Wie man einen Spend Cube mit KI baut

Kurzantwort: Ein Spend Cube ist Procurement-Spend, so organisiert, dass er gleichzeitig aus mehreren Blickwinkeln betrachtet werden kann: nach Lieferant, nach Kategorie und nach dem Unternehmensteil, der eingekauft hat. Einen zu bauen braucht fünf Schritte: Daten auf Zeilenebene extrahieren, bereinigen, die Lieferantenliste auflösen, Taxonomie und Regeln festlegen, dann klassifizieren und prüfen. Ein Berater baut ihn einmal. Eine KI-Pipeline baut ihn jeden Monat neu.

Auf dieser Seite: Was ein Spend Cube tatsächlich ist · Einen Spend Cube Schritt für Schritt bauen · Wann einen Procurement-Berater einsetzen · Wann eine KI-Pipeline einsetzen · Häufig gestellte Fragen

Die meisten Unternehmen, die nach einem Spend Cube fragen, wissen bereits ungefähr, wohin ihr Geld fließt. Was sie nicht können, ist eine Anschlussfrage ohne eine Woche Arbeit zu beantworten.

Sie kennen die Top-Ten-Lieferanten. Sie können nicht sagen, ob dasselbe Produkt an vier Standorten zu drei verschiedenen Preisen gekauft wird. Sie wissen, dass der Facility-Spend gestiegen ist. Sie können nicht sagen, ob das Volumen, Preis, oder eine verschobene Kategoriegrenze ist.

Die Lücke ist nicht die Analyse. Es ist, dass die zugrunde liegenden Daten keine Struktur haben, die man analysieren könnte. Ein Finance-Export liefert einen Lieferanten, einen Betrag und einen Satz Freitext. Alles Nützliche steckt in diesem Satz, und niemand hat es je herausgeholt.

Was ein Spend Cube tatsächlich ist

Ein Cube ist Spend, der entlang mehr als einer Dimension gleichzeitig organisiert ist, sodass jeder Ausschnitt verfügbar ist, ohne irgendetwas neu zu bauen.

Drei Dimensionen erledigen den Großteil der Arbeit.

Lieferant. An wen Sie bezahlt haben, aufgelöst zu einer einzigen Entität. Nicht vier Schreibweisen desselben Firmennamens, und keine Muttergesellschaft, die drei Handelstöchter verbirgt.

Kategorie. Was tatsächlich gekauft wurde, klassifiziert gegen eine Taxonomie. Das ist die Dimension, die im Quellsystem nicht existiert, und der Grund, warum Spend-Cube-Projekte existieren.

Geschäftseinheit. Zu welcher Entität, welchem Standort oder welcher Kostenstelle der Spend gehört. Für jedes Unternehmen, das über mehrere juristische Einheiten hinweg tätig ist, ist das die Dimension, die einen Bericht in eine Verhandlungsposition verwandelt, weil sie zeigt, dass derselbe Artikel an fünf Stellen separat gekauft wird.

Zeit liegt über allen dreien. Der Sinn des Cube ist nicht die Momentaufnahme. Er ist, sehen zu können, ob sich ein Preis bewegt hat, ob eine Kategorie gewachsen ist, und ob eine Entscheidung, die Sie vor neun Monaten getroffen haben, etwas verändert hat.

Alles andere, was Menschen von einem Spend Cube wollen, Einsparungsidentifikation, Lieferantenkonsolidierung, Benchmarking, Preisabweichungen, ist eine Abfrage gegen diese Dimensionen. Sind die Dimensionen sauber, sind die Fragen einfach. Sind sie es nicht, rettet kein Dashboard das.

Einen Spend Cube Schritt für Schritt bauen

Schritt eins: Daten auf Zeilenebene extrahieren. Zusammenfassende Summen sind hier nutzlos. Sie brauchen jede Transaktionszeile, mit Belegnummer, Datum, Lieferantenname und -nummer, der Freitextbeschreibung, Menge, Stückpreis, Gesamtwert, Währung und einem Kostenstellenverweis. Wo eine interne Materialnummer existiert, nehmen Sie sie mit. Zwölf Monate sind das Minimum für eine glaubwürdige Baseline, weil alles Kürzere Saisonalität nicht von einem Trend trennen kann.

Dieser Schritt ist meist der langsame, und er hat nichts mit Klassifizierung zu tun. Er hängt davon ab, wie schnell Finance den Export produzieren kann, und davon, wie viel davon in einem alternden ERP ohne Reporting-Schicht eingeschlossen ist.

Schritt zwei: die Datei bereinigen. Rechnen Sie mit Problemen, und rechnen Sie damit, dass sie spezifisch sind. Doppelte Zeilen aus einem zweimal ausgeführten Export. Fehlende Stückpreise bei einer Teilmenge der Zeilen. Ein Währungsfeld, das für ein Land nie befüllt wurde und still eine ausländische Rechnung in eine Zahl in Landeswährung umwandelt und jede darüberliegende Summe verzerrt. Wenn die Daten über Dokumentenerfassung statt über einen Systemexport eingingen, rechnen Sie damit, dass Daten und Adressen als Positionen erfasst wurden.

Nichts davon ist exotisch. Alles davon ändert die Antwort, und alles davon ist unsichtbar, sobald die Zahlen ein Diagramm erreichen.

Schritt drei: die Lieferantenliste auflösen. Tun Sie das, bevor Sie irgendetwas klassifizieren. Der Lieferant ist eines der stärksten Signale, um herauszufinden, was eine Zeile tatsächlich ist, sodass eine saubere Lieferantenliste den nächsten Schritt spürbar genauer macht. Es ist auch meist die erste Stelle, an der ein echter Fund auftaucht, weil die Deduplizierung der Liste meist der Moment ist, in dem ein Unternehmen entdeckt, dass es drei separate Konten beim selben Distributor hat.

Schritt vier: Taxonomie festlegen und Regeln schreiben. Entscheiden Sie, welchen Standard Sie verwenden und wie tief Sie gehen müssen. UNSPSC ist die übliche Wahl, weil er extern ist, was bedeutet, dass Lieferanten und Kunden ihn möglicherweise schon verwenden. Halten Sie dann eine Sitzung mit den Menschen ab, die tatsächlich einkaufen, und arbeiten Sie die Grenzfälle durch, die das Unternehmen wirklich hat. Bedeutet eine Zeile mit „Stunden“ Subunternehmer-Arbeit oder Gerätevermietung. Wie werden Transportkosten, Kraftstoffzuschläge und Gutschriften behandelt. Halten Sie jede Entscheidung schriftlich fest.

Diesen Schritt zu überspringen ist der mit Abstand häufigste Grund, warum ein Spend Cube zweimal gebaut wird.

Schritt fünf: klassifizieren, bewerten, prüfen. Jede Zeile erhält einen Code und einen Konfidenzwert. Zeilen, bei denen sich das System unsicher ist, eine Beschreibung, die nur aus einer Teilenummer besteht, ein zum ersten Mal auftauchender Lieferant, ein Artikel, der in zwei Familien passen könnte, gehen an eine Person. Diese Prüfung ist kein nachträglich angehängter Qualitätscheckpoint. Sie ist der Ort, an dem die Regeln verfeinert werden, und wo die Korrekturen herkommen, die verhindern, dass dieselbe Mehrdeutigkeit erneut auftritt.

Bei Pearstop läuft das als verwaltete Pipeline: eingeschränkte Taxonomie, sodass keine Codes erfunden werden können, Lieferantenkontext gegen die Beschreibung gewichtet, unternehmenseigene Regeln angewendet, Zeilen mit geringer Konfidenz zur Prüfung weitergeleitet, Korrekturen zurückgeführt.

Wann einen Procurement-Berater einsetzen

Ein Berater ist die richtige Wahl, wenn das Problem nicht wirklich die Daten sind.

Wenn ein Unternehmen noch nie professionelles Procurement betrieben hat, ist der Spend Cube nur ein kleiner Teil dessen, was es braucht. Es muss wissen, welcher Spend überhaupt adressierbar ist. Es braucht ein kommerzielles Modell. Es braucht jemanden, der die Funktion gestaltet, entscheidet, wer worüber verhandelt, und im Raum sitzt, wenn ein Lieferant zurückdrängt. Diagnosen etablierter Procurement-Beratungen decken genau das ab, und die Gebühr spiegelt wider, dass eine Senior-Person Urteilsarbeit leistet, nicht Datenarbeit.

Die Faustregel im Markt ist, dass das Anfassen von wirklich nicht gemanagtem Spend bei einem mittelgroßen Unternehmen recht schnell rund zehn Prozent an Einsparungen ans Licht bringt. Wenn das die Situation ist, ist der Business Case für einen Berater eindeutig, und über die Kosten der Klassifizierungskomponente zu streiten, geht am Punkt vorbei.

Setzen Sie einen Berater ein, wenn Sie eine Entscheidung, ein Mandat und jemanden brauchen, der für die Lieferung der Zahl verantwortlich ist. Das Ergebnis ist eine Strategie und eine Reihe durchgeführter Verhandlungen.

Die Einschränkung ist nicht die Qualität. Es ist die Haltbarkeit. Ein von einem Berater gebauter Cube ist am Tag der Lieferung korrekt und beginnt sofort zu verfallen, weil die Rechnungen des nächsten Monats unklassifiziert eintreffen und niemand im Haus die verwendeten Regeln kennt. Zwölf Monate später wird dieselbe Übung erneut beauftragt.

Wann eine KI-Pipeline einsetzen

Eine KI-Pipeline ist die richtige Wahl, wenn die Klassifizierung selbst der Engpass ist, und wenn die Antwort auch nächstes Quartal noch stimmen muss.

Drei Situationen machen das offensichtlich.

Eine ERP-Migration steht bevor. Das ist der stärkste Auslöser, den wir sehen. Es gibt keinen Sinn darin, unstrukturierte Historie in ein neues System zu laden, und es gibt jeden Grund, jetzt damit zu beginnen, neue Bestellungen korrekt zu codieren, sodass die Migration saubere Daten erbt statt desselben Problems in einer besseren Oberfläche.

Der Rückstau ist zu groß, um die Aufgabe einer Person zu sein. Mehrere hunderttausend historische Zeilen von Hand zu klassifizieren, ist eine Vollzeit-Analystenrolle, die nie endet, weil ständig neue Zeilen eintreffen. Der Vergleich, der sich lohnt, ist nicht die Genauigkeit pro Zeile. Es ist, ob Sie wollen, dass ein Einkäufer seine Woche mit Datencodierung verbringt oder mit dem Verhandeln mit den Lieferanten, auf die die Daten hinweisen.

Jemand hat es bereits mit einem allgemeinen Assistenten versucht. Das passiert ständig. Eine fähige Person nimmt ihre Daten, arbeitet sie mit einem Chatbot durch und stellt fest, dass er Codes erfindet, sich zwischen Durchläufen selbst widerspricht und kein Signal dafür bietet, welchen Antworten zu vertrauen ist. Das bereits ausgegebene Geld wurde nicht für Klassifizierung verschwendet. Es wurde dafür ausgegeben, herauszufinden, dass die Absicherungen das eigentliche Produkt sind.

Die Ökonomie unterscheidet sich strukturell, nicht nur in der Größenordnung. Ein Berater ist eine Projektgebühr, die eine Momentaufnahme-Antwort kauft. Eine Pipeline ist eine Einrichtungskosten plus eine volumenbasierte laufende Kosten, und die Grenzkosten des nächsten Monats liegen nahe null.

Die beiden konkurrieren nicht wirklich miteinander. Die sinnvollste Anordnung, die wir sehen, ist ein Berater, der Strategie und Verhandlungen führt, mit einem Cube, der darunter von einer Pipeline gebaut und gepflegt wird, sodass Jahr zwei nicht bei einem leeren Blatt beginnt.

Stephanie Wiechers

CEO & Co-founder, Pearstop

Stephanie leads Pearstop's go-to-market and strategic direction. She works directly with procurement and FM leaders across Europe to understand how data quality affects margins, contracts, and AI readiness.

LinkedIn →