Lideri de opinie

O bună taxonomie a cheltuielilor are doi clienți

mm
Adaugă Unite.AI la sursele tale preferate pe Google

O bună taxonomie a cheltuielilor are doi clienți: oamenii care au nevoie să o utilizeze și modelele care au nevoie să o clasifice.

Majoritatea liderilor ÃŪnțeleg taxonomia ca o structură de categorii – o modalitate de a organiza cheltuielile ÃŪn moduri semnificative. În realitate, este mult mai mult decÃĒt un cadru de raportare. Ea influențează modul ÃŪn care oamenii interpretează cheltuielile, modul ÃŪn care se transformă ÃŪn date și, din ce ÃŪn ce mai mult, influențează modul ÃŪn care sistemele de inteligență artificială (AI) clasifică, analizează și generează insight-uri din aceste date.

Acesta este partea din implementarea vizibilității cheltuielilor care este adesea subestimată. Taxonomia este de obicei tratată ca un pas de configurare. Se definește ierarhia, se ÃŪncarcă ÃŪn platformă, se asociază cheltuielile și se trece mai departe. Dar adoptarea AI ÃŪn achiziții este ÃŪn plină accelerare; ÃŪn 2025, 80% dintre CPO-urile planificau să implementeze AI generativ ÃŪn următorii trei ani. Doar 36% aveau implementări semnificative.

În realitate, taxonomia este de obicei unde ÃŪncepe această lacună. Ea devine limbajul pe care ÃŪntreprinderea ÃŪl folosește pentru a ÃŪnțelege cheltuielile și unul dintre cele mai importante intrări ÃŪn clasificarea bazată pe AI. Dacă ea eșuează ÃŪn fața oricăruia dintre acești clienți, impactul ÃŪn aval apare rapid: adoptare slabă, ÃŪncredere scăzută și modele mai greu de ajustat decÃĒt ar trebui să fie.

Problema adoptării

Pentru utilizatori, proiectarea taxonomiei este o problemă de gestionare a schimbării. Managerii de categorii, echipele de sursă, utilizatorii financiari și executivii au nevoie să vadă cheltuielile și să ÃŪnțeleagă ce ÃŪnseamnă fără un strat de traducere.

Etichetele murdare fac acest lucru mai greu. La fel fac și acronimele interne, numele de categorii ambigue, categoriile redundante și nivelurile de detaliu inconsistente de-a lungul ierarhiei. Un cub de cheltuieli poate clasifica tranzacțiile corect și totuși poate crea o experiență slabă pentru utilizator, dacă utilizatorii nu pot interpreta categoriile. Gartner a constatat că 63% dintre organizații fie nu au, fie nu sunt sigure că au practici de gestionare a datelor adecvate pentru AI și prezice că, pÃĒnă ÃŪn 2026, 60% din proiectele de AI care nu sunt susținute de date gata pentru AI vor fi abandonate.

Acesta este locul ÃŪn care implementările au nevoie de intrarea echipei de categorii. Oamenii care gestionează categoriile ÃŪnțeleg cum sunt gestionate cheltuielile, negociate și acționate. Ei știu dacă un bucket este util, dacă o distincție contează și dacă o etichetă reflectă modul ÃŪn care ÃŪntreprinderea vorbește despre cheltuieli ÃŪn realitate.

Dar această intrare are nevoie de limite. Fiecare echipă de categorii nu poate proiecta ÃŪn izolare.

O echipă de facilități poate dori detalii profunde pentru fiecare tip de serviciu: forță de muncă, materiale, tip de activ, tip de reparație și frecvență a serviciului. O echipă de IT poate prefera categorii largi, cum ar fi Hardware, Software și Servicii. Ambele perspective pot avea sens ÃŪn cadrul funcțiunii lor. Niciuna nu ar trebui să devină principiul de proiectare implicit pentru ÃŪntreaga taxonomie a ÃŪntreprinderii.

O echipă centralizată trebuie să creeze cadrul. CÃĒte niveluri ar trebui să aibă taxonomia? Unde creează o granularitate mai bună o perspectivă de sursă mai bună? Unde creează zgomot? Care etichete vor fi clare pentru non-specialiști? Care categorii au nevoie să fie separate și care ar trebui să rămÃĒnă consolidate?

O bună taxonomie nu este cea mai detaliată versiune a preferințelor fiecărei echipe de categorii. Ea este limbajul comun pe care ÃŪntreprinderea ÃŪl folosește pentru a ÃŪnțelege cheltuielile ÃŪn mod consecvent.

Problema AI

Aceeași taxonomie trebuie să funcționeze și pentru AI.

În clasificarea bazată pe AI, etichetele și definițiile nu sunt doar documentație. Ele devin parte a semnalului utilizat pentru a clasifica tranzacțiile. Dacă două categorii au etichete vagi sau suprapuse, modelul are o bază mai slabă pentru a alege una ÃŪn locul celeilalte. Dacă o definiție este prea generică, ea poate supramatcha. Dacă utilizează un limbaj care nu apare niciodată ÃŪn date, ea nu se poate potrivi deloc.

Acest lucru nu este doar o problemă de maturitate a modelului. Este o problemă de proiectare a taxonomiei.

O bună proiectare a taxonomiei oferă modelului ținte mai curate. Categoriile ar trebui să fie distincte, descriabile, recunoscute ÃŪn datele subiacente și clare cu privire la ce aparține și ce nu aparține. Acest ultim punct contează. Limbajul de incluziune spune modelului ce să caute. Limbajul de excludere ajută la separarea categoriilor adiacente care pot ÃŪmpărtăși un vocabular similar.

Luăm ÃŪn considerare domenii precum ÃŪntreținerea facilităților, MRO, servicii de clădiri, reparații de echipamente și aprovizionări industriale generale. Aceste categorii pot suprapune ușor. Un reviewer uman poate ÃŪnțelege distincția intenționată din context. Un model are nevoie de un semnal mai clar. Dacă multiple categorii descriu activități de ÃŪntreținere similare fără granițe specifice, ÃŪncrederea ÃŪn clasificare va suferi.

Aceeași problemă apare și cu categoriile de fallback. Un bucket larg, cum ar fi MRO / Aprovizionări industriale generale, poate fi util atunci cÃĒnd datele sunt cu adevărat vagi. Dar nu ar trebui să devină un coș de prindere pentru cheltuieli care ar putea fi clasificate mai precis. Dacă datele indică clar ochelari de protecție, mănuși, echipamente de protecție individuală sau truse de prim ajutor, taxonomia ar trebui să ofere un semnal suficient pentru a clasifica aceste cheltuieli ca Aprovizionări de securitate, ÃŪn loc să le lase ÃŪntr-un bucket generic.

Ce arată o proiectare mai bună a taxonomiei

Cel mai bun lucru ÃŪn taxonomie nu este pur și simplu manual, și nici pe deplin automat. Este o abordare hibridă.

Începeți cu un cadru centralizat. Definiți convențiile de denumire, adÃĒncimea ierarhiei, categoriile de fallback și nivelul de granularitate necesar pentru luarea deciziilor. Apoi aduceți echipele de categorii pentru a testa structura ÃŪmpotriva modului ÃŪn care cheltuielile sunt gestionate ÃŪn realitate.

De acolo, scrieți definiții practice, nu academice. O definiție utilă de categorie ar trebui să spună ce aparține, ce nu aparține și ce limbaj este probabil să apară ÃŪn date. Numele furnizorilor, termenii de produs, descrierile de servicii și abrevierile comune pot conta atunci cÃĒnd sunt utilizate cu atenție.

Apoi testați taxonomia ÃŪmpotriva tranzacțiilor reale. Revizuiți exemplele de cheltuieli mari. Revizuiți meciurile cu ÃŪncredere scăzută. Căutați categoriile care preiau prea multe cheltuieli pentru că definițiile lor sunt prea largi. Căutați categoriile care nu se potrivesc suficient de bine pentru că definițiile lor nu utilizează vocabularul găsit ÃŪn datele sursă.

Acesta este locul ÃŪn care AI este valoros. El poate supraviețui modele, măsura ÃŪncrederea, identifica meciurile ambigue și ajuta echipele să prioritizeze unde este nevoie de rafinare. Dar pasul uman ÃŪn buclă ÃŪncă contează pentru că modelul nu poate decide singur sensul comercial al unei categorii.

Proiectarea taxonomiei ar trebui să fie tratată atÃĒt ca un flux de lucru de implementare, cÃĒt și ca o intrare de calitate a modelului. Etichetele și definițiile influențează clasificarea. Schimbarea mai largă către achiziții native AI face ca această bază să fie mai greu de ignorat — pregătirea datelor este tratată ca un diferențiator competitiv și nu ca o cerință tehnică. Abordările tehnice, cum ar fi TF-IDF, similaritate semantică, praguri de ÃŪncredere, marje de scor, extinderea abrevierilor și bucle de feedback, funcționează mai bine atunci cÃĒnd ÃŪnsăși taxonomia este clară și separabilă.

Punctul nu este să copleșească echipele de achiziții cu terminologia modelului. Punctul este că calitatea taxonomiei devine calitatea modelului. Etichete și definiții mai bune creează semnale mai bune. Semnale mai bune creează o clasificare mai puternică. O clasificare mai puternică creează mai multă ÃŪncredere ÃŪn cubul de cheltuieli.

Lecția implementării

Construirea taxonomiei merită mai mult timp decÃĒt de obicei primește ÃŪn planul de proiect.

Grăbirea acestui pas creează două probleme previzibile. Primul este adoptarea slabă. Utilizatorii nu au ÃŪncredere ÃŪntr-un cub de cheltuieli atunci cÃĒnd categoriile nu se potrivesc cu modul ÃŪn care gÃĒndesc despre cheltuieli sau atunci cÃĒnd ierarhia se simte inconsistentă ÃŪntre echipe.

Al doilea este performanța slabă a modelului. Clasificarea devine mai grea atunci cÃĒnd categoriile țintă sunt vagi, redundante sau deconectate de la limbajul din date.

Niciuna dintre aceste probleme nu este rezolvată prin aplicarea mai multor AI. Fundația trebuie să fie corectă. Acesta este același model care apare ÃŪn ÃŪntreprinderile de AI ÃŪn general: majoritatea eșecurilor proiectelor de AI se datorează unei fundații de date care nu a fost gata, și nu modelelor ÃŪnsele.

O taxonomie puternică este guvernată central, informată de experți ÃŪn categorii, testată ÃŪmpotriva datelor reale, rafinată prin feedbackul modelului și menținută ÃŪn timp. Ea nu este un fișier de configurare unic. Ea este o parte centrală a modelului de operare al vizibilității cheltuielilor.

Taxonomia nu este o curățare administrativă. Ea este baza ÃŪncrederii ÃŪn cubul de cheltuieli. Din ce ÃŪn ce mai mult, ea este și baza pentru modul ÃŪn care AI poate clasifica, explica și ÃŪmbunătăți datele de achiziții ÃŪn timp.

Mitch Couper este Vicepreședinte al Datelor și Analiticii la SpendHQ, unde conduce echipa responsabilă cu transformarea datelor complexe de achiziții ÃŪn informații de afaceri fiabile și acționabile. Cu o decadă la SpendHQ și o experiență ÃŪn consultanță de achiziții, el aduce o expertiză profundă ÃŪn modul ÃŪn care organizațiile enterprise structurează și utilizează datele lor de cheltuieli.