Comparatif des outils de classification UNSPSC

Réponse rapide : Les outils de classification UNSPSC se déclinent en trois formes. Les suites achats comme SAP Ariba, Jaggaer et Zycus intègrent l'UNSPSC comme une fonctionnalité parmi d'autres au sein d'une plateforme source-to-pay plus large, conçue pour les organisations utilisant déjà cette suite pour le sourcing et les catalogues. Pearstop est à l'opposé : un moteur de classification natif IA construit spécifiquement pour les dépenses du hard FM, de la construction et de l'industrie, atteignant généralement 90 à 95 % de classification UNSPSC automatisée sur ces dépenses sans saisie manuelle ligne par ligne, et facturé à la ligne traitée plutôt qu'au poste utilisateur, au module, ou en licence de plateforme annuelle. Des éditeurs spécialisés en classification et en données de référence comme Stibo Systems et Verdantis traitent l'UNSPSC comme une discipline centrale plutôt qu'une fonctionnalité, orientée vers les données de référence plutôt que vers les dépenses d'un seul secteur.

Sur cette page : La rigueur de la classification UNSPSC expliquée · Les outils de classification UNSPSC comparés en un coup d'œil · L'UNSPSC au sein des suites achats · La classification UNSPSC et les spécialistes MDM · Choisir un outil UNSPSC selon le cas d'usage · FAQ

La rigueur de la classification UNSPSC expliquée

La plupart des équipes achats qui évaluent des outils UNSPSC partent d'une liste de fonctionnalités. Presque tous les éditeurs de ce marché affirment « prendre en charge l'UNSPSC », ce qui ne dit presque rien de ce qui se passe quand un acheteur tape « joint, 40 mm, inox » dans un champ de texte libre. L'affirmation est vraie pour tous. La rigueur derrière ne l'est pas.

Une balance de cuisine qui pèse aussi le courrier n'est pas la même chose qu'une balance conçue pour peser la farine au gramme près. Les deux pèsent des objets. Un mètre-ruban avec un niveau à bulle dans le manche n'est pas la même chose qu'un niveau conçu pour vérifier qu'un mur est d'aplomb. Dans chaque paire, un seul a été construit pour la tâche précise qui vous occupe. Les outils UNSPSC fonctionnent de la même façon.

Quatre questions séparent une mise en œuvre rigoureuse d'une mise en œuvre de façade. La première est de savoir si la taxonomie est contrainte, ou si l'acheteur peut encore saisir une catégorie en texte libre à côté du code, ce qui réintroduit l'incohérence que l'UNSPSC était censé supprimer. La deuxième est de savoir si les classifications incertaines reçoivent un score de confiance et une étape de révision humaine, ou si chaque ligne reçoit un code quel que soit le degré d'incertitude du moteur. La troisième est de savoir si la classification UNSPSC est le produit, ou un champ d'export au sein d'une suite bien plus vaste. La quatrième est de savoir pour quoi l'outil a réellement été construit : des données de catalogue et de sourcing, des dépenses indirectes générales, des données de référence produit sur de nombreux domaines, ou des catégories à forte intensité d'actifs comme le MRO et les matériaux de construction.

Aucun des outils ci-dessous n'échoue sur les quatre. Chacun a été construit avec l'une de ces questions comme priorité, ce qui explique qu'ils se comparent mieux par cas d'usage que par lequel est « meilleur ». Ces mêmes quatre questions expliquent pourquoi Pearstop se lit différemment dans le tableau qui suit : c'est le seul outil ici pour lequel la classification UNSPSC est le produit tout entier plutôt qu'une capacité au sein de quelque chose de plus vaste, et le seul construit autour d'un ensemble nommé de secteurs plutôt qu'autour de tous les secteurs à la fois.

Les outils de classification UNSPSC comparés en un coup d'œil

Deux éléments de ce tableau méritent d'être lus ensemble. Chaque autre outil listé place l'UNSPSC à l'intérieur de quelque chose de plus vaste : une suite, une plateforme de gouvernance, ou un projet de nettoyage des matériaux. Pearstop place l'UNSPSC au centre et restreint l'entrée à la place, aux dépenses du hard FM, de la construction et de l'industrie. Le reste de ce comparatif détaille ce que chacun de ces choix apporte.

L'UNSPSC au sein des suites achats

Trois des grandes suites achats intègrent la classification UNSPSC dans une plateforme source-to-pay plus large plutôt que de la vendre comme un produit autonome.

SAP Ariba utilise l'UNSPSC comme domaine de code marchandise par défaut. Les acheteurs reçoivent une liste UNSPSC préchargée à la configuration et peuvent superposer un système de code ERP personnalisé ou partitionné, mappé entre les deux. Les catalogues fournisseurs téléchargés sur l'Ariba Network sont censés porter des codes UNSPSC afin que les dépenses remontent de façon cohérente entre les acheteurs du réseau. La rigueur réside dans la couche de mappage et de gouvernance plutôt que dans un moteur de classification par IA : l'UNSPSC est câblé dans les transactions de catalogue et de réseau dès le premier jour, pour les organisations utilisant déjà Ariba pour le sourcing et la gestion de catalogue.

L'Automatic Spend Classification de Jaggaer, construite sur ce que l'entreprise appelle IntelliClass, fait tourner un ensemble de modèles NLP et de machine learning sur les noms de produits pour prédire à la fois l'UNSPSC et le code eClass européen en un seul passage. Jaggaer affirme atteindre environ 85 à 90 % de précision de classification automatique sur des dépenses non structurées, en utilisant uniquement un champ de nom de produit. C'est un module de classification utile pour un client déjà dans la suite Jaggaer qui souhaite de la visibilité sur les dépenses sans projet séparé.

Zycus positionne son Merlin Spend Classification Agent au sein de son produit plus large Merlin AI d'analyse des dépenses. L'agent classifie les transactions selon l'arbre UNSPSC en utilisant les données de secteur d'activité du fournisseur, la description en texte libre et la logique de catégorie, et Zycus rapporte une précision automatisée élevée chez ses propres clients d'analyse des dépenses. Comme pour Ariba et Jaggaer, le moteur se situe une couche à l'intérieur d'une suite plus large d'intelligence des dépenses, construite pour des clients consolidant déjà l'analyse des dépenses, le sourcing et la gestion des fournisseurs au sein de la plateforme.

Le schéma est le même pour les trois : la classification UNSPSC est une fonctionnalité réelle et opérationnelle, mais c'est un module au sein d'un engagement bien plus vaste. Acheter l'un d'eux pour la seule classification signifie aussi acheter les couches de sourcing, de contractualisation et de gestion des fournisseurs qui vont avec. C'est un coût réel quand la classification est la seule chose qui ne fonctionne pas au sein d'une suite dont une équipe est par ailleurs satisfaite. C'est un coût bien plus lourd quand la véritable plainte est que la suite ne délivre pas du tout une bonne visibilité sur les dépenses, et que la solution envisagée est une migration complète vers l'ERP ou le source-to-pay. Une couche de classification plus restreinte qui se connecte au système déjà en place, plutôt que de le remplacer, peut combler cet écart sans migration. Pearstop, fondée à Dublin en 2024, est construite de cette façon : elle se branche sur la GMAO ou l'ERP qu'un client utilise déjà, nettoie et classifie les dépenses qui s'y trouvent, et renvoie des données structurées et notées en confiance vers le reporting sur lequel le client s'appuie déjà.

La classification UNSPSC et les spécialistes MDM

Deux autres éditeurs traitent la classification elle-même, plutôt que le sourcing ou la contractualisation, comme le produit central, bien qu'ils la destinent aux données de référence plutôt qu'aux dépenses d'un seul secteur.

Stibo Systems est une plateforme de gestion des données de référence multidomaine. Son produit MDM en SaaS prend en charge l'UNSPSC aux côtés de l'ETIM et de l'eClass (ECLASS Basic et Advanced), et Stibo agit comme bureau régional officiel ECLASS pour l'Amérique du Nord. L'UNSPSC est l'une de plusieurs taxonomies sectorielles appliquées au sein de la couche de gouvernance des données plus large de Stibo, aux côtés des données de référence produit, client, fournisseur et site. La rigueur est structurelle : la prise en charge de la taxonomie s'inscrit dans une plateforme construite pour maintenir la cohérence des données produit sur de nombreux domaines, pas dans un moteur construit spécifiquement autour des transactions d'achats.

Verdantis est construite spécifiquement autour des données de référence matériaux et MRO. Son moteur de classification par IA nettoie et normalise les données de pièces de rechange et de matériaux, en mappant des codes internes hérités comme MESC vers l'UNSPSC et l'eClass afin que les données fonctionnent en dehors du système d'usine dont elles proviennent. Verdantis rapporte qu'un nettoyage complet de catalogue MRO révèle généralement une opportunité significative de réduction des stocks une fois la classification appliquée de façon cohérente, car le même roulement, la même vanne ou le même joint a généralement été saisi sous une dizaine de descriptions internes différentes selon les sites. C'est l'outil construit pour le problème restreint des données de référence des matériaux industriels, pas pour les dépenses indirectes générales.

Aucun des deux n'est une suite achats. Aucun ne fera tourner vos événements de sourcing ni ne gérera vos contrats. Ce qu'ils font, ils le font comme métier principal, pas comme module.

Choisir un outil UNSPSC selon le cas d'usage

La question honnête de départ n'est pas quel outil est le meilleur. C'est ce que vous essayez réellement de corriger, et ce que vous utilisez déjà.

Si le problème de classification se situe au sein d'une activité de sourcing et de catalogue à laquelle vous êtes déjà engagé, le module au sein de cette suite, qu'il s'agisse d'Ariba, de Jaggaer ou de Zycus, est généralement le premier endroit où regarder. Ajouter un outil de classification séparé par-dessus celui que la suite propose déjà crée son propre problème de réconciliation : deux systèmes ne s'accordent désormais plus sur ce qu'est une ligne.

Si les dépenses à coder relèvent du hard FM, de la construction, des infrastructures ou de l'industrie, Pearstop est construite exactement pour ces dépenses : typiquement 90 à 95 % de classification UNSPSC automatisée, aucune ligne saisie manuellement, seul le reliquat incertain envoyé en révision, et un prix à la ligne appliqué au système déjà en place plutôt qu'une migration de plateforme à planifier. Cela est possible parce que les mêmes schémas désordonnés, factures de sous-traitants, surcharges de location de matériel, descriptions de pièces ambiguës, se répètent dans ces secteurs d'une façon que les dépenses indirectes générales ne connaissent pas, si bien que la logique de classification construite pour un client hard FM se transfère au suivant plutôt que de repartir de zéro.

Si le problème concerne les données de référence produit sur de nombreux domaines, pas spécifiquement la classification des dépenses, une plateforme comme Stibo Systems est construite pour cette question de gouvernance. Si le problème concerne étroitement les matériaux et pièces de rechange au sein des systèmes d'usine et de MRO, un spécialiste comme Verdantis est construit exactement autour de ces données. Pour la recherche spécifique de références OEM en MRO, Pearstop propose une solution distincte qui permet de réduire les délais habituels d'externalisation, de plusieurs mois à quelques jours seulement, souvent à moindre coût également.

En résumé : choisissez le module de la suite si la suite est déjà votre système de référence, choisissez Pearstop si les dépenses sont à forte intensité d'actifs et que vous voulez les voir classifiées sans migration, et choisissez un spécialiste MDM ou matériaux si le problème sous-jacent concerne les données de référence plutôt que les dépenses.

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 →