Pourquoi vos données achats vous coûtent plus cher que vous ne le pensez

La plupart des équipes achats savent que leurs données ne sont pas parfaites. Ce qu'elles sous-estiment systématiquement, c'est ce que coûte cette imperfection, non pas comme une inefficacité abstraite, mais comme un frein direct sur la marge.

Les chiffres sont sans détour. Les études montrent systématiquement que les entreprises avec une mauvaise qualité de données achats laissent entre 1 % et 3 % du total de leurs dépenses sur la table chaque année. Sur un budget achats de 50 M€, cela représente jusqu'à 1,5 M€ de coût évitable. Non pas parce que les contrats sont mauvais. Non pas parce que les fournisseurs surfacturent. Mais parce que sans données propres, catégorisées et cohérentes, vous ne pouvez tout simplement pas voir où se situe le problème.

Le problème n'est pas les données. C'est ce que vous ne pouvez pas en faire.

La plupart des dirigeants achats à qui nous parlons ont des données, beaucoup de données. Exports ERP, historiques de factures, bases fournisseurs, et tableurs maintenus par des personnes qui connaissent intimement leurs jeux de données. Le problème n'est pas le volume. C'est la structure.

Quand les données de dépenses ne sont pas catégorisées de façon cohérente, un ensemble prévisible de problèmes émerge :

• Le même produit apparaît sous cinq descriptions différentes dans trois unités opérationnelles
• Le même fournisseur est enregistré sous quatre noms différents, si bien que la dépense totale est invisible
• Le reporting par catégorie prend des semaines à produire et est encore contesté en réunion de conseil
• Les outils d'analytique et d'IA sont déployés sur des entrées désordonnées et livrent des résultats peu fiables
• Les achats ne peuvent pas construire un dossier crédible pour renégocier un contrat parce que les données de volume ne tiennent pas la route

Où se cache le coût : trois schémas réels

Schéma 1 : le volume fournisseur invisible. Une grande entreprise d'infrastructure a réalisé une référence de qualité des données et découvert qu'un fournisseur dont elle pensait qu'il recevait 300 000 € de dépenses annuelles en recevait en réalité plus de 1,2 M€, réparties sur différentes descriptions de facture, différentes unités opérationnelles, et différents codes de coût qui n'avaient jamais été agrégés. Ce renseignement a immédiatement mené à une renégociation. L'économie de la première année a couvert le coût du travail sur les données plusieurs fois.

Schéma 2 : des dépenses par catégorie sur lesquelles vous ne pouvez pas agir. Une entreprise de facilities management voulait construire une stratégie de catégorie pour la maintenance CVC sur son portefeuille. Quand elle a extrait les données, le même type de filtre apparaissait comme « filtre CVC 400mm », « filtre à air F7 », « panneau filtrant medium », et « consommables EPI – ventilation » selon qui avait saisi la facture. C'étaient les mêmes produits, achetés auprès de différents fournisseurs à différents prix, sans aucune capacité de comparaison ou de consolidation.

Schéma 3 : une tarification d'appel d'offres fondée sur des suppositions. Une entreprise de construction tarifant un nouveau contrat facilities avait des données de dépenses historiques sur des dizaines de projets terminés, mais aucune n'était catégorisée de façon cohérente. Les estimateurs devaient s'appuyer sur la mémoire et le jugement plutôt que d'extraire des chiffres réels par type d'actif et catégorie de service. Résultat : des marges gonflées pour couvrir l'incertitude.

Ce que permet réellement de bonnes données achats

Quand les données achats sont structurées, enrichies, et catégorisées de façon cohérente, généralement selon une norme comme l'UNSPSC, l'image change rapidement.

• Une consolidation des fournisseurs avec un réel effet de levier. Vous pouvez voir la dépense totale par fournisseur sur toutes les variantes de son nom. Ce chiffre devient une position de négociation.
• Une véritable gestion par catégorie. Les dépenses regroupées en catégories cohérentes peuvent être analysées, comparées, et gérées par rapport aux tarifs du marché.
• Une tarification d'appel d'offres plus rapide et plus précise. Quand les données de coût sont classifiées et reliées aux types d'actifs, tarifer un nouvel appel d'offres signifie récupérer des chiffres réels plutôt que construire des estimations.
• Une analytique et une IA qui fonctionnent comme promis. Des entrées propres produisent des résultats fiables. Des entrées désordonnées produisent du bruit coûteux.

« Pour la première fois, nous avons pu faire confiance à nos rapports de dépenses. J'ai utilisé les résultats pour construire notre premier rapport de sourcing stratégique qui a réellement tenu sous l'examen du directeur financier. »

– Directeur achats, entreprise européenne d'infrastructure

Le processus : comment se déroule réellement le travail sur la qualité des données

Le malentendu le plus courant est que l'amélioration de la qualité des données achats exige une migration ERP complète ou un programme de transformation pluriannuel. Ce n'est pas le cas.

Étape 1 – Référence. Comprendre les données dont vous disposez actuellement : ce qui manque, ce qui est incohérent, et où se trouvent les plus grands écarts de classification. Cette étape produit un jeu de données nettoyé que vous conservez, ainsi qu'une vue claire de ce qui doit se passer ensuite.

Étape 2 – Nettoyage et enrichissement automatisés. Les corrections à haut volume et répétables sont gérées par l'automatisation. Le modèle est entraîné sur vos données spécifiques, si bien qu'il apprend comment votre entreprise décrit ce qu'elle achète. Les cas ambigus sont remontés pour révision humaine. Cette étape traite généralement 85 à 95 % des corrections sans intervention manuelle.

Étape 3 – Contrôle qualité continu. Les nouvelles données entrant dans le système sont validées selon la même norme que les données nettoyées. La qualité ne se dégrade pas dans le temps parce que les vérifications s'exécutent automatiquement.

Sjoerd Schoufs

Data Extraction & Classification, Pearstop

Sjoerd works on data extraction and classification at Pearstop. He built a metadata extraction algorithm that pulls structured attributes out of engineering and technical files that would otherwise have to be opened and read one at a time. He also works on the classification pipeline itself.

LinkedIn →