Mitch Couper, データ＆アナリティクス副社長、SpendHQ Mitch Couper データ＆アナリティクス副社長、SpendHQ

良い支出分類には2つの顧客がいる

良い支出分類には2つの顧客がいる。1つはそれを使用する必要がある人々であり、もう1つはそれに対して分類する必要があるモデルである。ほとんどのリーダーは分類をカテゴリ構造として理解している。つまり、支出を意味のあるバケットに整理する方法である。しかし、実際には、それは報告フレームワークよりもはるかに重要である。それは、人々が支出をどのように解釈するか、データにどのように変換されるか、そしてAIシステムがデータからどのように分類、分析、洞察を生成するかを形作る。これは、支出可視性の実装でしばしば見落とされる部分である。分類は通常、セットアップステップとして扱われる。階層を定義し、プラットフォームにロードし、支出をマッピングし、次に進む。しかし、調達におけるAIの採用は進んでおり、2025年までに、80%のCPOは3年以内に生成的なAIを導入する予定。ただし、36%のみが有意義な実装を行っていた。実際には、分類がこのギャップの始まりとなることが多い。分類は、ビジネスが支出を理解するために使用する言語となり、AI駆動の分類の最も重要な入力となる。分類がどちらの顧客にも失敗すると、ダウンストリームの影響がすぐに現れる。採用が悪くなる、信頼が低くなる、モデルが必要以上に調整が難しくなる。採用の問題ユーザーにとって、分類の設計は、変更管理の問題である。カテゴリマネージャー、ソーシングチーム、財務ユーザー、エグゼクティブは、支出バケットを見て何を意味するかを理解する必要がある。翻訳レイヤーなしに。汚れたラベルがそれを難しくする。内部アクロニム、曖昧なカテゴリ名、冗長なカテゴリ、階層全体の詳細レベルの不一致も同様である。支出キューブはトランザクションを正しく分類できるが、ユーザーがカテゴリを解釈できない場合は、ユーザーにとって悪い体験となる。 ガートナーによると、63%の組織はAIに適したデータ管理の実践がないか、あるかどうかわからない。さらに、2026年までに、AIに適したデータをサポートしていないAIプロジェクトの60%が放棄されるだろう。ここで、カテゴリチームの入力が必要となる。カテゴリを管理する人々は、支出がどのように調達され、交渉され、実行されるかを理解している。彼らは、バケットが有用かどうか、区別が重要かどうか、ラベルがビジネスが実際に支出について話す方法を反映しているかどうかを知っている。しかし、その入力にはガイドラインが必要である。すべてのカテゴリチームが独立して設計することはできない。施設チームは、サービスタイプごとに詳細な情報を望むかもしれない。労働、材料、資産タイプ、修理タイプ、サービス頻度など。ITチームは、ハードウェア、ソフトウェア、サービスなどの広いカテゴリを好むかもしれない。どちらの見方も、それぞれの機能内では意味があるかもしれない。どちらも、全社的な分類のデフォルト設計原則となるべきではない。中央チームがフレームワークを作成する必要がある。分類には何レベルの詳細が必要か。どこでより詳細な情報がより良いソーシングの洞察をもたらすか。どこでノイズを生み出すか。どのラベルが非専門家にとって明確か。どのカテゴリを分離する必要があるか。どのカテゴリを統合する必要があるか。良い分類は、各カテゴリチームの好みの最も詳細なバージョンではない。企業が一貫して支出を理解するために使用する共有言語である。AIの問題同じ分類は、AIにも機能する必要がある。AI駆動の分類では、ラベルと定義は単なるドキュメントではない。分類のシグナルとなる。2つのカテゴリが曖昧または重複したラベルを持っている場合、モデルは一方を他方より選択する根拠が少ない。定義があまりにも一般的である場合、オーバーマッチする可能性がある。定義がデータに現れることのない言語を使用する場合、まったくマッチしない可能性がある。これは単なるモデル成熟度の問題ではない。分類設計の問題である。良い分類設計は、モデルにクリーンなターゲットを与える。カテゴリは区別可能で、記述可能で、基礎データで認識可能で、明確なものであるべきである。最後の点が重要である。包含言語は、モデルが何を探すべきかを伝える。除外言語は、類似の語彙を共有する隣接カテゴリを区別するのに役立つ。施設メンテナンス、MRO、ビルディングサービス、機器修理、一般工業用品などの分野を考えてみよう。これらのカテゴリは簡単に重複する。人間のレビュアーは、コンテキストから意図された区別を理解できるかもしれない。モデルは、より明確なシグナルが必要である。同じ問題が、フォールバックカテゴリにも現れる。MRO / 一般工業用品などの広いバケットは、データが真正に曖昧な場合に役立つかもしれない。しかし、より正確に分類できる支出をすべて網羅するためのものであってはならない。データが安全メガネ、手袋、PPE、または救急用品を示している場合、分類は、汎用的なバケットに残さずに、安全用品として分類するための十分なシグナルを提供するべきである。より良い分類設計の見方最も良い分類作業は、完全に手動でも完全に自動化でもない。ハイブリッドアプローチである。中央のフレームワークから始める。命名規則、階層の深さ、フォールバックカテゴリ、意思決定に必要な詳細レベルを定義する。次に、カテゴリチームを参加させて、構造を実際の支出管理方法に対してテストする。そこから、実用的で学術的な定義を書く。有用なカテゴリ定義は、含まれるもの、含まれないもの、データに現れる言語を示すべきである。ベンダー名、製品用語、サービス説明、一般的な省略形などが、注意深く使用されれば重要となる。次に、実際のトランザクションに対して分類をテストする。高支出の例をレビューする。低信頼度のマッチをレビューする。定義があまりにも広いので、過剰に支出を取得しているカテゴリを探す。定義がデータの語彙を使用していないので、不足しているマッチを探す。ここで、AIが有用である。パターンを浮き彫りにし、信頼度を測定し、曖昧なマッチを特定し、改良が必要な箇所を優先するのに役立つ。ただし、ヒューマンインザループステップも重要である。モデルは、カテゴリのビジネス上の意味を独自に決定できないからである。分類設計は、実装ワークストリームとしてもモデル品質の入力としても扱われるべきである。ラベルと定義は分類に影響を与える。AIネイティブの調達への移行は、その基盤を無視することを難しくしている。データの準備は、技術的な要件ではなく競争上の差別化要因として扱われるからである。TF-IDFマッチング、セマンティック類似性、信頼度しきい値、スコアマージン、省略形の拡張、フィードバックループなどの技術アプローチは、分類自体が明確で区別可能な場合に機能する。ここでのポイントは、調達チームをモデル用語で圧倒することではない。ポイントは、分類の品質がモデル品質になることである。より良いラベルと定義は、より良いシグナルを生み出す。より良いシグナルは、より強い分類を生み出す。より強い分類は、支出キューブに対するより多くの信頼を生み出す。実装の教訓分類の構築には、通常、プロジェクト計画で与えられるよりも多くの時間が必要である。このステップを急ぐと、2つの予測可能な問題が生じる。1つは採用が悪いことである。ユーザーは、カテゴリが支出について考える方法と一致しない場合、または階層がチーム全体で一貫性がない場合、支出キューブを信頼しない。2つ目は、モデルパフォーマンスが悪いことである。分類は、ターゲットカテゴリが曖昧、冗長、またはデータの言語から断絶している場合に、より困難になる。どちらの問題も、単にAIを適用することで解決できない。基盤が正しい必要がある。これは、企業全体のAIで見られる同じパターンである。ほとんどのAIプロジェクトの失敗は、モデル自体ではなく、準備ができていないデータ基盤に起因する。強力な分類は、中央で管理され、カテゴリの専門家によって情報が提供され、実際のデータに対してテストされ、モデルからのフィードバックを通じて改良され、時間の経過とともに維持される。1回限りのセットアップファイルではなく、支出可視性の運用モデルの核心的な部分である。分類は、管理的な整理ではない。支出キューブに対する信頼の基盤である。さらに、AIがどのようにして調達データを分類、説明、改善できるかを決定する基盤でもある。