İyi Bir Harcama Taksonomisinin İki Müşterisi Vardır

İyi bir harcama taksonomisinin iki müşterisi vardır: onu kullanmak zorunda olan insanlar ve onu sınıflandırmak zorunda olan modeller.

Çoğu lider, taksonomiyi bir kategori yapısı olarak anlar – harcamalarını anlamlı kümelere ayırmanın bir yolu. Aslında, bu sadece bir raporlama çerçevesinden çok daha fazlasıdır. Harcama nasıl yorumlandığını, nasıl veri haline geldiğini ve giderek artan şekilde AI sistemlerinin bu verileri nasıl sınıflandırdığını, analiz ettiğini ve içgörüler ürettiğini etkiler.

Bu, harcama görünürlüğü uygulamalarının genellikle küçümsendiği bir parçadır. Taksonomi genellikle bir kurulum adımı olarak ele alınır. Hiyerarşiyi tanımlayın, platforma yükleyin, harcamaları eşleyin ve devam edin. Ancak satın alma中的 AI benimsemesi hızlanıyor; 2025 yılında, CPO’ların %80’i üç yıl içinde üretken AI’yi dağıtmayı planlıyordu. Ancak yalnızca %36’sı anlamlı uygulamalara sahipti.

Gerçekte, taksonomi genellikle bu boşluğun nerede başladığını gösterir. İşletmenin harcamayı anlamak için kullandığı dil ve AI tarafından yönlendirilen sınıflandırmanın en önemli girdilerinden biri haline gelir. Eğer her iki kitleyi de başarısız olursa, aşağı akış etkileri hızla ortaya çıkar: kötü benimseme, düşük güven ve modellerin gerektiğinden daha zor ayarlanması.

Benimsenme Sorunu

Kullanıcılar için, taksonomi tasarımı bir değişim yönetimi sorunudur. Kategori yöneticileri, kaynak ekipleri, finans kullanıcıları ve yöneticilerin harcama kümelerine bakmaları ve bir çeviri katmanına ihtiyaç duymadan ne anlama geldiğini anlamaları gerekir.

Dağınık etiketler bunu daha zor hale getirir. İçsel kısaltmalar, belirsiz kategori isimleri, fazla kategori ve hiyerarşi boyunca tutarlı olmayan ayrıntı seviyeleri de öyle. Bir harcama küpü işlemleri doğru bir şekilde sınıflandırabilir, ancak kullanıcılar kategorileri yorumlayamıyorsa kötü bir kullanıcı deneyimi yaratabilir. Gartner, %63’ü ya AI için doğru veri yönetimi uygulamalarına sahip olmadığını ya da sahip olup olmadığını bilmediğini buldu ve 2026’ya kadar AI’ye hazır olmayan veri tarafından desteklenmeyen AI projelerinin %60’ın terk edileceğini öngörüyor.

Burada uygulamalara kategori ekibi girdisi gerekir. Kategorileri yöneten kişiler, harcamanın nasıl kaynaklandığını, müzakere edildiğini ve uygulandığını anlar. Bir kubenin yararlı olup olmadığını, bir ayrımın önemli olup olmadığını ve bir etiketin işletmenin gerçekten harcamayı nasıl konuştuğunu yansıtıp yansıtmadığını bilirler.

Ancak bu girdiye rehberlik gerekiyor. Her kategori ekibi izole olarak tasarlayamaz.

Örneğin, bir Tesis ekibi her hizmet türü için derin ayrıntı isteyebilir: işgücü, malzeme, varlık türü, onarım türü ve hizmet sıklığı. Bir BT ekibi ise Donanım, Yazılım ve Hizmetler gibi geniş kategoriler tercih edebilir. Her iki görüş de kendi işlevleri içinde anlam ifade edebilir. Ancak hiçbirisi tüm şirket taksonomi tasarımı için varsayılan tasarım ilkesi haline gelmemelidir.

Merkezi bir ekip çerçeveyi oluşturmalıdır. Taksonominin kaç seviyeye sahip olması gerekir? Nerede daha fazla ayrıntı daha iyi kaynak içgörüsü sağlar? Nerede gürültü yaratır? Hangi etiketler uzman olmayanlara açık olacaktır? Hangi kategoriler ayrılmalıdır ve hangileri birleştirilmelidir?

İyi bir taksonomi, her kategori ekibinin tercihlerinin en ayrıntılı versiyonu değildir. İşletmenin harcamayı tutarlı bir şekilde anlamak için kullandığı paylaşılan dildir.

AI Sorunu

Aynı taksonomi AI için de çalışmak zorundadır.

AI tarafından yönlendirilen sınıflandırmada, etiketler ve tanımlar sadece belgeler değildir. İşlemleri sınıflandırmak için kullanılan sinyalin bir parçası haline gelirler. İki kategori belirsiz veya örtüşen etiketlere sahipse, model birini diğerine tercih etmek için daha az temel sahiptir. Bir tanım çok genel ise, fazla eşleşme yapabilir. Eğer tanımda veri içinde hiç görünmeyen dil kullanılıyorsa, hiç eşleşme yapmayabilir.

Bu sadece model olgunluğu sorunu değildir. Bu, bir taksonomi tasarımı sorunudur.

İyi taksonomi tasarımı modelin daha temiz hedefler vermesini sağlar. Kategoriler ayırt edilebilir, tanımlanabilir, altta yatan veride tanınabilir ve neyin dahil edildiği ve neyin dahil edilmediği açık olmalıdır. Son nokta önemlidir. Dahil etme dili modelin neye bakacağını söyler. Dışlama dili, benzer vocabulary paylaştıkları için komşu kategorileri ayırmaya yardımcı olur.

Örneğin, tesis bakımı, MRO, bina hizmetleri, ekipman onarımı ve genel endüstriyel tedarik gibi alanları düşünün. Bu kategoriler kolayca örtüşebilir. Bir insan inceleyicisi, bağlamdan amaçlanan ayrımı anlayabilir. Bir model daha net bir sinyale ihtiyaç duyar. Birden fazla kategori benzer bakım faaliyeti hakkında konuşuyorsa ve belirli sınırlar yoksa, sınıflandırma güveni azalacaktır.

Aynı sorun, geri dönüşüm kategorilerinde de ortaya çıkar. Geniş bir kova, örneğin MRO / Genel Endüstriyel Tedarik, gerçekten belirsiz veriler olduğunda yararlı olabilir. Ancak daha precisa sınıflandırılabilecek harcamalar için bir yakalama tümü haline gelmemelidir. Veriler açıkça güvenlik gözlükleri, eldivenler, PPE veya ilk yardım malzemeleri olduğunu gösteriyorsa, taksonomi bu harcamaları Güvenlik Malzemeleri olarak sınıflandırmak için yeterli sinyal vermelidir, yoksa genel bir kovada bırakmamalıdır.

Daha İyi Taksonomi Tasarımı Nasıl Görünür

En iyi taksonomi çalışması tamamen manuel değildir ve tamamen otomatik değildir. Bir melez yaklaşımdır.

Merkezi bir çerçeve ile başlayın. Adlandırma kurallarını, hiyerarşi derinliğini, geri dönüşüm kategorilerini ve karar alma için gerekli ayrıntı seviyesini tanımlayın. Ardından, kategorileri gerçekten nasıl yönetildiğine karşı yapıyı test etmek için kategori ekiplerini getirin.

Oradan, pratik tanımlar yazın, akademik değil. Bir kategori tanımı, neyin dahil olduğunu, neyin dahil olmadığını ve veride hangi dilin ortaya çıkacağının söylemelidir. Satıcı isimleri, ürün terimleri, hizmet açıklamaları ve ortak kısaltmalar, dikkatli bir şekilde kullanıldıklarında önemli olabilir.

Ardından, taksonomiyi gerçek işlemlerle test edin. Yüksek harcama örneklerini inceleyin. Düşük güven eşleştirmelerini inceleyin. Tanımları çok geniş olduğu için fazla harcama yapan kategorileri arayın. Tanımları veride bulunan vocabulary kullanmadığı için az eşleşme yapan kategorileri arayın.

Burada AI değerli hale gelir. Desenleri ortaya çıkarabilir, güveni ölçebilir, belirsiz eşleşmeleri tanımlayabilir ve takımların nerede rafine edilmesi gerektiğini önceliklendirmelerine yardımcı olabilir. Ancak insan-döngü-adımı hala önemlidir, çünkü model bir kategorinin iş anlamını kendi başına kararlaştıramaz.

Taksonomi tasarımı, hem bir uygulama iş akışı hem de model kalitesi girdisi olarak ele alınmalıdır. Etiketler ve tanımlar, sınıflandırma etkiler. AI’ye özgü satın alma yönündeki daha geniş değişim, bu temelin daha da zor göz ardı edilmesini sağlar – veri hazırlığı artık bir teknik gereksinim değil, bir rekabet ayrıcalığı olarak ele alınmaktadır. TF-IDF eşleştirme, anlamsal benzerlik, güven eşikleri, puan marjları, kısaltma genişletme ve geri bildirim döngüleri gibi teknik yaklaşımlar, taksonomi itself açık ve ayrılmış olduğunda daha iyi çalışır.

Nokta, satın alma ekiplerini model terminolojisi ile boğmak değildir. Nokta, taksonomi kalitesinin model kalitesi haline geldiğidir. Daha iyi etiketler ve tanımlar daha iyi sinyaller oluşturur. Daha iyi sinyaller daha güçlü sınıflandırma oluşturur. Daha güçlü sınıflandırma, harcama küpüne daha fazla güven oluşturur.

Uygulama Dersi

Taksonomi oluşturulması, genellikle proje planında aldığından daha fazla zaman hak eder.

Bu adımı hızlandırarak iki öngörülebilir sorun yaratırsınız. Birincisi, kötü benimseme. Kullanıcılar, kategorilerin harcama hakkında düşündükleri şekilde eşleşmediği veya hiyerarşinin ekipler arasında tutarlı hissetmediği zaman harcama küpüne güvenmez.

İkincisi, kötü model performansı. Sınıflandırma, hedef kategorilerin belirsiz, fazla veya verideki dille bağlantısız olduğu zaman daha zor hale gelir.

Hiçbir sorun, sadece daha fazla AI uygulayarak çözülemez. Temel doğru olmalıdır. Bu, genel olarak empresa AI’de ortaya çıkan aynı desendir: çoğu AI projesi başarısızlığı, modellerin kendisinden değil, hazır olmayan bir veri temeline dayanmaktadır.

Güçlü bir taksonomi, merkezi olarak yönetilir, kategori uzmanları tarafından bilgilendirilir, gerçek verilerle test edilir, model geri bildirimi ile rafine edilir ve zaman içinde korunur. Bir kerelik kurulum dosyası değildir. Harcama görünürlüğü işletme modelinin temel bir parçasıdır.

Taksonomi, bir idari temizlik değildir. Harcama küpüne güvenin temelidir. Artık, AI’nin harcama verilerini nasıl sınıflandırabileceği, açıklayabileceği ve zaman içinde geliştirebileceği için de temel haline gelmektedir.