Ce qu'un nouveau directeur achats devrait faire la première semaine

Réponse rapide : Pendant vos 30 premiers jours, ne vous précipitez pas vers un objectif d'économies ou un outil d'IA. Auditez les données de dépenses dont vous disposez réellement, découvrez qui, le cas échéant, les catégorise aujourd'hui, et nommez un propriétaire unique pour la qualité des données avant de construire une stratégie par-dessus. Sauter cette étape signifie que chaque rapport que vous présenterez ensuite hérite des mêmes chiffres peu fiables.

Sur cette page : L'écart de référence dont on hérite · Pourquoi l'IA est le mauvais premier geste · Que faire réellement la première semaine · Pourquoi la qualité des données a besoin d'un propriétaire · FAQ

L'écart de référence dont héritent les nouveaux dirigeants achats

La plupart des personnes qui prennent un nouveau poste de directeur achats demandent la même chose la première semaine : une vue catégorisée des dépenses. Qu'achète l'entreprise, auprès de qui, à quel prix, et comment cela se ventile par catégorie. Dans le hard FM, la construction, le CVC, l'industrie et les infrastructures, cette vue n'existe presque jamais sous une forme exploitable. Elle existe sous forme d'export ERP avec des noms de fournisseurs incohérents, des descriptions en texte libre, et un champ catégorie rempli une fois, il y a des années, et jamais retouché depuis.

Ce n'est pas un écart rare. Le benchmarking sectoriel sur les dépenses sous gestion situe l'entreprise moyenne à environ 71 % de visibilité sur ses dépenses totales, et ce chiffre couvre des fonctions achats établies, avec des personnes, des processus et des outils déjà en place. Un nouveau directeur achats prenant un poste sans structure de catégorie préalable part généralement bien en dessous de cette moyenne, pas au niveau de celle-ci. Une étude distincte sur la façon dont les organisations collectent réellement leurs données de dépenses trouve qu'environ six sur dix s'appuient encore sur une collecte et une analyse manuelles, ce qui explique directement pourquoi la référence est absente plutôt que simplement obsolète.

La personne qui demande une ventilation par catégorie la première semaine reçoit généralement l'une de deux choses : un tableur que quelqu'un doit reconstruire à la main, ou un rapport que l'ERP produit et qui n'a de sens que pour la personne qui l'a construit. Ni l'un ni l'autre n'est une référence. Les deux prennent des jours à produire et aucun ne survit à une question de suivi du conseil d'administration.

Rien de tout cela n'est arrivé par négligence. Personne ne s'est assis pour décider de laisser la structure de catégorie pourrir. C'est arrivé parce que classifier les dépenses avec précision n'a jamais été le vrai travail de personne. C'était une tâche greffée sur les achats, la finance ou l'IT, bien faite pendant un temps par celui qui s'en souciait le plus, puis discrètement abandonnée quand cette personne est partie ou est devenue plus occupée. Les données ne se sont pas cassées. Elles n'ont simplement jamais eu de propriétaire.

Pourquoi l'IA est le mauvais premier geste

Une fois qu'un nouveau directeur achats confirme qu'il n'y a pas de référence, l'instinct est presque toujours le même : pointer un outil d'IA sur l'export brut et le laisser trier le désordre. Microsoft Copilot ou un modèle généraliste peut classifier un tableur en quelques minutes, et face à un jeu de données totalement non catégorisé, quelques minutes ressemblent à une victoire comparées à des semaines de tri manuel.

Le problème apparaît à l'échelle, pas dans la démonstration. Le benchmarking d'entreprise sur l'IA générative situe les taux d'hallucination des modèles commerciaux entre environ 15 % et plus de 50 % selon la tâche, et la classification ouverte selon des catégories ambiguës et propres à l'entreprise est exactement le type de tâche où cette fourchette se situe vers le haut. Un modèle généraliste n'a aucune mémoire de la règle qu'il a appliquée à la ligne 40 quand il atteint la ligne 4 000, et aucune piste d'audit expliquant pourquoi « vanne à bille 3/4 de pouce » a atterri dans une catégorie sur un export et dans une autre sur le suivant.

Ce n'est pas un argument contre l'IA. C'est un argument contre l'IA comme premier geste, avant qu'il n'existe une structure de catégorie et un jeu de règles à appliquer de façon cohérente. Pointez un modèle généraliste sur un désordre et il vous rendra un désordre à l'apparence assurée mais de forme différente, plus vite qu'un humain ne l'aurait fait. Montrer à une équipe dirigeante un rapport construit sur des catégories hallucinées fait plus de dégâts à la confiance envers la fonction que de leur montrer un « nous ne savons pas encore » plus lent mais honnête.

Que faire réellement la première semaine

Résistez à la tentation d'un objectif d'économies, d'une feuille de route technologique, ou d'un pilote IA le premier mois. Aucun de ceux-ci ne peut être construit de façon fiable sur des données que personne n'a vérifiées. À la place :

• Découvrez ce qui existe déjà. Demandez à la finance et à l'IT l'export brut des dépenses, pas un résumé nettoyé. Le désordre est la partie utile, car il vous indique d'où vous partez réellement.
• Vérifiez la cohérence de la catégorisation, pas seulement son exhaustivité. Prélevez un échantillon de 50 à 100 lignes similaires et regardez combien ont été classifiées de la même façon. Qu'un champ catégorie soit rempli n'est pas la même chose qu'il soit fiable.
• Identifiez qui possède la qualité des données aujourd'hui. Dans la plupart des organisations, la réponse honnête est personne, ou plusieurs personnes partiellement. C'est un diagnostic, pas un échec personnel, et c'est le fait le plus utile que vous apprendrez lors de votre premier mois.
• Retardez tout chiffre public. Un montant d'économies ou une affirmation de dépenses sous gestion annoncé avant que la référence ne soit vérifiée devient le chiffre auquel on vous tiendra, à raison ou non.

Pearstop construit une référence de dépenses catégorisée et prête pour l'audit en quatre à six semaines pour les dirigeants achats qui prennent un poste sans en avoir, en utilisant un modèle de classification entraîné sur les propres descriptions d'achat de l'entreprise plutôt qu'un outil d'IA généraliste sans mémoire de la dernière décision qu'il a prise.

Pourquoi la qualité des données a besoin d'un propriétaire unique

La raison pour laquelle cet écart réapparaît sans cesse, même dans des entreprises ayant déjà nettoyé leurs données une fois, est que le nettoyage a été traité comme un projet plutôt que comme une fonction. Une migration ERP ou un exercice de classification ponctuel corrige les données le jour où il se termine. Dix-huit mois plus tard, de nouveaux fournisseurs ont été intégrés, de nouvelles lignes de produits ajoutées, et personne n'était responsable de maintenir la structure de catégorie à jour, si bien qu'elle s'est de nouveau dégradée.

La solution n'est pas un meilleur projet ponctuel. C'est un propriétaire nommé et permanent pour la qualité des données, avec une classification continue traitée de la même façon qu'une organisation traite les contrôles financiers : comme quelque chose qui fonctionne en continu, pas quelque chose que l'on fait une fois et qu'on laisse ensuite de côté. Cette propriété peut revenir à un category manager en interne, ou être livrée comme un service géré continu, mais elle doit revenir à quelqu'un d'assez spécifique pour que, lorsqu'un nouveau directeur achats commence dans trois ans, il hérite d'une référence maintenue plutôt que du même problème à nouveau.

Formulé correctement, il ne s'agit pas vraiment d'IA, d'objectifs d'économies, ou de tableaux de bord. Il s'agit de savoir si les chiffres qu'un nouveau directeur achats présente au troisième mois peuvent être crus par les personnes qui prennent des décisions en s'appuyant dessus. C'est cette confiance qui devrait être construite en premier.

Neharika Kishore

Content & Visibility, Pearstop

Neha works on content and visibility at Pearstop. She writes articles on procurement data quality for facilities management, construction and infrastructure teams, and supports The Data Edge podcast. She also runs outreach to procurement and finance leaders, which keeps her writing close to the problems those teams are actually raising.

LinkedIn →