्या दिखता है

सर्वोत्तम टैक्सोनॉमी कार्य पूरी तरह से मैनुअल नहीं है, और यह पूरी तरह से स्वचालित नहीं है। यह एक हाइब्रिड दृष्टिकोण है।

एक केंद्रीकृत फ्रेमवर्क से शुरू करें। नामकरण सम्मेलन, हाइरार्की गहराई, फॉलबैक श्रेणियां, और निर्णय लेने के लिए आवश्यक विस्तार का स्तर परिभाषित करें। फिर श्रेणी टीमों को लाएं ताकि वे वास्तव में प्रबंधित खर्च के खिलाफ संरचना का परीक्षण कर सकें।

इसके बाद, व्यावहारिक परिभाषाएं लिखें, न कि अकादमिक। एक उपयोगी श्रेणी परिभाषा में यह बताना चाहिए कि क्या शामिल है, क्या नहीं है, और कौन सी भाषा डेटा में दिखाई देने की संभावना है। विक्रेता नाम, उत्पाद शब्द, सेवा विवरण, और सामान्य संक्षिप्त नाम सभी मायने रख सकते हैं जब वे सावधानी से उपयोग किए जाते हैं।

फिर टैक्सोनॉमी का परीक्षण वास्तविक लेन-देन के खिलाफ करें। उच्च-खर्च वाले उदाहरणों की समीक्षा करें। कम-विश्वास मेल की समीक्षा करें। उन श्रेणियों की तलाश करें जो अधिक खर्च को पकड़ रही हैं क्योंकि उनकी परिभाषाएं बहुत व्यापक हैं। उन श्रेणियों की तलाश करें जो कम मेल खा रही हैं क्योंकि उनकी परिभाषाएं स्रोत डेटा में पाई जाने वाली शब्दावली का उपयोग नहीं करती हैं।

यह वह जगह है जहां एआई मूल्यवान है। यह पैटर्न को उजागर कर सकता है, विश्वास को माप सकता है, अस्पष्ट मेल की पहचान कर सकता है, और टीमों को यह तय करने में मदद कर सकता है कि कहां सुधार की आवश्यकता है। लेकिन मानव-इन-द-लूप चरण अभी भी महत्वपूर्ण है क्योंकि मॉडल स्वयं श्रेणी के व्यवसायिक अर्थ का फैसला नहीं कर सकता है।

टैक्सोनॉमी डिज़ाइन को एक कार्यान्वयन कार्यधारा और एक मॉडल-गुणवत्ता इनपुट के रूप में माना जाना चाहिए। लेबल और परिभाषाएं वर्गीकरण को प्रभावित करते हैं। एआई-मूल प्रोक्योरमेंट की ओर व्यापक बदलाव टैक्सोनॉमी को नजरअंदाज करना मुश्किल बना रहा है – डेटा तैयारता को एक प्रतिस्पर्धी विभेदक के रूप में माना जाता है, न कि एक तकनीकी आवश्यकता के रूप में। तकनीकी दृष्टिकोण जैसे टीएफ-आईडीएफ मैचिंग, सेमेंटिक समानता, विश्वास अंतराल, स्कोर मार्जिन, संक्षिप्त नाम विस्तार, और फीडबैक लूप तब बेहतर काम करते हैं जब टैक्सोनॉमी स्वयं स्पष्ट और अलग होती है।

बिंदु यह नहीं है कि प्रोक्योरमेंट टीमों को मॉडल शब्दावली से अभिभूत किया जाए। बिंदु यह है कि टैक्सोनॉमी गुणवत्ता मॉडल गुणवत्ता बन जाती है। बेहतर लेबल और परिभाषाएं बेहतर संकेत बनाते हैं। बेहतर संकेत मजबूत वर्गीकरण बनाते हैं। मजबूत वर्गीकरण खर्च घन में अधिक विश्वास बनाता है।

कार्यान्वयन सबक

टैक्सोनॉमी निर्माण को परियोजना योजना में इसके लिए आवंटित समय से अधिक समय की आवश्यकता होती है।

इस चरण को जल्दबाजी करने से दो भविष्यवाणीय समस्याएं पैदा होती हैं। पहली खराब अपनाने की है। उपयोगकर्ता तब खर्च घन पर विश्वास नहीं करते हैं जब श्रेणियां उनके द्वारा खर्च के बारे में सोचने के तरीके से मेल नहीं खाती हैं या जब हाइरार्की टीमों के माध्यम से असंगत महसूस होती है।

दूसरी समस्या मॉडल का खराब प्रदर्शन है। वर्गीकरण तब और भी कठिन हो जाता है जब लक्ष्य श्रेणियां अस्पष्ट, अतिरिक्त या डेटा में भाषा से जुड़ी नहीं होती हैं।

न तो समस्या का समाधान केवल अधिक एआई लागू करने से होता है। आधार सही होना चाहिए। यह वही पैटर्न है जो व्यापक एआई में दिखाई दे रहा है: अधिकांश एआई परियोजना विफलताएं एक डेटा फाउंडेशन की कमी के कारण होती हैं जो तैयार नहीं थी, न कि मॉडल्स खुद के कारण।

एक मजबूत टैक्सोनॉमी केंद्रीय रूप से शासित है, श्रेणी विशेषज्ञों से सूचित है, वास्तविक डेटा के खिलाफ परीक्षण किया जाता है, मॉडल फीडबैक के माध्यम से परिष्कृत किया जाता है, और समय के साथ बनाए रखा जाता है। यह एक बार का सेटअप फ़ाइल नहीं है। यह खर्च दृश्यता ऑपरेटिंग मॉडल का एक मूलभूत हिस्सा है।

टैक्सोनॉमी प्रशासनिक सफ़ाई नहीं है। यह खर्च घन में विश्वास के लिए आधार है। बढ़ते हुए, यह एआई के लिए भी आधार बन रहा है कि कैसे खर्च डेटा को वर्गीकृत, समझाएं, और समय के साथ सुधारें।