UNSPSC, best in class: was das bedeutet und warum es Sie interessieren sollte

Kurzantwort: Best-in-Class-UNSPSC-Klassifizierung ist keine einzelne, überall angewendete Genauigkeitszahl. Es bedeutet, dass jedes mit „hoher Konfidenz" gekennzeichnete Ergebnis wirklich vertrauenswürdig ist, jede Zeile mit niedrigerer Konfidenz ehrlich als solche markiert wird, und die Kategorien, die für das Unternehmen wichtig sind, die regelmäßig gekauften und verhandelten, die Aufmerksamkeit bekommen. Ein Einmalkauf, der in einer technisch korrekten, aber nutzlosen Kategorie landet, ist ein kleineres Problem als eine regelmäßige Kategorie, die selbstsicher falsch ist.

Auf dieser Seite: Warum eine einzelne Genauigkeitszahl nicht der Punkt ist · Ein Beispiel aus einem Bauunternehmen · Was hohe Konfidenz tatsächlich bedeuten sollte · Hard FM, Reinigung und Bau unterscheiden sich · FAQ

Warum eine einzelne Genauigkeitszahl nicht der Punkt ist

Viele Procurement-Teams, mit denen ich spreche, stellen zuerst dieselbe Frage: Welche Genauigkeit erreicht Ihre Klassifizierung. Das ist eine vernünftige Frage, und es ist auch die falsche, mit der man beginnen sollte. Wenn wir in eine Aktie investieren, fragen wir nicht nur, wie das Unternehmen im letzten Quartal abgeschnitten hat. Wir fragen, wie sicher die Analyse hinter dieser Zahl tatsächlich ist, denn eine selbstsichere Zahl auf dünner Evidenz ist weniger wert als eine ehrliche, unsichere. Wenn wir eine Route zu einem wichtigen Termin planen, bauen wir die erwarteten Verzögerungen ein, wir vertrauen nicht einfach einer einzelnen geschätzten Ankunftszeit und hoffen das Beste.

Klassifizierungsgenauigkeit funktioniert genauso. Eine Kopfzahl sagt Ihnen fast nichts darüber, ob Sie den konkreten Zeilen vertrauen können, auf denen Ihre Berichte aufbauen. Was Sie tatsächlich brauchen, ist, Zeile für Zeile zu wissen, ob eine Klassifizierung hohe, mittlere oder niedrige Konfidenz hat, und darauf vertrauen zu können, dass der Bereich hoher Konfidenz wirklich hohe Konfidenz bedeutet. Das ist eine andere, schwierigere Anforderung als eine einzelne Genauigkeitszahl, und sie ist es, die bestimmt, ob die Daten unter Ihrem Reporting etwas ist, auf das Sie handeln können.

Ein Beispiel aus einem Bauunternehmen

Ein Bauunternehmen, das zu unseren Kunden zählt, hatte eine Personalveranstaltung, und das Team kaufte Bänder, die Art, die wie Medaillen verteilt werden. Das Klassifizierungssystem ordnete sie unter Schmuck ein. Technisch ist das nicht falsch. Bänder, die bei einer Veranstaltung verteilt werden, sind laut Kategoriedefinition näher an Schmuck als an allem anderen in einer Standardtaxonomie. Es sagte dem Kunden nur nicht viel Nützliches.

Der Grund ist einfach: Diese Bänder sind ein Einmalkauf. Niemand verhandelt einen Liefervertrag für Veranstaltungsbänder, und niemand muss diese Kategorie über die Zeit verfolgen. Was Procurement bei einem Einmalkauf tatsächlich wichtig ist, ist, dass er irgendwo vernünftig landet und die Kategorien, die tatsächlich zählen, nicht unübersichtlich macht, nicht dass seine Klassifizierung philosophisch präzise ist. Vergleichen Sie das mit einem regelmäßigen Kauf, Stahlbefestigungen, die jeden Monat vom selben Lieferanten bestellt werden, und der Maßstab kehrt sich um. Dort ist Klassifizierungsgenauigkeit kein Nice-to-have. Sie ist das, was bestimmt, ob das Unternehmen den nächsten Vertrag mit echten Zahlen im Rücken verhandeln kann.

Was hohe Konfidenz tatsächlich bedeuten sollte

Hier leistet die Prüfung, nicht das rohe Modell, die eigentliche Arbeit. Jedes KI-Klassifizierungssystem produziert Ergebnisse mit einer gewissen Bandbreite an Sicherheit, ob diese Sicherheit der Person, die die Ergebnisse nutzt, angezeigt wird oder nicht. Das Erste, was zu prüfen ist, ist nicht die Genauigkeit des gesamten Datensatzes. Es ist, ob das System Ihnen tatsächlich sagt, welche Zeilen hohe, mittlere und niedrige Konfidenz haben, und ob Sie speziell dem Bereich hoher Konfidenz vertrauen können, denn das ist der Bereich, den Sie sich nicht noch einmal ansehen wollen.

Im schlimmsten Fall, ohne diese Unterscheidung, macht am Ende jedes Teammitglied seine eigene Recherche zu mehrdeutigen Zeilen, was den Prozess weiter verlangsamt und Inkonsistenzen über die Klassifizierung hinweg schafft, weil niemand ein gemeinsames, vertrauenswürdiges Signal dafür hat, welche Zeilen tatsächlich geklärt sind. Die Alternative ist nicht, alles perfekt zu klassifizieren. Es ist, ehrlich darüber zu sein, was geklärt ist und was nicht, und die begrenzte Prüfzeit dort einzusetzen, wo sie eine Entscheidung ändert, bei den regelmäßigen, verhandelten Kategorien, statt bei einer einmaligen Kiste Bänder.

Hard FM, Reinigung und Bau unterscheiden sich

Best in Class sieht in jedem Bereich anders aus, weil die Kategorien unterschiedlich genutzt werden. Wo derselbe Spend jeden Monat wiederkehrt, ist der Maßstab Konsistenz auf Commodity-Ebene (artikelspezifisch). In Hard Services zeigt sich das so: Ein Facility-Team, das jeden Monat HLK-Filter kauft, braucht diese Zeilen konsistent auf Commodity-Ebene klassifiziert, weil der Filter-Spend in eine Lieferantenverhandlung einfließt.

Wo das Risiko unsichtbares Kriechen ist, ist der Maßstab, Kategorien über die Zeit getrennt zu halten. Ein Beispiel aus der Reinigung: In großen Mengen gekaufte Verbrauchsmaterialien, Handschuhe, Tücher, Chemikalien, müssen von einmaligen Ausrüstungskäufen getrennt werden, weil sich das Kriechen bei Verbrauchsmaterialien als Trend erst zeigt, sobald die Kategorien getrennt gehalten und über die Zeit verfolgt werden.

Wo sich nichts genau wiederholt, ist der Maßstab Vergleichbarkeit über Projekte hinweg statt eine einzelne korrekte Bezeichnung. Ein Beispiel aus dem Bau: Materialkosten variieren von Projekt zu Projekt, sodass der Maßstab für Best in Class dort weniger eine einzelne perfekte Kategorie ist als vielmehr, ob dasselbe Material, Stahlbefestigungen, Elektrokanäle, in jedem Projekt, in dem es vorkommt, gleich klassifiziert wird, sodass Kosten tatsächlich verglichen werden können.

Was als Best in Class zählt, verschiebt sich mit dem, wofür die Kategorie genutzt wird, nicht mit dem Branchenetikett auf der Datei. Ein Einmalkauf kann in jedem dieser Sektoren eine technisch korrekte, aber nutzlose Klassifizierung vertragen. Eine regelmäßige, verhandelte Kategorie kann das nicht. Diese Unterscheidung richtig zu treffen, statt einer einzelnen Genauigkeitszahl über den gesamten Datensatz hinterherzujagen, ist das, was Klassifizierung, die eine Entscheidung stützt, von Klassifizierung unterscheidet, die auf einem Dashboard nur vollständig aussieht.

Häufig gestellte Fragen

Was bedeutet Best-in-Class-UNSPSC-Klassifizierung tatsächlich?

Es bedeutet, dass jedes Ergebnis mit hoher Konfidenz wirklich verlässlich ist, jede Zeile mit mittlerer oder niedriger Konfidenz ehrlich markiert wird, statt in einer aggregierten Genauigkeitszahl versteckt zu werden, und die Kategorien, die für Verhandlung und Budgetierung wichtig sind, die Prüfaufmerksamkeit bekommen. Eine einzelne, über den gesamten Datensatz angewendete Genauigkeitsprozentzahl sagt Ihnen das nicht, weil sie einen Einmalkauf genauso behandelt wie eine regelmäßig verhandelte Kategorie.

Warum wirkt eine Klassifizierung manchmal falsch, obwohl sie technisch korrekt ist?

Eine Klassifizierung kann Kategoriedefinitionen exakt befolgen und trotzdem nicht hilfreich sein. Veranstaltungsbänder, die bei einer Personalveranstaltung verteilt werden, sind zum Beispiel per strikter Definition näher an Schmuck als an jeder Standardkategorie, sodass ein Klassifizierer, der das als Schmuck bezeichnet, nicht falschliegt. Es ist nur irrelevant, weil der Kauf einmalig war, ohne Lieferantenbeziehung oder Budgetposten daran geknüpft, was genau die Art von Fall ist, bei dem technische Genauigkeit für keine Entscheidung eine Rolle spielt.

Sollte ein Einmalkauf dieselbe Klassifizierungsprüfung erhalten wie ein regelmäßiger Kauf?

Nein. Ein Einmalkauf muss nur irgendwo vernünftig landen und vermeiden, die Kategorien unübersichtlich zu machen, die Procurement tatsächlich verwaltet. Ein regelmäßiger, verhandelter Kauf braucht konsistente, vertrauenswürdige Klassifizierung, weil er in Vertragsverhandlungen und Reporting auf Kategorieebene einfließt. Beide gleich zu behandeln verschwendet Prüfzeit an Fällen, die keine Entscheidung ändern.

Wie unterscheidet sich Best Practice bei UNSPSC zwischen Hard FM, Soft FM, Reinigung und Bau?

Hard FM hängt von konsistenter Klassifizierung auf Commodity-Ebene für regelmäßig verhandelte Kategorien wie HLK-Teile ab. Reinigung hängt davon ab, wiederkehrende Verbrauchsmaterialien von einmaligen Ausrüstungskäufen zu trennen, damit Spend-Trends über die Zeit sichtbar werden. Bau hängt davon ab, dasselbe Material über verschiedene Projekte hinweg gleich zu klassifizieren, da Variation von Projekt zu Projekt sonst Benchmarking erschwert.

Wie macht Pearstop Klassifizierungskonfidenz vertrauenswürdig, statt nur eine Genauigkeitszahl zu berichten?

Pearstop bewertet jede Zeile auf Konfidenz, statt eine einzelne gemischte Genauigkeitszahl zu veröffentlichen, und leitet Zeilen unterhalb einer festgelegten Konfidenzschwelle zur Prüfung an eine Person weiter, statt dieses Urteil in einem undurchsichtigen Modell zu belassen. So kann ein Team speziell dem Bereich hoher Konfidenz vertrauen und die begrenzte Prüfzeit auf die regelmäßigen, verhandelten Kategorien konzentrieren, bei denen eine falsche Klassifizierung tatsächlich eine Entscheidung ändert.

Wo kann ich UNSPSC-Klassifizierung mit anderen Ansätzen vergleichen, um zu sehen, wie Genauigkeit typischerweise gemessen wird?

Ein Vergleich der wichtigsten Klassifizierungswerkzeuge und -ansätze, einschließlich wie jeder Anbieter Genauigkeit misst und berichtet, wird in UNSPSC classification tools compared behandelt. Dieser Vergleich konzentriert sich darauf, wie verschiedene Anbieter eine Genauigkeitszahl definieren und berichten, was eine nützliche Ergänzung zum hier beschriebenen Konfidenzansatz ist, da die beiden Fragen, welches Werkzeug zu nutzen ist und wie man seinem Ergebnis vertrauen kann, zwar verwandt, aber nicht dieselbe sind.

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 →