Một Phân loại Chi tiêu Tốt có Hai Khách hàng

Một phân loại chi tiêu tốt có hai khách hàng: những người cần sử dụng nó và các mô hình cần phân loại chống lại nó.

Hầu hết các nhà lãnh đạo hiểu phân loại như một cấu trúc danh mục – một cách để tổ chức những gì họ chi tiêu vào các nhóm có ý nghĩa. Trên thực tế, nó là nhiều hơn một khuôn khổ báo cáo. Nó định hình cách mọi người giải thích chi tiêu, cách nó hình thành thành dữ liệu và ngày càng ảnh hưởng đến cách các hệ thống AI phân loại, phân tích và tạo ra thông tin từ dữ liệu đó.

Đó là phần của việc triển khai khả năng hiển thị chi tiêu thường bị đánh giá thấp. Phân loại thường được đối xử như một bước thiết lập. Định nghĩa phân cấp, tải nó vào nền tảng, ánh xạ chi tiêu và di chuyển. Nhưng việc áp dụng AI trong mua sắm đang tăng tốc; vào năm 2025, 80% của các CPO dự định triển khai AI tạo ra trong ba năm. Chỉ 36% đã có các triển khai có ý nghĩa.

Trên thực tế, phân loại thường là nơi mà khoảng cách đó bắt đầu. Nó trở thành ngôn ngữ mà doanh nghiệp sử dụng để hiểu chi tiêu và một trong những đầu vào quan trọng nhất vào phân loại AI. Nếu nó thất bại với cả hai khán giả, tác động hạ lưu sẽ xuất hiện nhanh chóng: việc áp dụng kém, sự tin tưởng thấp hơn và các mô hình khó điều chỉnh hơn họ cần.

Vấn đề Ứng dụng

Đối với người dùng, thiết kế phân loại là một vấn đề quản lý thay đổi. Các nhà quản lý danh mục, nhóm mua sắm, người dùng tài chính và các nhà điều hành cần xem các nhóm chi tiêu và hiểu những gì chúng có nghĩa mà không cần một lớp dịch.

Các nhãn lộn xộn làm cho việc đó khó hơn. Cũng như các từ viết tắt nội bộ, tên danh mục mơ hồ, danh mục trùng lặp và mức độ chi tiết không nhất quán trên phân cấp. Một khối lập phương chi tiêu có thể phân loại giao dịch chính xác và vẫn tạo ra một trải nghiệm người dùng kém nếu người dùng không thể giải thích các danh mục. Gartner tìm thấy rằng 63% của các tổ chức hoặc không có hoặc không chắc chắn họ có các thực hành quản lý dữ liệu phù hợp cho AI, và dự đoán rằng thông qua năm 2026, 60% của các dự án AI không được hỗ trợ bởi dữ liệu AI sẵn sàng sẽ bị bỏ rơi.

Đây là nơi triển khai cần đầu vào từ các nhóm danh mục. Những người quản lý các danh mục hiểu cách chi tiêu được mua, đàm phán và thực hiện. Họ biết liệu một nhóm có hữu ích, liệu một sự khác biệt có ý nghĩa và liệu một nhãn phản ánh cách doanh nghiệp thực sự nói về chi tiêu.

Nhưng đầu vào đó cần có rào cản. Mỗi nhóm danh mục không thể thiết kế độc lập.

Một nhóm Cơ sở vật chất có thể muốn chi tiết sâu cho mỗi loại dịch vụ: lao động, vật liệu, loại tài sản, loại sửa chữa và tần suất dịch vụ. Một nhóm CNTT có thể thích các danh mục rộng như Phần cứng, Phần mềm và Dịch vụ. Cả hai quan điểm có thể có ý nghĩa trong chức năng của riêng họ. Không quan điểm nào nên trở thành nguyên tắc thiết kế mặc định cho toàn bộ phân loại doanh nghiệp.

Một nhóm tập trung cần tạo ra khuôn khổ. Số lượng cấp độ mà phân loại nên có là bao nhiêu? Ở đâu thì tính chi tiết hơn tạo ra thông tin mua sắm tốt hơn? Ở đâu thì nó tạo ra tiếng ồn? Những nhãn nào sẽ rõ ràng với các chuyên gia không chuyên? Những danh mục nào cần được tách biệt và những danh mục nào nên vẫn được hợp nhất?

Một phân loại tốt không phải là phiên bản chi tiết nhất của mọi sở thích của nhóm danh mục. Đó là ngôn ngữ chung mà doanh nghiệp sử dụng để hiểu chi tiêu một cách nhất quán.

Vấn đề AI

Cùng một phân loại cũng phải hoạt động cho AI.

Trong phân loại AI, các nhãn và định nghĩa không chỉ là tài liệu. Chúng trở thành một phần của tín hiệu được sử dụng để phân loại giao dịch. Nếu hai danh mục có nhãn hoặc định nghĩa mơ hồ hoặc trùng lặp, mô hình có ít cơ sở hơn để chọn một trong hai. Nếu một định nghĩa quá chung chung, nó có thể trùng lặp. Nếu nó sử dụng ngôn ngữ mà không bao giờ xuất hiện trong dữ liệu, nó có thể không trùng lặp.

Điều này không chỉ là vấn đề về độ trưởng thành của mô hình. Đó là vấn đề về thiết kế phân loại.

Thiết kế phân loại tốt cung cấp cho mô hình các mục tiêu sạch hơn. Các danh mục nên khác biệt, có thể mô tả, có thể nhận biết trong dữ liệu cơ bản và rõ ràng về những gì thuộc về và những gì không thuộc về. Điểm cuối cùng quan trọng. Ngôn ngữ bao gồm giúp mô hình biết những gì cần tìm. Ngôn ngữ loại trừ giúp tách biệt các danh mục liền kề có thể chia sẻ từ vựng tương tự.

Xét các lĩnh vực như bảo trì cơ sở vật chất, MRO, dịch vụ tòa nhà, sửa chữa thiết bị và vật tư công nghiệp chung. Những danh mục này có thể dễ dàng trùng lặp. Một người xem xét có thể hiểu sự khác biệt dự định từ ngữ cảnh. Một mô hình cần tín hiệu rõ ràng hơn. Nếu nhiều danh mục đều mô tả hoạt động bảo trì tương tự mà không có ranh giới cụ thể, sự tự tin phân loại sẽ bị ảnh hưởng.

Vấn đề tương tự xuất hiện với các danh mục dự phòng. Một nhóm rộng như MRO / Vật tư Công nghiệp Chung có thể hữu ích khi dữ liệu thực sự mơ hồ. Nhưng nó không nên trở thành một nhóm bắt tất cả chi tiêu có thể được phân loại chính xác hơn. Nếu dữ liệu rõ ràng chỉ ra kính an toàn, găng tay, thiết bị bảo hộ cá nhân hoặc vật tư sơ cứu, phân loại nên cung cấp đủ tín hiệu để phân loại chi tiêu đó là Vật tư An toàn thay vì để nó trong một nhóm chung.

Thiết kế Phân loại Tốt hơn trông như thế nào

Công việc phân loại tốt nhất không hoàn toàn thủ công và cũng không hoàn toàn tự động. Đó là một cách tiếp cận kết hợp.

Bắt đầu với một khuôn khổ tập trung. Định nghĩa các quy ước đặt tên, độ sâu của phân cấp, các danh mục dự phòng và mức độ chi tiết cần thiết cho việc ra quyết định. Sau đó, đưa các nhóm danh mục vào để kiểm tra cấu trúc chống lại cách chi tiêu thực sự được quản lý.

Từ đó, viết các định nghĩa thực tế, không phải học thuật. Một định nghĩa danh mục hữu ích nên nói những gì thuộc về, những gì không thuộc về và những gì ngôn ngữ có thể xuất hiện trong dữ liệu. Tên nhà cung cấp, thuật ngữ sản phẩm, mô tả dịch vụ và các từ viết tắt chung có thể đều quan trọng khi chúng được sử dụng cẩn thận.

Sau đó, kiểm tra phân loại chống lại các giao dịch thực. Xem xét các ví dụ chi tiêu cao. Xem xét các trận đấu không chắc chắn. Tìm kiếm các danh mục đang chiếm quá nhiều chi tiêu vì định nghĩa của chúng quá rộng. Tìm kiếm các danh mục không trùng lặp vì định nghĩa của chúng không sử dụng từ vựng tìm thấy trong dữ liệu nguồn.

Đây là nơi AI có giá trị. Nó có thể đưa ra các mẫu, đo lường sự tự tin, xác định các trận đấu mơ hồ và giúp các nhóm ưu tiên nơi cần tinh chỉnh. Nhưng bước con người trong vòng lặp vẫn quan trọng vì mô hình không thể quyết định ý nghĩa kinh doanh của một danh mục một mình.

Thiết kế phân loại nên được coi là cả một dòng công việc triển khai và một đầu vào chất lượng mô hình. Các nhãn và định nghĩa ảnh hưởng đến phân loại. Sự thay đổi rộng lớn hơn hướng đến mua sắm bản địa AI đang khiến nền tảng đó khó bị bỏ qua – sẵn sàng dữ liệu được coi là một yếu tố phân biệt cạnh tranh chứ không phải là một yêu cầu kỹ thuật. Các cách tiếp cận kỹ thuật như TF-IDF, sự tương đồng ngữ nghĩa, ngưỡng tự tin, biên độ điểm, mở rộng từ viết tắt và vòng lặp phản hồi hoạt động tốt hơn khi phân loại chính nó rõ ràng và có thể tách biệt.

Điểm là không để làm cho các nhóm mua sắm bị choáng ngợp với thuật ngữ mô hình. Điểm là chất lượng phân loại trở thành chất lượng mô hình. Các nhãn và định nghĩa tốt hơn tạo ra các tín hiệu tốt hơn. Các tín hiệu tốt hơn tạo ra phân loại mạnh mẽ hơn. Phân loại mạnh mẽ hơn tạo ra sự tin tưởng nhiều hơn trong khối lập phương chi tiêu.

Bài học Triển khai

Xây dựng phân loại xứng đáng nhận được nhiều thời gian hơn nó thường nhận được trong kế hoạch dự án.

Đẩy nhanh bước này tạo ra hai vấn đề có thể dự đoán. Đầu tiên là việc áp dụng kém. Người dùng không tin tưởng một khối lập phương chi tiêu khi các danh mục không khớp với cách họ nghĩ về chi tiêu hoặc khi phân cấp cảm thấy không nhất quán trên các nhóm.

Thứ hai là hiệu suất mô hình kém. Phân loại trở nên khó khăn hơn khi các danh mục mục tiêu không rõ ràng, trùng lặp hoặc không liên quan đến ngôn ngữ trong dữ liệu.

Cả hai vấn đề không được giải quyết bằng cách đơn giản áp dụng nhiều AI hơn. Nền tảng phải đúng. Đó là cùng một mẫu xuất hiện trên toàn bộ AI doanh nghiệp: hầu hết các dự án AI thất bại đều truy ngược lại một nền tảng dữ liệu không sẵn sàng, không phải chính các mô hình.

Một phân loại mạnh được quản lý tập trung, được thông báo bởi các chuyên gia danh mục, được kiểm tra chống lại dữ liệu thực, được tinh chỉnh thông qua phản hồi mô hình và được duy trì theo thời gian. Nó không phải là một tệp thiết lập một lần. Nó là một phần cốt lõi của mô hình hoạt động khả năng hiển thị chi tiêu.

Phân loại không phải là một việc dọn dẹp hành chính. Nó là nền tảng cho sự tin tưởng trong khối lập phương chi tiêu. Ngày càng nhiều, nó cũng là nền tảng cho cách AI có thể phân loại, giải thích và cải thiện dữ liệu mua sắm theo thời gian.