Sie wissen vielleicht, wie schwierig es f\u00fcr unz\u00e4hlige \u00d6l- und Gasunternehmen<\/a> ist, ihre Ausgaben f\u00fcr viele G\u00fcter und Dienstleistungen zu beziffern, weil sie nicht richtig kategorisiert sind. Es ist entt\u00e4uschend zu wissen, dass diese Unternehmen \u00fcber mehrere hundert Millionen Dollar an falsch klassifizierten oder falsch gruppierten Daten verf\u00fcgen, die sie daran hindern, ihre Ausgaben effektiv zu verwalten.<\/p>\n Zu den \u00fcblichen Methoden geh\u00f6ren die manuelle Klassifizierung der Ausgaben oder die Verwendung einer regelbasierten Software bei Lieferantennamen und die Verwendung von Schl\u00fcsselw\u00f6rtern in der Freitextform. Diese Prozesse sind arbeitsintensiv und f\u00fchren in der Regel zu einer genauen Klassifizierung von der Ausgaben bis zu 85 Prozent. Dieser Ansatz schr\u00e4nkt auch die Unterkategorisierung aufgrund der Abh\u00e4ngigkeit von Lieferantennamen gegen\u00fcber Materialbeschreibungen ein.<\/p>\n Von insgesamt 800.000 bis 1,2 Millionen Einzelposten eines typischen Satzes j\u00e4hrlicher Ausgabendaten kann man leicht und schnell 200.000 bis 400.000 nicht klassifizierte Posten finden. Andernfalls h\u00e4tte es im Durchschnitt zwei bis vier Jahre gedauert, die Posten in die entsprechenden Kategorien zu klassifizieren. Dies ist auf den arbeitsintensiven Charakter des Kategorisierungsprozesses zur\u00fcckzuf\u00fchren, der oft den stetigen Zugang zur Sichtbarkeit der Ausgaben f\u00fcr eine informierte Entscheidungsfindung behindert.<\/p>\n Stellen Sie sich nun dieses Problem bei gro\u00dfen Unternehmen vor, was offensichtlich mehr Komplexit\u00e4t bedeutet, denn das Problem macht alles fast undurchdringlich. Personen aus verschiedenen Regionen und Gesch\u00e4ftsbereichen verwenden unterschiedliche Nomenklaturen f\u00fcr Lieferantennamen, Material, Einzelpostenbeschreibungen usw., was zu der prim\u00e4ren Herausforderung mit falsch klassifizierten\/unklassifizierten Ausgabendaten beitr\u00e4gt, die nicht konsistent oder “textreich” sind.<\/p>\n 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 f\u00fcttern, desto h\u00f6her ist die Genauigkeit, die man bei der Klassifizierung der Ausgaben erwarten kann. .<\/p>\n Auf diese Weise k\u00f6nnen Unternehmen die Sichtbarkeit ihrer Ausgaben um bis zu 95 Prozent oder sogar mehr verbessern, je nach erfolgreicher Durchf\u00fchrung eines ML-basierten Ausgabenanalyse<\/a>-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.<\/p>\n <\/p>\nBringen Sie die Katze rein, um mit den ressourcenfressenden Ratten fertig zu werden<\/strong><\/h2>\n
Wichtigste Schlussfolgerung:<\/strong><\/h3>\n
\n
![\"\"](\"https:\/\/www.zycus.com\/de\/wp-content\/uploads\/2020\/04\/gb2.png\")
<\/p>\n