Taxonomi Pengeluaran yang Baik Memiliki Dua Pelanggan

Sebuah taxonomi pengeluaran yang baik memiliki dua pelanggan: orang-orang yang memerlukan menggunakannya, dan model yang perlu mengklasifikasikan melawan itu.

Sebagian besar pemimpin memahami taksonomi sebagai struktur kategori – cara untuk mengorganisir apa yang mereka belanjakan ke dalam bucket yang bermakna. Namun, kenyataannya itu jauh lebih dari kerangka pelaporan. Ini membentuk bagaimana orang memahami pengeluaran, bagaimana itu berbentuk menjadi data, dan semakin mempengaruhi bagaimana sistem AI mengkategorikan, menganalisis, dan menghasilkan wawasan dari data tersebut.

Itulah bagian dari implementasi visibilitas pengeluaran yang sering kali diremehkan. Taksonomi biasanya diperlakukan seperti langkah pengaturan. Definisikan hierarki, muat ke dalam platform, peta pengeluaran, dan lanjutkan. Namun, adopsi AI di pengadaan dipercepat; pada 2025, 80% CPO berencana untuk menggelar AI generatif dalam tiga tahun. Hanya 36% yang memiliki implementasi yang bermakna.

Dalam kenyataan, taksonomi biasanya tempat di mana celah itu dimulai. Ini menjadi bahasa yang digunakan bisnis untuk memahami pengeluaran dan salah satu input paling penting ke dalam pengkategorian yang didorong AI. Jika gagal untuk kedua audiens, dampak hilir muncul dengan cepat: adopsi yang buruk, kepercayaan yang lebih rendah, dan model yang lebih sulit untuk disesuaikan daripada yang diperlukan.

Masalah Adopsi

Untuk pengguna, desain taksonomi adalah masalah manajemen perubahan. Manajer kategori, tim sumber, pengguna keuangan, dan eksekutif perlu melihat bucket pengeluaran dan memahami apa yang mereka maksud tanpa lapisan terjemahan.

Label yang kacau membuat itu lebih sulit. Begitu juga dengan akronim internal, nama kategori yang samar, kategori yang berlebihan, dan tingkat detail yang tidak konsisten di seluruh hierarki. Sebuah kubus pengeluaran dapat mengklasifikasikan transaksi dengan benar dan masih menciptakan pengalaman pengguna yang buruk jika pengguna tidak dapat memahami kategori. Gartner menemukan bahwa 63% organisasi baik tidak memiliki atau tidak yakin memiliki praktik manajemen data yang tepat untuk AI, dan memprediksi bahwa hingga 2026, 60% proyek AI yang tidak didukung oleh data AI-siaga akan dihentikan.

Ini adalah tempat di mana implementasi memerlukan masukan tim kategori. Orang-orang yang mengelola kategori memahami bagaimana pengeluaran diperoleh, dinegosiasikan, dan dilakukan. Mereka tahu apakah sebuah bucket bermanfaat, apakah sebuah perbedaan penting, dan apakah sebuah label mencerminkan bagaimana bisnis sebenarnya berbicara tentang pengeluaran.

Namun, masukan itu perlu memiliki batasan. Tidak setiap tim kategori dapat merancang secara terisolasi.

Sebuah tim Pusat memiliki untuk menciptakan kerangka. Berapa banyak tingkat yang harus dimiliki taksonomi? Di mana lebih banyak granularitas menciptakan wawasan sumber yang lebih baik? Di mana itu menciptakan kebisingan? Label mana yang akan jelas bagi non-spesialis? Kategori mana yang perlu dipisahkan, dan mana yang harus tetap konsolidasi?

Sebuah taksonomi yang baik tidaklah versi yang paling detail dari setiap preferensi tim kategori. Ini adalah bahasa bersama yang digunakan perusahaan untuk memahami pengeluaran secara konsisten.

Masalah AI

Taksonomi yang sama juga harus bekerja untuk AI.

Dalam pengkategorian yang didorong AI, label dan definisi tidak hanya dokumentasi. Mereka menjadi bagian dari sinyal yang digunakan untuk mengklasifikasikan transaksi. Jika dua kategori memiliki label yang samar atau tumpang tindih, model memiliki dasar yang lebih sedikit untuk memilih satu daripada yang lain. Jika sebuah definisi terlalu umum, itu mungkin over-match. Jika menggunakan bahasa yang tidak pernah muncul dalam data, itu mungkin tidak cocok sama sekali.

Ini bukan hanya masalah kematangan model. Ini adalah masalah desain taksonomi.

Desain taksonomi yang baik memberikan model target yang lebih bersih. Kategori harus berbeda, dapat dijelaskan, dapat dikenali dalam data yang mendasarinya, dan jelas tentang apa yang termasuk dan apa yang tidak termasuk. Poin terakhir itu penting. Bahasa inklusi memberitahu model apa yang harus dicari. Bahasa eksklusi membantu memisahkan kategori yang berdekatan yang mungkin berbagi kosakata yang sama.

Pertimbangkan area seperti pemeliharaan fasilitas, MRO, layanan bangunan, perbaikan peralatan, dan pasokan industri umum. Kategori ini dapat dengan mudah tumpang tindih. Seorang reviewer manusia mungkin memahami perbedaan yang dimaksud dari konteks. Sebuah model memerlukan sinyal yang lebih jelas. Jika beberapa kategori semua menggambarkan aktivitas pemeliharaan yang sama tanpa batasan yang jelas, kepercayaan pengkategorian akan menderita.

Masalah yang sama muncul dengan kategori fallback. Sebuah bucket yang luas, seperti MRO / Pasokan Industri Umum, dapat berguna ketika data benar-benar samar. Namun, itu tidak boleh menjadi tempat penampungan untuk pengeluaran yang dapat diklasifikasikan lebih akurat. Jika data dengan jelas menunjukkan kacamata keselamatan, sarung tangan, PPE, atau pasokan pertolongan pertama, taksonomi harus memberikan sinyal yang cukup untuk mengklasifikasikan pengeluaran tersebut sebagai Pasokan Keselamatan daripada meninggalkannya dalam bucket generik.

Apa yang Terlihat seperti Desain Taksonomi yang Lebih Baik

Pekerjaan taksonomi terbaik tidak sepenuhnya manual, dan tidak sepenuhnya otomatis. Ini adalah pendekatan hibrida.

Mulai dengan kerangka sentral. Definisikan konvensi penamaan, kedalaman hierarki, kategori fallback, dan tingkat granularitas yang diperlukan untuk pengambilan keputusan. Kemudian bawa tim kategori untuk menguji struktur melawan bagaimana pengeluaran sebenarnya dikelola.

Dari sana, tulis definisi yang praktis, bukan akademis. Sebuah definisi kategori yang berguna harus mengatakan apa yang termasuk, apa yang tidak termasuk, dan apa bahasa yang mungkin muncul dalam data. Nama vendor, istilah produk, deskripsi layanan, dan singkatan umum dapat semua penting ketika mereka digunakan dengan hati-hati.

Kemudian uji taksonomi melawan transaksi nyata. Tinjau contoh pengeluaran tinggi. Tinjau pertandingan dengan kepercayaan rendah. Cari kategori yang mengambil pengeluaran berlebihan karena definisi mereka terlalu luas. Cari kategori yang under-match karena definisi mereka tidak menggunakan kosakata yang ditemukan dalam data sumber.

Ini adalah tempat di mana AI bernilai. Ini dapat menemukan pola, mengukur kepercayaan, mengidentifikasi pertandingan yang samar, dan membantu tim memprioritaskan di mana pemurnian diperlukan. Namun, langkah manusia-dalam-lintasan masih penting karena model tidak dapat menentukan makna bisnis dari sebuah kategori secara mandiri.

Desain taksonomi harus diperlakukan sebagai arus kerja implementasi dan input kualitas model. Label dan definisi mempengaruhi pengkategorian. Perubahan yang lebih luas menuju pengadaan asli AI membuat fondasi itu lebih sulit untuk diabaikan — kesiapan data diperlakukan sebagai diferensiator kompetitif daripada persyaratan teknis. Pendekatan teknis seperti TF-IDF matching, kesamaan semantik, ambang kepercayaan, margin skor, ekspansi singkatan, dan umpan balik bekerja lebih baik ketika taksonomi itu sendiri jelas dan dapat dipisahkan.

Poinnya bukan untuk membebani tim pengadaan dengan istilah model. Poinnya adalah bahwa kualitas taksonomi menjadi kualitas model. Label dan definisi yang lebih baik menciptakan sinyal yang lebih baik. Sinyal yang lebih baik menciptakan pengkategorian yang lebih kuat. Pengkategorian yang lebih kuat menciptakan kepercayaan yang lebih besar dalam kubus pengeluaran.

Pelajaran Implementasi

Pembangunan taksonomi layak mendapatkan waktu lebih daripada yang biasanya diberikan dalam rencana proyek.

Menghambat langkah ini menciptakan dua masalah yang dapat diprediksi. Yang pertama adalah adopsi yang buruk. Pengguna tidak mempercayai kubus pengeluaran ketika kategori tidak sesuai dengan bagaimana mereka memikirkan pengeluaran atau ketika hierarki terasa tidak konsisten di seluruh tim.

Yang kedua adalah kinerja model yang buruk. Pengkategorian menjadi lebih sulit ketika kategori target samar, berlebihan, atau tidak terkait dengan bahasa dalam data.

Tidak satu pun dari masalah ini diselesaikan dengan hanya menerapkan lebih banyak AI. Fondasi harus benar. Itu adalah pola yang sama yang muncul di seluruh AI perusahaan: sebagian besar kegagalan proyek AI dapat ditelusuri kembali ke fondasi data yang tidak siap, bukan model itu sendiri.

Sebuah taksonomi yang kuat dikelola secara terpusat, diberitahu oleh ahli kategori, diuji melawan data nyata, diperbarui melalui umpan balik model, dan dipertahankan dari waktu ke waktu. Ini bukanlah file pengaturan satu kali. Ini adalah bagian inti dari model operasional visibilitas pengeluaran.

Taksonomi bukanlah pembersihan administratif. Ini adalah fondasi untuk kepercayaan dalam kubus pengeluaran. Semakin banyak, itu juga fondasi untuk bagaimana AI dapat mengklasifikasikan, menjelaskan, dan meningkatkan data pengadaan dari waktu ke waktu.