WIE SIE MIT IHREN NICHT-KLASSIFIZIERTEN AUSGABENDATEN MILLIONEN VERDIENEN KÖNNEN

Was nicht genutzt wird, ist eine Verschwendung. In der heutigen Zeit, in der man Zugriff auf riesige Datenmengen hat, ist es eine Verschwendung, diese Daten nicht voll auszuschöpfen. Daten tragen dazu bei, sowohl strategische als auch taktische Entscheidungen zu treffen, wodurch das Vertrauen zwischen internen Akteuren und Kunden erleichtert wird. Ohne dieses Vertrauen verliert die Beschaffung ihren Wert. In diesem Zusammenhang wandelt das maschinelle Lernen, das ein Teil der künstlichen Intelligenz (KI) ist, die datenbasierte Entscheidungsfindung in eine umfassendere und genauere Form um.  Beim maschinellen Lernen (ML) lernen Computer aus der Umgebung, ohne dass eine explizite Programmierung erforderlich ist. ML-Algorithmen gewinnen öffentliche, private und firmeneigene Informationen (z.B. Ausgabendaten, Verträge und Marktinformationen) aus Feldern mit enormen Datenmengen und nutzen die Daten zum Vorteil von Beschaffungsorganisationen.

Zu viele „Ratten“, die Ihre Ressourcen auffressen?

Sie wissen vielleicht, wie schwierig es für unzählige Öl- und Gasunternehmen ist, ihre Ausgaben für viele Güter und Dienstleistungen zu beziffern, weil sie nicht richtig kategorisiert sind. Es ist enttäuschend zu wissen, dass diese Unternehmen über mehrere hundert Millionen Dollar an falsch klassifizierten oder falsch gruppierten Daten verfügen, die sie daran hindern, ihre Ausgaben effektiv zu verwalten.

Zu den üblichen Methoden gehören die manuelle Klassifizierung der Ausgaben oder die Verwendung einer regelbasierten Software bei Lieferantennamen und die Verwendung von Schlüsselwörtern in der Freitextform. Diese Prozesse sind arbeitsintensiv und führen in der Regel zu einer genauen Klassifizierung von der Ausgaben bis zu 85 Prozent. Dieser Ansatz schränkt auch die Unterkategorisierung aufgrund der Abhängigkeit von Lieferantennamen gegenüber Materialbeschreibungen ein.

Von insgesamt 800.000 bis 1,2 Millionen Einzelposten eines typischen Satzes jährlicher Ausgabendaten kann man leicht und schnell 200.000 bis 400.000 nicht klassifizierte Posten finden. Andernfalls hätte es im Durchschnitt zwei bis vier Jahre gedauert, die Posten in die entsprechenden Kategorien zu klassifizieren. Dies ist auf den arbeitsintensiven Charakter des Kategorisierungsprozesses zurückzuführen, der oft den stetigen Zugang zur Sichtbarkeit der Ausgaben für eine informierte Entscheidungsfindung behindert.

Stellen Sie sich nun dieses Problem bei großen Unternehmen vor, was offensichtlich mehr Komplexität bedeutet, denn das Problem macht alles fast undurchdringlich. Personen aus verschiedenen Regionen und Geschäftsbereichen verwenden unterschiedliche Nomenklaturen für Lieferantennamen, Material, Einzelpostenbeschreibungen usw., was zu der primären Herausforderung mit falsch klassifizierten/unklassifizierten Ausgabendaten beiträgt, die nicht konsistent oder “textreich” sind.

Bringen Sie die Katze rein, um mit den ressourcenfressenden Ratten fertig zu werden

Durch den Algorithmus zum maschinellen Lernen wird die Kategorisierung von Rich-Text-basierten Daten aus Feldern wie Material-, Lieferanten- oder Zeilenbeschreibungen automatisiert. Beim maschinellen Lernen (ML) sind Daten wie Fische – je mehr Daten Sie Ihren ML-Algorithmus füttern, desto höher ist die Genauigkeit, die man bei der Klassifizierung der Ausgaben erwarten kann. .

Auf diese Weise können Unternehmen die Sichtbarkeit ihrer Ausgaben um bis zu 95 Prozent oder sogar mehr verbessern, je nach erfolgreicher Durchführung eines ML-basierten Ausgabenanalyse-Tools, das Daten in Echtzeit erfasst. Abgesehen von einem Anstieg des Sichtbarkeitsprozentsatzes kann man bis zu 110 Millionen Dollar pro 1 Milliarde Dollar an Ausgaben einsparen.

Wichtigste Schlussfolgerung:

• Durch maschinelles Lernen wird den Prozess der Datenprüfung reduziert, indem manuelle Eingriffe vermieden werden und mehr Zeit zur strategischen Arbeit freigesetzt wird.
• Dadurch wird zur beschleunigten Entscheidungsfindung beigetragen, indem die klassifizierten Ausgabendaten genutzt werden
• Bei der Klassifizierung mehrerer Kategorien hilft eine richtige Einschätzung der Kaufkanäle bei der Entscheidung, ob diese Kanäle erweitert oder auf einige wenige Kanäle reduziert werden müssen.
• ML-basierte Ausgabenanalysen tragen dazu bei, die Ausgaben für Einzelkämpfer zu senken, die Vertragsabdeckung zu erhöhen und die Rationalisierung von Lieferanten sicherzustellen.
• Die ML-basierte Ausgabenanalyse hilft, doppelte Lagerhaltungseinheiten (SKUs) zu vermeiden.

Wenn Sie ein Beschaffungsprofi bei einem Öl- und Gasunternehmen sind, müssen Sie inzwischen gelernt haben, wie Sie schnelle und detaillierte Aufsicht der globalen Ausgaben erhalten und durch innovative Strategien Kosteneinsparungsmöglichkeiten erschließen können. Eigentlich sollten Beschaffungsprofis aus jeder Branche, die daran interessiert sind, Millionen von Dollar pro ausgegebene Milliarde Dollar zu verdienen, das ML-basierte Ausgabenanalyse-Tool in Betracht ziehen, das jahrelange Klassifizierungsaufgaben in wenigen Stunden verarbeiten kann. Brauchen Sie Unterstützung? Fragen Sie uns.

Oder sehen Sie sich das Video an, um mehr zu erfahren: