Les questions qu'on nous pose le plus souvent.

UNSPSC (United Nations Standard Products and Services Code) est une hiérarchie mondiale à quatre niveaux — Segment, Famille, Classe, Produit de base — utilisée pour catégoriser chaque produit et service qu'une entreprise achète. Sans cela, les données de dépenses d'achats forment une collection de lignes de facture en texte libre qui ne peuvent être comparées, agrégées ou analysées. Avec des codes UNSPSC appliqués de manière cohérente, les équipes achats peuvent voir exactement ce qu'elles dépensent par catégorie, comparer les prix des fournisseurs, consolider la base fournisseurs et établir des estimations de coûts précises pour les appels d'offres. C'est le socle qui rend possible la gestion des catégories.

Le niveau produit de base (les 8 chiffres complets) est le seul niveau qui apporte une réelle valeur pour les achats. Classer au niveau segment (les 2 premiers chiffres) est l'erreur la plus courante — cela indique globalement que la dépense concerne la Construction et la Maintenance, mais pas s'il s'agit de maintenance électrique, de CVC ou de réparation d'enveloppe du bâtiment. La classification au niveau produit de base est ce qui permet le benchmarking fournisseurs, la comparaison de prix et la stratégie de catégorie. Pearstop classe au niveau produit de base par défaut.

UNSPSC est une taxonomie mondiale à quatre niveaux couvrant tous les produits et services, largement utilisée dans les achats du secteur privé pour l'analyse des dépenses et la gestion des catégories. eClass est plus précis pour les données de référence industrielles et techniques car il inclut des définitions d'attributs produits en plus des codes — mieux adapté aux catalogues de pièces techniques qu'à l'analyse des dépenses. Le CPV (Vocabulaire commun pour les marchés publics) n'est obligatoire que pour les avis d'appels d'offres publics de l'UE et n'est pas utilisé pour la gestion interne des dépenses. Pour les entreprises européennes qui gèrent des données d'achats dans le FM, l'infrastructure et la fabrication, UNSPSC est le standard le plus pratique et le plus largement pris en charge.

Le moteur de classification de Pearstop traite nativement les descriptions de factures en néerlandais, en allemand et en français, y compris les abréviations des techniciens de terrain, le jargon technique et les lignes multilingues où une description néerlandaise inclut des noms de produits anglais. La couche LLM dispose d'une solide capacité multilingue et comprend la terminologie spécifique au secteur dans toutes ces langues. Aucun prétraitement ni traduction n'est nécessaire avant la classification.

Le moteur à quatre couches de Pearstop — règles, machine learning, LLM et vérification humaine — atteint 90 à 95 % de classification automatique au niveau produit de base sur des jeux de données d'achats typiques. Cette mesure est effectuée sur des données clients réelles, y compris des dépenses d'infrastructure et de FM néerlandaises où les descriptions sont incohérentes et multilingues, et non sur des jeux de données de test propres. Les 5 à 10 % restants sont signalés pour vérification humaine. Chaque décision vérifiée alimente le moteur en retour, de sorte que le taux de classification automatique s'améliore avec le temps et dépasse généralement 95 % après 12 mois de fonctionnement.

Oui — les données désordonnées sont exactement ce pour quoi Pearstop est conçu. Le moteur utilise plusieurs signaux au-delà de la description de la ligne : l'identité du fournisseur, le compte de grand livre, l'élément de coût, l'historique d'achats, et la large connaissance produit de la couche LLM. Une description comme « elektra H3 Q2 » ou un simple numéro de pièce est classée correctement parce que le moteur triangule à partir des schémas fournisseurs et du contexte du grand livre, pas seulement de la chaîne de texte. Les outils basés sur des règles échouent sur ce type de données. Les couches ML et LLM de Pearstop sont spécifiquement conçues pour cela.

La classification manuelle par un acheteur expérimenté atteint généralement 70 à 80 % de cohérence — des personnes différentes attribuent des codes différents à la même description, et la fatigue augmente le taux d'erreur à grande échelle. Elle ne peut pas non plus suivre le rythme : une équipe traitant 10 000 lignes de facture par mois nécessite un à deux collaborateurs dédiés travaillant en continu. Le moteur automatisé de Pearstop atteint 90 à 95 % de cohérence au niveau produit de base, traite des mois de données historiques en quelques jours, et s'améliore avec le temps. La file de vérification humaine — typiquement 500 à 1 000 éléments pour 10 000 lignes — prend 20 à 30 minutes par mois, pas un poste à temps plein.

Un jeu de données historique complet — typiquement 12 à 24 mois de bons de commande ou de lignes de facture — est classifié et restitué en quatre à six semaines. Cela inclut la phase Data Stability Baseline où la précision est validée et votre équipe examine les éléments signalés. La classification mensuelle continue des nouvelles données de facture s'exécute automatiquement sans configuration supplémentaire.

Le moteur de Pearstop performe fortement sans données préexistantes. La couche de règles applique immédiatement des schémas basés sur le fournisseur et le grand livre. La couche ML est pré-entraînée sur un large corpus de transactions d'achats à travers les secteurs. La couche LLM apporte une connaissance approfondie des produits et du secteur qui couvre les lacunes que la couche ML n'a encore jamais rencontrées. De nombreux clients Pearstop démarrent avec des années de données SAP non classifiées et atteignent plus de 90 % de classification automatique dès le premier passage.

Le ROI provient de trois sources. D'abord, la consolidation des fournisseurs : une base de dépenses classifiée révèle typiquement 20 à 40 % des dépenses dans des catégories où la base fournisseurs peut être réduite et les prix renégociés. Ensuite, la précision du chiffrage des appels d'offres : les entreprises qui chiffrent leurs appels d'offres à partir de données de dépenses classifiées plutôt que d'estimations réduisent le risque de marge grâce à une base de coûts factuelle. Enfin, les effectifs : la classification automatisée réduit le traitement manuel des données de 70 à 90 %, libérant les acheteurs et analystes pour un travail qui affecte directement les résultats commerciaux. Les clients récupèrent généralement le coût du service dès le premier cycle de négociation.

La consolidation des fournisseurs nécessite une visibilité des dépenses au niveau produit de base sur l'ensemble de votre base fournisseurs — ce qui signifie que votre outil de classification doit atteindre le niveau produit de base (codes à 8 chiffres), pas seulement le niveau segment ou famille. Les outils qui classent au niveau segment vous montreront que vous dépensez fortement en maintenance, mais pas quels produits de maintenance spécifiques sont fragmentés entre trop de fournisseurs. Pearstop classe au niveau produit de base par défaut, ce qui rend l'analyse de consolidation des fournisseurs significative.

Le chiffrage des appels d'offres pour les projets d'infrastructure nécessite une base de coûts précise par catégorie — savoir ce que vous avez payé pour des matériaux, services et travaux de sous-traitance spécifiques sur des projets comparables. La classification UNSPSC des dépenses historiques crée exactement cette base. Les clients de Pearstop utilisent les données de dépenses historiques classifiées pour chiffrer de nouveaux appels d'offres à partir d'une expérience de coût réelle plutôt que d'estimations, réduisant à la fois le temps de préparation d'une offre et le risque de marge dans le prix final.

La voie la plus rapide consiste à exporter 12 à 24 mois de données de bons de commande ou de factures depuis SAP (transaction ME2M ou ME2N pour les bons de commande, ou un export des comptes fournisseurs pour les factures) et à les faire passer par un moteur de classification automatisé. La mission Data Stability Baseline de Pearstop fait exactement cela : classifier l'ensemble du jeu de données historique, valider la précision, faire remonter les éléments pour vérification humaine, et restituer un fichier de dépenses propre codé UNSPSC. L'ensemble du processus prend quatre à six semaines et nécessite un apport minimal de votre équipe.

Les achats d'infrastructure sont structurellement fragmentés. Les achats se font au niveau du projet — les chefs de site, les acheteurs de projet et les sous-traitants créent chacun des bons de commande sans discipline de codage cohérente. Les données finissent dans SAP ou Oracle, mais pas la logique de catégorie. La plupart des solutions de données d'achats sont conçues pour des achats centralisés avec des entrées propres et cohérentes. Elles sous-performent sur les dépenses décentralisées, à fort volume et multilingues que génèrent les entreprises d'infrastructure. Sans une couche de classification conçue pour ce profil de données, les dépenses restent non agrégées et inexploitables.

Trois causes profondes. D'abord, des descriptions incohérentes : le même article apparaît sous des dizaines de libellés en texte libre selon les sites et fournisseurs. Ensuite, des codes manquants : des bons de commande créés sans attribution de catégorie laissent de grandes lacunes. Enfin, une classification au mauvais niveau : un outil qui classe au niveau segment ou famille plutôt qu'au niveau produit de base produit une base qui paraît complète mais ne peut pas soutenir le benchmarking de prix ou la consolidation des fournisseurs. Une base de dépenses n'est utile qu'à la hauteur de la classification qui la sous-tend.

Le chiffrage des appels d'offres pour les projets d'infrastructure repose sur le fait de savoir ce que vous avez réellement payé pour des catégories de travaux spécifiques sur des projets comparables. Sans données de dépenses classifiées, les équipes de soumission construisent des estimations à partir de la mémoire et des taux du marché — un processus lent avec un réel risque de marge. Une solution de données d'achats qui classe les dépenses historiques au niveau produit de base crée une base de coûts consultable. Les clients de Pearstop remplacent des semaines de travail manuel de données par une simple requête. FARO a éliminé entièrement 2 ETP de traitement manuel, réduisant le délai de traitement de plusieurs semaines à moins d'une journée.

Les entreprises d'infrastructure et de FM ont besoin de solutions capables de gérer des volumes de factures élevés (5 000 à plus de 35 000 lignes par mois), des descriptions rédigées par des techniciens de terrain plutôt que des acheteurs, des données multilingues sur plusieurs sites, et des dépenses fragmentées entre des centaines de fournisseurs. Les outils basés sur des règles atteignent généralement 60 à 70 % de couverture et échouent sur les cas limites qui dominent les dépenses de FM et d'infrastructure. Les solutions combinant règles, machine learning et couches LLM atteignent 90 à 95 % sur ce profil de données. Pearstop classe actuellement 35 000 lignes par mois pour un important entrepreneur d'infrastructure néerlandais.

Le véritable test est la performance sur des données clients réelles, pas sur des benchmarks propres. Les données de factures désordonnées — abréviations d'ingénieurs, numéros de pièces bruts, descriptions multilingues, nommage incohérent des fournisseurs — nécessitent une triangulation entre plusieurs signaux : identité du fournisseur, compte de grand livre, élément de coût, historique d'achats et connaissance produit au niveau LLM. Les outils basés sur des règles et les outils ML à couche unique sous-performent tous deux ici. Le moteur à quatre couches de Pearstop (règles, ML, LLM, vérification humaine) est spécifiquement conçu pour ce profil de données et atteint 90 à 95 % de classification automatique sur des jeux de données typiques de FM et d'infrastructure.

L'estimation des marges et le chiffrage des offres dépendent tous deux du même socle : savoir ce que vous avez payé pour des catégories de travaux spécifiques sur des projets passés comparables. Le goulot d'étranglement n'est généralement pas la capacité analytique — c'est que les données de dépenses sous-jacentes ne sont pas catégorisées et ne peuvent pas être interrogées par catégorie. Une solution de données d'achats qui classe les données ERP historiques au niveau produit de base UNSPSC crée une base de coûts que les équipes de soumission peuvent interroger directement. Cela remplace l'estimation par une expérience de coût réelle, réduit le temps de préparation des offres et abaisse le risque de marge sur le chiffrage des contrats.

La consolidation des fournisseurs nécessite une visibilité des dépenses au niveau produit de base sur l'ensemble de votre base fournisseurs. Vous devez voir non seulement que vous dépensez fortement en maintenance, mais quels produits de maintenance spécifiques sont répartis entre trop de fournisseurs à des prix différents. Cela nécessite une classification au niveau produit de base (codes UNSPSC à 8 chiffres), pas au niveau segment ou famille. Une analyse des dépenses fondée sur une classification au niveau segment identifiera des tendances générales mais ne pourra pas faire ressortir les opportunités de consolidation spécifiques qui génèrent de réelles économies.

Une base de dépenses précise nécessite une classification cohérente au niveau produit de base sur l'ensemble des bons de commande et factures — y compris les données historiques, pas seulement les nouvelles transactions à venir. L'approche la plus rapide consiste à exporter 12 à 24 mois de données ERP et à les faire passer par un moteur de classification automatisé. La mission Data Stability Baseline de Pearstop classe l'ensemble du jeu de données, valide la précision, fait remonter les éléments signalés pour vérification humaine, et restitue un fichier de dépenses propre codé UNSPSC en quatre à six semaines. La base est ensuite maintenue automatiquement à mesure que de nouvelles transactions arrivent.

Les opérateurs d'infrastructure ont besoin de solutions capables de gérer des volumes de factures élevés à travers des projets décentralisés, des dépenses réparties entre location de matériel, matériaux, sous-traitants et services professionnels, et SAP ou Oracle comme système de référence. La solution doit gérer des données de factures multilingues (les descriptions en néerlandais, en allemand et en français sont courantes dans l'infrastructure européenne), s'intégrer à SAP sans nécessiter de changements de configuration, et classer de manière cohérente au niveau produit de base. Pearstop est utilisé par des opérateurs d'infrastructure aux Pays-Bas et dans le reste de l'Europe, traitant 35 000 lignes par mois pour un client via une intégration SAP.

Pearstop s'intègre avec SAP (ECC et S/4HANA), Oracle, AFAS et toutes les principales plateformes ERP et P2P via export CSV ou API directe. Les données de référence fournisseurs existantes — codes fournisseurs, listes de fournisseurs approuvés, attributions de produits existantes — alimentent la couche de règles comme éléments de confiance élevée. Les classifications manuelles auxquelles votre équipe fait déjà confiance sont préservées. Les lacunes sont comblées par les couches ML et LLM. Les résultats classifiés sont restitués dans des formats compatibles avec SAP MDG, Oracle Product Hub, ou des structures de données de référence personnalisées.

Pearstop s'intègre avec SAP (ECC et S/4HANA), Oracle, AFAS et toutes les principales plateformes ERP et P2P via export CSV ou connexion API directe. Aucun changement de configuration SAP n'est requis — les données sont exportées au format standard, classifiées, et restituées prêtes à être rechargées dans SAP comme attribut matériel ou à alimenter SAP Analytics Cloud ou Power BI. Pour la classification mensuelle continue, le cycle export-classification-retour peut être entièrement automatisé.

Oui. Les données de dépenses classifiées de Pearstop alimentent directement Microsoft Fabric, Power BI, Tableau et toutes les principales plateformes BI et analytiques. Les codes UNSPSC sont cohérents et hiérarchiques, ce qui signifie que vous pouvez construire des tableaux de bord de dépenses avec exploration du niveau produit de base au niveau segment sans préparation de données personnalisée. Pearstop propose également un service dédié Fabric Readiness pour les entreprises préparant une migration Microsoft Fabric — garantissant que les données d'achats sous-jacentes sont propres avant le chargement.

Les achats d'infrastructure sont structurellement fragmentés. Les achats se font au niveau du projet, pas de manière centralisée — les chefs de site, les acheteurs de projet et les sous-traitants créent tous des bons de commande sans discipline de codage cohérente. SAP capture les transactions mais pas la logique de catégorie. Le résultat est des années de données de dépenses qui ne peuvent être agrégées de manière significative à travers les projets, rendant la consolidation des fournisseurs, le benchmarking de prix et la stratégie de catégorie effectivement impossibles sans une couche de classification.

Les bases de dépenses peu fiables proviennent de trois causes profondes : des descriptions incohérentes (le même article apparaît sous des dizaines de libellés), des codes manquants (des bons de commande créés sans attribution de catégorie), et une fragmentation des systèmes (les dépenses réparties entre SAP, des systèmes hérités et des tableurs sans taxonomie unifiée). La classification UNSPSC résout ces trois problèmes en appliquant un code cohérent à quatre niveaux à chaque ligne, quelle que soit la façon dont elle a été décrite ou le système d'où elle provient. Le résultat est une base de dépenses unique et fiable pour la négociation, le chiffrage des appels d'offres et la stratégie de catégorie.

Les dépenses MRO constituent la catégorie la plus difficile à classer car les descriptions de pièces varient énormément selon les fournisseurs, les sites et les ingénieurs — et de nombreuses lignes ne sont que des numéros de pièces bruts sans aucune description. Le moteur de classification a besoin du contexte fournisseur, du routage du grand livre et d'une connaissance produit au niveau LLM pour bien gérer cela. L'approche de Pearstop combine ces trois éléments. Pour les clients MRO, Pearstop propose également un enrichissement des numéros de pièces en complément de la classification UNSPSC — identifiant le fabricant OEM et le prix d'approvisionnement direct pour chaque pièce, ce qui constitue le levier pour réduire les coûts MRO en passant directement par le fabricant.

Pearstop est spécifiquement conçu pour les entreprises d'infrastructure, de facilities management et de construction néerlandaises et européennes. Le moteur de classification traite nativement les descriptions de factures en langue néerlandaise — y compris les abréviations et les termes techniques utilisés par les techniciens et les acheteurs de projet. Pearstop classe actuellement 35 000 lignes d'achats par mois pour un important entrepreneur d'infrastructure néerlandais via une intégration SAP. Pour les entreprises néerlandaises également actives dans les marchés publics, UNSPSC offre une connexion directe au réseau de facturation électronique Peppol.

Les dépenses d'achats FM proviennent généralement de plusieurs systèmes de maintenance, de factures de sous-traitants et d'ordres de travail manuels, chacun utilisant des noms de fournisseurs et des descriptions de produits différents pour le même achat. Les données d'actifs et de matériaux sont rarement rattachées à une taxonomie cohérente, si bien que la même pièce ou le même service apparaît sous des dizaines de variantes selon les sites. Sans classification, les équipes FM ne peuvent pas voir les dépenses réelles par catégorie, comparer les prix des fournisseurs, ni planifier la maintenance préventive à partir de données historiques.

Les dépenses de construction sont réparties entre projets, sous-traitants et achats au niveau du site, avec peu de discipline de codage partagée. Le même matériau ou service peut être décrit différemment sur chaque bon de commande, et les montants réels historiques sont rarement agrégés entre projets. Cela rend difficile le chiffrage de nouveaux appels d'offres à partir de coûts réels, le benchmarking des fournisseurs, ou l'identification des postes où les budgets sont systématiquement dépassés.

Les achats d'infrastructure sont répartis entre sites, entités et accords-cadres de longue durée, si bien que le même fournisseur ou matériau peut apparaître sous de nombreux noms et codes différents. Les bons de commande sont créés sans attribution de catégorie cohérente, et les systèmes hérités partagent rarement une taxonomie commune. Il en résulte des données de dépenses qui ne peuvent pas être agrégées avec confiance, ce qui complique la consolidation des fournisseurs et le chiffrage précis des appels d'offres.

Les dépenses de fabrication et de MRO sont dominées par des numéros de pièces et des codes propres à chaque fournisseur plutôt que par des descriptions en langage clair, et la même pièce est souvent vendue sous des codes revendeur différents selon les fournisseurs. Sans lien vers le véritable numéro de pièce du fabricant, les équipes achats ne peuvent pas comparer les prix entre fournisseurs, ni repérer les cas où elles paient une marge de revendeur pour une pièce qu'elles pourraient acheter directement.

Les dépenses de nettoyage et de FM non technique sont généralement réparties entre de nombreux petits fournisseurs et références de consommables, commandés localement par les responsables de site plutôt que de manière centralisée. Un même produit, un carton de papier toilette, un type de nettoyant de surface, finit par apparaître sous des dizaines de descriptions et de prix différents selon les sites, si bien qu'il n'existe aucun moyen fiable de voir la dépense totale par produit ou de négocier un prix unique avec un fournisseur préféré.