米奇·库珀是SpendHQ的数据和分析副总裁，在那里他领导着一个团队，负责将复杂的采购数据转化为可靠、可行的商业智能。拥有十年的SpendHQ经验和采购咨询背景，他为企业组织如何构建和使用其支出数据带来了深厚的专业知识。
良好的支出分类体系有两个客户：需要使用它的人和需要对其进行分类的模型。大多数领导者将分类体系理解为一个类别结构——一种将支出组织成有意义的类别的方式。实际上，它远不止是一个报告框架。它决定了人们如何解释支出、如何将其转化为数据，以及日益影响着AI系统如何对数据进行分类、分析和生成见解。这就是支出可见性实施中经常被低估的部分。分类体系通常被视为一个设置步骤。定义层次结构，加载到平台中，映射支出，然后继续。但是，采购中的AI采用正在加速；到2025年，80%的首席采购官计划在三年内部署生成式AI。只有36%拥有有意义的实施。实际上，分类体系通常是这一差距的起点。它成为业务用来理解支出的语言，并且是AI驱动的分类的最重要输入之一。如果它无法满足两个客户的需求，下游影响会迅速显现：采用率低、信任度低，模型更难调优。采用问题对于用户来说，分类体系设计是一个变革管理问题。类别经理、采购团队、财务用户和高管需要查看支出类别并理解其含义，而无需翻译层。混乱的标签使其更加困难。内部首字母缩写、模糊的类别名称、冗余类别和层次结构中不一致的细节水平也会使其更加困难。支出立方体可以正确地对事务进行分类，但如果用户无法解释类别，仍然会创建一个糟糕的用户体验。Gartner发现，63%的组织要么没有，要么不确定是否拥有适合AI的数据管理实践，并预测到2026年，60%的AI项目如果没有AI就绪数据的支持，将会被放弃。这就是需要类别团队输入的地方。管理类别的人员了解支出是如何采购、谈判和执行的。他们知道哪个类别是有用的，哪个区别是重要的，哪个标签反映了业务实际上如何谈论支出。但是，这种输入需要防护措施。每个类别团队都不能在孤立中设计。一个集中团队必须创建框架。分类体系应该有多少个层级？哪里需要更多的细节来创建更好的采购见解？哪里会产生噪音？哪些标签对非专家来说是清晰的？哪些类别需要分离，哪些应该保持合并？一个好的分类体系不是每个类别团队偏好的最详细版本。它是企业用来一致地理解支出的共享语言。AI问题同样的分类体系也必须适用于AI。在AI驱动的分类中，标签和定义不仅仅是文档。它们成为用于对事务进行分类的信号的一部分。如果两个类别有模糊或重叠的标签，模型就有更少的理由选择其中一个。如果定义太过通用，它可能会过度匹配。如果它使用的语言在数据中从未出现过，它可能根本不会匹配。这不仅仅是一个模型成熟度的问题。这是一个分类体系设计问题。好的分类体系设计为模型提供了更清晰的目标。类别应该是明确的、可描述的、可在底层数据中识别的，并且清楚地知道什么属于什么不属于。最后一点很重要。包含语言告诉模型需要寻找什么。排除语言有助于分离具有相似词汇的相邻类别。考虑诸如设施维护、MRO、建筑服务、设备维修和一般工业用品等领域。这些类别很容易重叠。人类审查者可能会从上下文中理解预期的区别。模型需要一个更清晰的信号。如果多个类别都描述了类似的维护活动而没有明确的边界，分类的信心就会受到影响。更好的分类体系设计是什么样的最好的分类体系工作不是纯粹的手动，也不是完全自动化的。它是一个混合方法。从一个集中框架开始。定义命名约定、层次深度、回退类别和决策所需的细节水平。然后将类别团队纳入其中，以测试结构是否符合实际支出管理方式。从那里开始，编写实用的定义，而不是学术定义。一个有用的类别定义应该说明什么属于该类别，什么不属于该类别，以及数据中可能出现的语言。供应商名称、产品术语、服务描述和常见缩写都很重要，当它们被仔细使用时。然后将分类体系测试到实际事务中。查看高支出示例。查看低置信度匹配。寻找由于定义过于宽泛而过度匹配支出的类别。寻找由于定义中未使用数据中发现的词汇而无法匹配的类别。这就是AI有价值的地方。它可以揭示模式、衡量信心、识别模糊匹配，并帮助团队确定需要改进的优先顺序。但是，人在循环中的步骤仍然很重要，因为模型无法自行决定类别的业务含义。分类体系设计应该被视为一个实施工作流和一个模型质量输入。标签和定义会影响分类。向AI原生采购的更广泛转变使得这个基础更加难以忽视——数据准备被视为一个竞争性差异化因素，而不是一个技术要求。诸如TF-IDF匹配、语义相似性、置信度阈值、评分边距、缩写扩展和反馈循环等技术方法在分类体系本身清晰可分离时效果更好。关键点不是让采购团队感到困惑于模型术语。关键点是分类体系质量变成了模型质量。更好的标签和定义会产生更好的信号。更好的信号会产生更强的分类。更强的分类会在支出立方体中产生更多的信任。实施教训分类体系构建应该在项目计划中分配更多的时间。加速这一步骤会产生两个可预测的问题。第一个问题是采用率低。用户不会信任一个支出立方体，如果类别与他们思考支出的方式不符，或者如果层次结构在团队中感觉不一致。第二个问题是模型性能差。分类变得更加困难，当目标类别模糊、冗余或与数据中的语言无关时。这两个问题都不能通过简单地应用更多的AI来解决。基础必须是正确的。这是整个企业AI中出现的相同模式：大多数AI项目的失败都源于一个没有准备好的数据基础，而不是模型本身。一个强大的分类体系是集中治理的，受到类别专家的信息，测试了实际数据，通过模型反馈进行了改进，并且随着时间的推移而维护。它不是一个一次性的设置文件。它是支出可见性运营模型的核心部分。分类体系不是一个行政清理。它是支出立方体中信任的基础。日益增长地，它也是AI能够对采购数据进行分类、解释和改进的基础。
