Comment construire un spend cube avec l'IA

Réponse rapide : Un spend cube est constitué des dépenses achats organisées pour pouvoir être vues sous plusieurs angles à la fois : par fournisseur, par catégorie, et par la partie de l'entreprise qui a acheté. En construire un prend cinq étapes : extraire les données au niveau de la ligne, les nettoyer, résoudre la liste des fournisseurs, fixer la taxonomie et les règles, puis classifier et réviser. Un consultant le construit une fois. Un pipeline d'IA le reconstruit chaque mois.

Sur cette page : Ce qu'est réellement un spend cube · Construire un spend cube étape par étape · Quand faire appel à un consultant achats · Quand utiliser un pipeline d'IA · Questions fréquentes

La plupart des entreprises qui demandent un spend cube savent déjà à peu près où va leur argent. Ce qu'elles ne peuvent pas faire, c'est répondre à une question de suivi sans une semaine de travail.

Elles connaissent les dix premiers fournisseurs. Elles ne peuvent pas dire si le même produit est acheté à trois prix différents sur quatre sites. Elles savent que les dépenses facilities ont augmenté. Elles ne peuvent pas dire si c'est le volume, le prix, ou une frontière de catégorie qui a bougé.

L'écart n'est pas l'analyse. C'est que les données sous-jacentes n'ont aucune structure à analyser. Un export finance donne un fournisseur, un montant et une phrase en texte libre. Tout ce qui est utile se trouve à l'intérieur de cette phrase, et personne ne l'en a jamais extrait.

Ce qu'est réellement un spend cube

Un cube, ce sont des dépenses organisées selon plus d'une dimension à la fois, si bien que n'importe quelle coupe est disponible sans rien reconstruire.

Trois dimensions font l'essentiel du travail.

Fournisseur. Qui vous avez payé, résolu en une seule entité. Pas quatre orthographes du même nom d'entreprise, et pas un groupe parent dissimulant trois filiales commerciales.

Catégorie. Ce qui a réellement été acheté, classifié selon une taxonomie. C'est la dimension qui n'existe pas dans le système source, et c'est la raison pour laquelle les projets de spend cube existent.

Unité opérationnelle. Quelle entité, site ou centre de coûts porte la dépense. Pour toute entreprise opérant à travers plusieurs entités juridiques, c'est la dimension qui transforme un rapport en position de négociation, car elle montre le même article acheté séparément à cinq endroits.

Le temps traverse les trois. Le but du cube n'est pas l'instantané. C'est de pouvoir voir si un prix a bougé, si une catégorie a grossi, et si une décision prise il y a neuf mois a changé quelque chose.

Tout le reste que les gens attendent d'un spend cube, identification des économies, consolidation des fournisseurs, benchmarking, écart de prix, est une requête sur ces dimensions. Si les dimensions sont propres, les questions sont faciles. Si elles ne le sont pas, aucun tableau de bord ne peut le rattraper.

Construire un spend cube étape par étape

Étape un : extraire les données au niveau de la ligne. Les totaux résumés sont inutiles ici. Il vous faut chaque ligne de transaction, avec un numéro de document, une date, un nom et un numéro de fournisseur, la description en texte libre, la quantité, le prix unitaire, la valeur totale, la devise et une référence de centre de coûts. Là où un numéro de matériel interne existe, récupérez-le. Douze mois est le minimum pour une référence crédible, car toute période plus courte ne peut pas séparer la saisonnalité d'une tendance.

Cette étape est généralement la plus lente, et cela n'a rien à voir avec la classification. Cela dépend de la rapidité avec laquelle la finance peut produire l'export, et de la part de celui-ci qui se révèle enfermée dans un ERP vieillissant sans couche de reporting.

Étape deux : nettoyer le fichier. Attendez-vous à des problèmes, et attendez-vous à ce qu'ils soient spécifiques. Lignes en double issues d'un export lancé deux fois. Prix unitaires manquants sur un sous-ensemble de lignes. Un champ devise qui n'a jamais été renseigné pour un pays, convertissant discrètement une facture étrangère en un chiffre en devise locale et faussant chaque total au-dessus. Si les données sont arrivées par capture de document plutôt que par export système, attendez-vous à des dates et des adresses saisies comme des lignes d'article.

Rien de tout cela n'est exotique. Tout cela change la réponse, et tout cela devient invisible une fois que les chiffres atteignent un graphique.

Étape trois : résoudre la liste des fournisseurs. Faites cela avant de classifier quoi que ce soit. Le fournisseur est l'un des signaux les plus forts pour déterminer ce qu'est réellement une ligne, si bien qu'une liste de fournisseurs propre rend l'étape suivante nettement plus précise. C'est aussi généralement le premier endroit où apparaît une véritable découverte, car dédupliquer la liste est habituellement la façon dont une entreprise découvre qu'elle a trois comptes séparés chez le même distributeur.

Étape quatre : fixer la taxonomie et écrire les règles. Décidez quelle norme vous utilisez et jusqu'où vous devez descendre en détail. L'UNSPSC est le choix habituel car il est externe, ce qui signifie que les fournisseurs et clients l'utilisent peut-être déjà. Puis tenez une session avec les personnes qui achètent réellement, et traitez les cas particuliers que l'entreprise a réellement. Une ligne indiquant « heures » signifie-t-elle main-d'œuvre sous-traitée ou location de matériel. Comment sont traités les frais de transport, les surcharges carburant et les avoirs. Consignez chaque décision par écrit.

Sauter cette étape est la raison la plus courante pour laquelle un spend cube se retrouve construit deux fois.

Étape cinq : classifier, noter, réviser. Chaque ligne reçoit un code et un score de confiance. Les lignes dont le système n'est pas sûr, une description qui n'est qu'un numéro de pièce, un fournisseur apparaissant pour la première fois, un article qui pourrait appartenir à deux familles, partent vers une personne. Cette révision n'est pas un point de contrôle qualité greffé à la fin. C'est là que les règles sont affinées, et d'où viennent les corrections qui empêchent la même ambiguïté de se reproduire.

Chez Pearstop, cela fonctionne comme un pipeline géré : taxonomie contrainte pour que les codes ne puissent pas être inventés, contexte fournisseur pondéré contre la description, règles de l'entreprise appliquées, lignes à faible confiance acheminées en révision, corrections réinjectées.

Quand faire appel à un consultant achats

Un consultant est le bon choix quand le problème n'est pas vraiment les données.

Si une entreprise n'a jamais mené d'achats professionnels, le spend cube n'est qu'une petite partie de ce dont elle a besoin. Elle a besoin de savoir quelles dépenses sont adressables en premier lieu. Elle a besoin d'un modèle commercial. Elle a besoin de quelqu'un pour concevoir la fonction, décider qui négocie quoi, et être dans la pièce quand un fournisseur résiste. Les diagnostics des cabinets de conseil en achats établis couvrent exactement cela, et les honoraires reflètent le fait qu'une personne senior fait un travail de jugement plutôt qu'un travail de données.

La règle empirique sur le marché est que toucher des dépenses réellement non gérées dans une entreprise de taille intermédiaire fait apparaître environ dix pour cent d'économies assez rapidement. Quand c'est la situation, le dossier d'affaires pour un consultant est simple, et discuter du coût de la composante classification passe à côté de l'essentiel.

Utilisez un consultant quand vous avez besoin d'une décision, d'un mandat et de quelqu'un responsable de livrer le chiffre. Le résultat est une stratégie et un ensemble de négociations exécutées.

La limite n'est pas la qualité. C'est la durée de vie. Un cube construit par un consultant est exact le jour où il est livré et commence à se dégrader immédiatement, parce que les factures du mois prochain arrivent non classifiées et que personne dans l'entreprise ne connaît les règles qui ont été utilisées. Douze mois plus tard, le même exercice est de nouveau commandé.

Quand utiliser un pipeline d'IA

Un pipeline d'IA est le bon choix quand la classification elle-même est le goulot d'étranglement, et quand la réponse doit encore être vraie le trimestre prochain.

Trois situations rendent cela évident.

Une migration ERP arrive. C'est le déclencheur le plus fort que nous observons. Il n'y a aucun intérêt à charger un historique non structuré dans un nouveau système, et toutes les raisons de commencer à coder correctement les nouveaux bons de commande dès maintenant, afin que la migration hérite de données propres plutôt que du même problème dans une interface meilleure.

L'arriéré est trop volumineux pour être le travail d'une personne. Classifier plusieurs centaines de milliers de lignes historiques à la main est un rôle d'analyste à temps plein qui ne se termine jamais, parce que de nouvelles lignes continuent d'arriver. La comparaison qui compte n'est pas la précision par ligne. C'est de savoir si vous voulez qu'un acheteur passe sa semaine à coder des données ou à négocier avec les fournisseurs que ces données désignent.

Quelqu'un a déjà essayé avec un assistant généraliste. Cela arrive constamment. Une personne compétente prend ses données, les traite avec un chatbot, et découvre qu'il invente des codes, se contredit d'une exécution à l'autre, et n'offre aucun signal sur quelles réponses croire. L'argent déjà dépensé n'a pas été gaspillé sur la classification. Il a été dépensé à découvrir que les garde-fous sont le produit.

L'économie diffère par sa structure, pas seulement par sa taille. Un consultant, c'est des honoraires de projet qui achètent une réponse à un instant donné. Un pipeline, c'est un coût de mise en place plus un coût d'exploitation basé sur le volume, et le coût marginal du mois prochain est proche de zéro.

Les deux ne sont pas vraiment en concurrence. L'arrangement le plus sensé que nous observons est un consultant qui mène la stratégie et les négociations, avec le cube construit et maintenu en dessous par un pipeline, de sorte que l'année deux ne reparte pas d'une page blanche.

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 →