Der eigentliche Engpass bei einer Spend-Bereinigung ist der Lieferantenabgleich

Kurzantwort: Die Zeilenklassifizierung ist nicht der schwierige Teil einer Spend-Bereinigung. Moderne Klassifizierungspipelines erreichen im ersten Durchlauf eine hohe automatisierte Trefferquote. Was tatsächlich bestimmt, wie lange eine Bereinigung dauert, ist der Lieferantenabgleich: denselben Lieferanten, der unter einem Dutzend Namensvarianten auftaucht, auf einen einzigen Datensatz zusammenzuführen. Diese letzte Lücke zu schließen braucht eine kurze, gezielte manuelle Prüfung der schwierigsten nicht zugeordneten Lieferanten, nicht mehr Automatisierung.

Auf dieser Seite: Die Klassifizierung stößt schnell an ihre Grenze · Der Lieferantenabgleich ist das schwierigere Problem · Die manuelle Prüfung, die tatsächlich weiterhilft · Wie guter Lieferantenabgleich aussieht · FAQ

Die Klassifizierung stößt schnell an ihre Grenze

Ich leite die Umsetzung bei den meisten unserer Projekte, daher bin ich normalerweise die Person, die eine Bereinigung durch ihre erste Woche verfolgt. Das Muster, das Kunden fast jedes Mal überrascht, ist, wie schnell die Zeilenklassifizierung gut wird. Setzen Sie eine eingeschränkte Taxonomie und eine Regelschicht auf eine Spend-Datei an, und der Großteil der Zeilen landet im ersten automatisierten Durchlauf in einer korrekten Kategorie, wobei die wirklich mehrdeutigen zur Prüfung markiert statt erraten werden. Dieser Teil der Arbeit verhält sich so, wie Menschen erwarten, dass KI sich verhält: schnell, konsistent, und er verbessert sich weiter, während Prüfentscheidungen ins Modell zurückfließen.

Lieferantendaten verhalten sich nicht so, und das liegt nicht daran, dass die zugrunde liegende Abgleichtechnologie schwächer wäre. Es liegt daran, dass das Problem selbst strukturell anders ist. Eine Zeilenbeschreibung ist unordentlich, aber in sich geschlossen: Ein M8-Bolzen ist aus dem Text vor Ihnen beschreibbar. Ein Lieferantenname ist nicht auf dieselbe Weise in sich geschlossen, weil dasselbe reale Unternehmen unter so vielen Namen auftaucht, wie seine eigene Rechnungs- und Onboarding-Historie hervorgebracht hat.

Der Lieferantenabgleich ist das schwierigere Problem

Über die FM- und Bau-Spend-Dateien hinweg, mit denen ich gearbeitet habe, taucht derselbe Lieferant routinemäßig auf drei oder vier verschiedene Arten auf: der Rechtsträgername auf einer Rechnung, ein Handelsname auf einer anderen, eine regionale Tochtergesellschaft mit und ohne Satzzeichen geschrieben, ein Name, den ein Einkäufer freitags um 17 Uhr aus dem Gedächtnis eingetippt hat. Keine dieser Varianten ist für sich genommen falsch. Eine Regel-Engine, die auf exakten Textabgleich setzt, sieht vier verschiedene Lieferanten. Ein Category Manager, der versucht, „wie viel haben wir letztes Jahr bei diesem Lieferanten ausgegeben" zu beantworten, bekommt vier verschiedene, jeweils unvollständige Antworten.

Fuzzy Matching auf Name, Adresse und Steuernummer schließt die meisten dieser Lücken automatisch, und es schließt sie schnell, genau wie die Klassifizierung. Aber Fuzzy Matching hat eine Eigenschaft, die die Zeilenklassifizierung nicht hat: Ein falscher Treffer ist schlimmer als ein verpasster. Zwei tatsächlich unterschiedliche Lieferanten in einem Datensatz zusammenzuführen, verfälscht jeden darauf aufbauenden Bericht künftig, still, weil nichts am zusammengeführten Datensatz ankündigt, dass er falsch ist. Diese Asymmetrie ist der Grund, warum ein korrekt gebauter automatisierter Lieferantenabgleich bewusst einen Rest ungelöst lässt, statt für alles unterhalb einer strikten Konfidenzschwelle einen Treffer zu erzwingen. Dieser Rest ist der Ort, an dem der eigentliche Engpass sitzt, und er ist absolut klein, aber teuer in der Zeit, die es kostet, ihn von Hand zu schließen, ein mehrdeutiges Paar nach dem anderen.

Die manuelle Prüfung, die tatsächlich weiterhilft

Bei einer Bereinigung, die ich kürzlich geleitet habe, hat der automatisierte Durchlauf den Großteil der Lieferantennamen innerhalb von Tagen einem sauberen Referenzdatensatz zugeordnet. Was übrig blieb, war eine kurze Liste wirklich schwieriger Fälle: nahezu identische Namen für verschiedene Regionalniederlassungen derselben Gruppe, eine Tochtergesellschaft, die mitten im Vertrag übernommen und umbenannt worden war, zwei Lieferanten, deren Adressen sich um eine Ziffer unterschieden, was sich als Eingabefehler statt als zwei Standorte herausstellte. Keiner dieser Fälle lässt sich sicher lösen, ohne dass eine Person mit Kontenkenntnis das Paar direkt betrachtet.

Diese Prüfung ist kein Versagen der Abgleich-Engine, und sie als solches zu behandeln, ist der Fehler, den ich bei Kunden am häufigsten sehe. Zu versuchen, diesen letzten Prozentpunkt durch mehr Regeln oder einen größeren Trainingsdatensatz herauszupressen, verschwendet Aufwand am falschen Ort, weil die verbleibenden Fälle genau diejenigen sind, die das Urteilsvermögen brauchen, das die Automatisierung bewusst nicht erraten soll. Der richtige Schritt ist der gegenteilige: die automatisierte Zuordnung alles machen lassen, was sie sicher kann, und dann jemanden mit echter Kenntnis der Lieferantenbasis vor die kurze verbleibende Liste setzen. Diese Prüfung dauert Stunden, nicht Wochen, gerade weil die Liste kurz ist.

Wie guter Lieferantenabgleich aussieht

Pearstop löst den nicht zugeordneten Lieferantenrest eines Kunden nach dem ersten Prüfzyklus auf unter 10 Prozent der gesamten Lieferantendatensätze auf, für Procurement- und Finance-Teams, die einen Kategoriebericht pünktlich abschließen müssen, statt darauf zu warten, dass sich Lieferantendaten von selbst einpendeln. Der Mechanismus ist derselbe eingeschränkte, konfidenzbewertete Ansatz, der auch für die Zeilenklassifizierung genutzt wird: Der automatisierte Abgleich übernimmt das Volumen, eine Person löst die markierten Paare, und jedes gelöste Paar fließt zurück, sodass dieselbe Lieferantenvariante nicht zweimal gelöst werden muss.

Die praktische Konsequenz für alle, die eine Bereinigung planen, betrifft die Sequenzierung, nicht die Werkzeuge. Budgetieren Sie den Großteil der Kalenderzeit für den Lauf der automatisierten Klassifizierung und des Abgleichs, denn dieser Teil ist tatsächlich schnell. Budgetieren Sie einen separaten, kleineren Zeitblock, mit der richtigen Person verfügbar, für die darauffolgende Lieferantenprüfung. Zu versuchen, diesen zweiten Block durch noch mehr Automatisierung zu verkürzen, funktioniert nicht, weil das Problem in diesem Rest von Anfang an nie wirklich ein Automatisierungsproblem war.

Häufig gestellte Fragen

Warum dauert der Lieferantenabgleich bei einer Spend-Bereinigung länger als die Zeilenklassifizierung?

Die Zeilenklassifizierung arbeitet mit einer in sich geschlossenen Beschreibung, die eine Regel-Engine oder ein Modell direkt lesen kann. Der Lieferantenabgleich muss mehrere verschiedene Schreibweisen desselben realen Unternehmens zusammenführen, und ein falscher Zusammenschluss ist schlimmer als ein verpasster, sodass ein automatisierter Abgleich mehrdeutige Paare bewusst ungelöst lässt, statt zu raten. Dieser ungelöste Rest kostet die zusätzliche Zeit, nicht der Großteil der eindeutigen Treffer, die schnell aufgelöst werden.

Wodurch erscheint derselbe Lieferant in einer Spend-Datei unter mehreren Namen?

Rechtsträgernamen, Handelsnamen, regionale Tochtergesellschaftsbenennungen, Fusionen und Übernahmen sowie manuelle Eingabe durch verschiedene Einkäufer erzeugen alle unterschiedliche Textstrings für dasselbe zugrunde liegende Unternehmen. Keiner davon ist für sich genommen ein Eingabefehler. Das Problem wird erst sichtbar, wenn jemand versucht, die Ausgaben nach Lieferant zu summieren, und feststellt, dass die Summe über mehrere Datensätze verteilt ist statt in einem.

Wie viel manuelle Prüfung braucht der Lieferantenabgleich tatsächlich?

In der Praxis löst ein gut gebauter automatisierter Abgleich den Großteil der Lieferantendatensätze von selbst und lässt eine kleine verbleibende Menge wirklich mehrdeutiger Paare übrig, typischerweise unter 10 Prozent aller Datensätze, für die direkte Prüfung durch eine Person. Diese Prüfung ist kurz, weil die mehrdeutige Menge kurz ist, nicht weil die Prüfung pro Paar schnell wäre.

Ist mehr Automatisierung die Antwort, um die letzten nicht zugeordneten Lieferanten zu schließen?

Nein. Die nach einem automatisierten Durchlauf ungelösten Lieferanten bleiben ungelöst, weil sie Urteilsvermögen erfordern, das die Automatisierung bewusst nicht erraten soll, etwa ob zwei ähnlich benannte Einheiten tatsächlich dasselbe Unternehmen sind. Mehr Regeln oder ein größeres Modell entfernen dieses Urteil nicht, sie verschieben nur, wo es gefällt werden muss.

Wie geht Pearstop mit dem Lieferantenabgleich bei einer Spend-Bereinigung um?

Pearstop führt zunächst einen automatisierten Lieferantenabgleich gegen eine Referenzdatenbank durch, gleicht nach Name, Adresse und Steuernummer mit einer Konfidenzschwelle ab, die falsche Zusammenschlüsse vermeidet, und leitet den ungelösten Rest, typischerweise unter 10 Prozent der Lieferantendatensätze, an eine Person mit Kontenkenntnis zur direkten Prüfung weiter. Gelöste Treffer fließen in die Referenzdaten zurück, sodass dieselbe Variante im nächsten Spend-Zyklus nicht erneut markiert wird.

Beeinträchtigt schlechter Lieferantenabgleich noch etwas außer dem Spend-Reporting?

Ja. Doppelte Lieferantendatensätze erhöhen auch das Risiko doppelter Zahlungen, da die meisten Zahlungskontrollen nur auf doppelte Rechnungsnummern innerhalb eines einzelnen Lieferantendatensatzes prüfen, nicht über zwei Datensätze für denselben realen Lieferanten hinweg. Die Lieferantenidentität aufzulösen ist daher genauso eine Zahlungskontrollfrage wie eine Reportingfrage.

Rae Thomas

Director of Operations, Pearstop

Rae heads up operations at Pearstop, in both the traditional and non-traditional sense. She's as committed to the internal success of the business as she is to the value clients get out of it, which is why she leads delivery on most projects and is the main point of contact for clients throughout.

LinkedIn →