35.000 bis 50.000 Einkaufszeilen pro Monat nach UNSPSC klassifiziert, ausgehend von null, für Strukton
Strukton ist ein großer niederländischer Infrastrukturdienstleister. Pearstop baute dieses System gemeinsam mit dessen Einkaufsabteilung. Es klassifizierte jede Ausgabenzeile automatisch nach UNSPSC, jeden Monat.
Warum lassen sich ohne granulare Ausgabendaten keine Einkaufseinsparungen finden?
Strukton hatte im Einkauf eine reale Einsparmöglichkeit identifiziert. Um darauf zu reagieren, brauchte das Unternehmen mehr Detailtiefe in seinen Ausgabendaten. Der Einkauf war bereits gut organisiert. Was fehlte, war die UNSPSC-Klassifikation. Dieses Projekt startete bei null Klassifikationshistorie.
Wie vermeidet ein KI-Klassifikationssystem, bei Ihren Daten zu raten?
Pearstop und das Einkaufsteam von Strukton bauten ein System mit drei Ebenen und vermieden dabei den häufigsten Fehler bei KI-Projekten: das Rad neu zu erfinden, ohne dem Modell genug Kontext zum Arbeiten zu geben.
2 · ML-Pipeline lernte aus dem Kontext
3 · Human-in-the-Loop für den Rest
Warum zählen alle vier UNSPSC-Ebenen, nicht nur die oberste?
Jeden Monat kam eine neue Charge Ausgaben herein. Pearstop verarbeitete sie vollständig. Jede Zeile erhielt vier Ebenen der UNSPSC-Klassifikation: Segment, Family, Class und Commodity.
Ein Segment ist die breiteste Kategorie. Eine Commodity ist am spezifischsten. Erst die Klassifikation auf allen vier Ebenen, nicht nur der obersten, macht die Daten für echte Entscheidungen nutzbar – den Vergleich eines konkreten Produkts über Lieferanten hinweg, statt nur eines groben Kategoriedurchschnitts. Mehr darüber, wie die vier Ebenen von UNSPSC funktionieren.
“Gebaut und bewährt bei einem großen niederländischen Infrastrukturdienstleister, ausgehend von null Klassifikationshistorie.”
Jeden Monat genauer, nicht nur häufiger genutzt
Struktons Einkäufer prüften, was die KI klassifiziert hatte, markierten, was stimmte und was nicht, und jede Korrektur floss ins System zurück. Pearstop und das Team von Strukton trafen sich wöchentlich, um zu besprechen, was funktionierte und was nicht.
Von null Klassifikation zu voller Detailtiefe
Vor diesem Projekt hatte Strukton überhaupt keine UNSPSC-Klassifikation. Am Ende des Projekts wurden monatlich 35.000 bis 50.000 Ausgabenzeilen automatisch klassifiziert, auf allen vier UNSPSC-Ebenen. Das ist die Detailtiefe, die die ursprüngliche Einsparmöglichkeit brauchte, um tatsächlich umgesetzt zu werden.
Möchten Sie eine Case Study rund um Ihre eigenen Daten?
Wir zeigen Ihnen, wie derselbe Ansatz für Ihre Einkaufs- oder Anlagendaten aussehen würde.
