Una buona tassonomia della spesa ha due clienti

Una buona tassonomia della spesa ha due clienti: le persone che devono utilizzarla e i modelli che devono classificare contro di essa.

La maggior parte dei leader comprende la tassonomia come una struttura di categorie, un modo per organizzare ciò che stanno spendendo in bucket significativi. In realtà, è molto più di un quadro di reporting. Plasma come le persone interpretano quella spesa, come si forma in dati e, sempre più, influenza come i sistemi di intelligenza artificiale categorizzano, analizzano e generano insight da quei dati.

Questo è la parte della visibilità della spesa che spesso viene sottovalutata. La tassonomia viene solitamente trattata come un passo di setup. Definisci la gerarchia, caricala sulla piattaforma, mappa la spesa e vai avanti. Ma l’adozione dell’intelligenza artificiale nel procurement sta accelerando; nel 2025, l’80% dei CPO pianificava di implementare l’intelligenza artificiale generativa entro tre anni. Solo il 36% aveva implementazioni significative.

In realtà, la tassonomia è solitamente dove inizia quel gap. Diventa il linguaggio che l’azienda utilizza per comprendere la spesa e uno degli input più importanti per la categorizzazione guidata dall’intelligenza artificiale. Se fallisce con uno di quei due pubblici, l’impatto a valle si manifesta rapidamente: scarsa adozione, minore fiducia e modelli più difficili da regolare di quanto non debbano essere.

Il problema dell’adozione

Per gli utenti, la progettazione della tassonomia è una questione di gestione del cambiamento. I responsabili delle categorie, i team di sourcing, gli utenti finanziari e gli esecutivi devono guardare i bucket di spesa e capire cosa significano senza un livello di traduzione.

Le etichette confuse rendono più difficile questo processo. Lo stesso vale per gli acronimi interni, i nomi di categorie ambigui, le categorie ridondanti e i livelli di dettaglio inconsistenti nella gerarchia. Un cubo di spesa può classificare correttamente le transazioni e creare comunque una cattiva esperienza utente se gli utenti non possono interpretare le categorie. Gartner ha scoperto che il 63% delle organizzazioni non ha o non è sicuro di avere le pratiche di gestione dei dati giuste per l’intelligenza artificiale e prevede che, entro il 2026, il 60% dei progetti di intelligenza artificiale non supportati da dati pronti per l’intelligenza artificiale saranno abbandonati.

È qui che le implementazioni necessitano dell’input dei team di categorie. Le persone che gestiscono le categorie capiscono come la spesa viene gestita, negoziata e attuata. Sanno se un bucket è utile, se una distinzione è importante e se un’etichetta riflette come l’azienda parla effettivamente della spesa.

Ma quell’input necessita di limiti. Ogni team di categorie non può progettare in isolamento.

Un team di Facilities potrebbe volere un dettaglio approfondito per ogni tipo di servizio: manodopera, materiali, tipo di asset, tipo di riparazione e frequenza del servizio. Un team di IT potrebbe preferire categorie più ampie come Hardware, Software e Servizi. Entrambe le prospettive potrebbero avere senso all’interno della propria funzione. Nessuna di esse dovrebbe diventare il principio di progettazione predefinito per l’intera tassonomia aziendale.

Un team centralizzato deve creare il quadro. Quanti livelli dovrebbe avere la tassonomia? Dove una maggiore granularità crea un miglior insight di sourcing? Dove crea rumore? Quali etichette saranno chiare per i non esperti? Quali categorie devono essere separate e quali dovrebbero rimanere consolidate?

Una buona tassonomia non è la versione più dettagliata delle preferenze di ogni team di categorie. È il linguaggio condiviso che l’azienda utilizza per comprendere la spesa in modo coerente.

Il problema dell’intelligenza artificiale

La stessa tassonomia deve anche funzionare per l’intelligenza artificiale.

Nella categorizzazione guidata dall’intelligenza artificiale, le etichette e le definizioni non sono solo documentazione. Diventano parte del segnale utilizzato per classificare le transazioni. Se due categorie hanno etichette o definizioni vaghe o sovrapposte, il modello ha meno base per scegliere una rispetto all’altra. Se una definizione è troppo generica, potrebbe sovrapporsi. Se utilizza un linguaggio che non appare mai nei dati, potrebbe non corrispondere affatto.

Non si tratta semplicemente di una questione di maturità del modello. È una questione di progettazione della tassonomia.

Una buona progettazione della tassonomia fornisce al modello bersagli più chiari. Le categorie dovrebbero essere distinte, descrivibili, riconoscibili nei dati sottostanti e chiare su cosa appartiene e cosa no. Quest’ultimo punto è importante. Il linguaggio di inclusione dice al modello cosa cercare. Il linguaggio di esclusione aiuta a separare categorie adiacenti che potrebbero condividere un vocabolario simile.

Considera aree come la manutenzione delle strutture, MRO, servizi di edifici, riparazione di attrezzature e forniture industriali generali. Queste categorie possono facilmente sovrapporsi. Un revisore umano potrebbe capire la distinzione intesa dal contesto. Un modello necessita di un segnale più chiaro. Se molte categorie descrivono attività di manutenzione simili senza confini specifici, la fiducia nella categorizzazione sarà compromessa.

Lo stesso problema si verifica con le categorie di fallback. Un bucket ampio, come MRO / Forniture industriali generali, può essere utile quando i dati sono veramente vaghi. Ma non dovrebbe diventare un contenitore per spese che potrebbero essere classificate più precisamente. Se i dati indicano chiaramente occhiali di sicurezza, guanti, dispositivi di protezione individuale o forniture di primo soccorso, la tassonomia dovrebbe fornire un segnale sufficiente per classificare quella spesa come Forniture di sicurezza invece di lasciarla in un bucket generico.

Cosa significa una migliore progettazione della tassonomia

Il miglior lavoro di tassonomia non è puramente manuale e non è completamente automatizzato. È un approccio ibrido.

Inizia con un quadro centralizzato. Definisci convenzioni di denominazione, profondità della gerarchia, categorie di fallback e il livello di granularità richiesto per la presa di decisioni. Quindi porta dentro i team di categorie per testare la struttura contro come la spesa viene effettivamente gestita.

Da lì, scrivi definizioni pratiche, non accademiche. Una definizione di categoria utile dovrebbe dire cosa appartiene, cosa no e quale linguaggio è probabile che appaia nei dati. I nomi dei fornitori, i termini dei prodotti, le descrizioni dei servizi e le abbreviazioni comuni possono tutti essere importanti quando vengono utilizzati con cura.

Quindi testa la tassonomia contro transazioni reali. Esamina esempi di spesa elevata. Esamina corrispondenze a bassa fiducia. Cerca categorie che stanno catturando troppa spesa perché le loro definizioni sono troppo ampie. Cerca categorie che stanno sotto-classificando perché le loro definizioni non utilizzano il vocabolario trovato nei dati di origine.

È qui che l’intelligenza artificiale è preziosa. Può portare a galla modelli, misurare la fiducia, identificare corrispondenze ambigue e aiutare i team a priorizzare dove è necessario il raffinamento. Ma il passaggio umano nella catena è ancora importante perché il modello non può decidere il significato aziendale di una categoria da solo.

La progettazione della tassonomia dovrebbe essere trattata sia come un flusso di lavoro di implementazione che come un input di qualità del modello. Le etichette e le definizioni influenzano la categorizzazione. Il più ampio passaggio verso il procurement nativo dell’intelligenza artificiale sta rendendo più difficile ignorare quella base — la prontezza dei dati è trattata come un differenziatore competitivo e non come un requisito tecnico. Gli approcci tecnici come TF-IDF matching, similarità semantica, soglie di fiducia, margini di punteggio, espansione di abbreviazioni e feedback loop funzionano meglio quando la tassonomia stessa è chiara e separabile.

Il punto non è sovraccaricare i team di procurement con la terminologia del modello. Il punto è che la qualità della tassonomia diventa la qualità del modello. Etichette e definizioni migliori creano segnali migliori. Segnali migliori creano una categorizzazione più forte. Una categorizzazione più forte crea più fiducia nel cubo di spesa.

La lezione di implementazione

La costruzione della tassonomia merita più tempo di quanto non riceva solitamente nel piano del progetto.

Affrettare questo passo crea due problemi prevedibili. Il primo è la scarsa adozione. Gli utenti non si fidano di un cubo di spesa quando le categorie non corrispondono a come pensano alla spesa o quando la gerarchia sembra inconsistente tra i team.

Il secondo è la scarsa prestazione del modello. La categorizzazione diventa più difficile quando le categorie bersaglio sono vaghe, ridondanti o disconnesse dal linguaggio nei dati.

Nessuno di questi problemi è risolto semplicemente applicando più intelligenza artificiale. La base deve essere giusta. È lo stesso modello che si sta verificando in tutta l’azienda dell’intelligenza artificiale: la maggior parte dei progetti di intelligenza artificiale falliscono a causa di una base di dati che non era pronta, non a causa dei modelli stessi.

Una tassonomia solida è governata centralmente, informata da esperti di categorie, testata contro dati reali, raffinata attraverso il feedback del modello e mantenuta nel tempo. Non è un file di setup una tantum. È una parte fondamentale del modello di visibilità della spesa.

La tassonomia non è una pulizia amministrativa. È la base della fiducia nel cubo di spesa. Sempre più, è anche la base di come l’intelligenza artificiale possa classificare, spiegare e migliorare i dati di procurement nel tempo.