Vous ne pouvez pas négocier ce que vous ne voyez pas.
La plupart des équipes achats peuvent indiquer leur chiffre d'affaires à l'euro près. Peu peuvent indiquer ce qu'elles ont réellement dépensé, catégorie par catégorie, sur chaque site, entité et contrat groupé. Pearstop construit cette base de référence, afin qu'une négociation, un appel d'offres ou une revue de contrat-cadre parte d'un chiffre réel plutôt que d'une estimation.
Un prix unique à l'appel d'offres. Aucun moyen de le vérifier ensuite.
On se dit, bon, combien ça va coûter. Et on se dit que ça devrait représenter environ trois pour cent de la valeur du contrat. Mais dans la réalité, ça pourrait être six, ou ça pourrait être deux. On ne sait pas.
Demandez à un directeur commercial de justifier le coût d'un contrat groupé, ligne de service par ligne de service, et la réponse honnête est souvent une estimation déguisée en chiffre. Le même écart se retrouve à un niveau supérieur. Un groupe de construction réalisant des centaines de millions sur une douzaine d'entités peut indiquer son chiffre d'affaires à l'euro près, tout en ignorant, avec précision, ce qu'il a dépensé l'année dernière ou sur quoi, parce que les dépenses se trouvent dans des systèmes différents, codées différemment, entité par entité.
- Un prix de contrat unique et global, aucun moyen d'isoler ce que coûte réellement chaque ligne de service
- Des accords-cadres signés des années auparavant, sans comparaison en temps réel avec ce qui est réellement acheté aujourd'hui
- Des dépenses à l'échelle du groupe réparties entre entités et systèmes, si bien que personne ne peut les additionner précisément
- Aucune véritable base de référence pour négocier avec un fournisseur ou chiffrer un appel d'offres, seulement l'estimation de l'année dernière
Trois niveaux gèrent la classification. Votre équipe gère le jugement.
La plupart des lignes n'ont jamais besoin d'un regard humain. Celles qui en ont besoin alimentent le système en retour, de sorte que la file de vérification se réduit chaque mois, au lieu de rester constante.
Règles et machine learning
Des règles spécifiques aux fournisseurs et une couche de machine learning entraînée sur vos propres dépenses traitent immédiatement la grande majorité des lignes, comme le ferait votre acheteur le plus expérimenté.
Couche LLM pour les cas limites
Les descriptions ambiguës, les lignes multilingues et les fournisseurs ponctuels sont résolus par un grand modèle de langage doté d'une large connaissance des produits et du secteur, plutôt que devinés.
Vérification humaine, puis mémorisation
Tout ce qui reste sous un seuil de confiance est signalé à votre équipe, généralement une heure environ par semaine. Chaque décision alimente le moteur en retour.
Ce qu'une véritable base de référence des dépenses rend possible
Une base de référence pour négocier et répondre aux appels d'offres
Des contrats groupés décomposés par ligne de service
Conformité aux accords-cadres vérifiée, pas supposée
Les dépenses hors contrat mises en pleine lumière
“Vous ne pouvez pas négocier ce que vous ne voyez pas. Les économies viennent en troisième.”
Qu'est-ce que la qualité des données d'achats et pourquoi est-ce important ?
La qualité des données d'achats désigne le fait que les données de dépenses, à travers les factures, les bons de commande et les registres fournisseurs, sont suffisamment exactes et cohérentes pour être additionnées. Pour les organisations d'infrastructure, de construction et de FM achetant sur de nombreux sites, entités et contrats groupés, une mauvaise qualité des données signifie que personne ne peut établir une véritable base de référence pour négocier ou répondre à un appel d'offres. Pearstop automatise le nettoyage et la classification des données d'achats pour des entreprises comme Strukton, traitant plus de 35 000 lignes par mois, de sorte que les dépenses sont visibles par catégorie, la conformité aux accords-cadres est vérifiée par rapport aux achats réels, et les dépenses de l'ensemble du groupe s'additionnent en un seul chiffre au lieu de plusieurs chiffres contradictoires.
Questions fréquentes
Que se passe-t-il si nous n'avons pas de données de classification existantes pour entraîner le système ?
La plupart des systèmes de classification s'appuient sur des données historiques pour apprendre. Pearstop combine une attribution basée sur des règles, du machine learning et une couche LLM qui s'appuie sur une large connaissance des produits et du secteur, ce qui lui permet de bien performer même sans données préexistantes.
Nos acheteurs garderont-ils le contrôle ?
Oui. Les acheteurs vérifient les éléments signalés dans une file dédiée, généralement une heure par semaine. Chaque décision qu'ils prennent entraîne davantage le système, réduisant la file de vérification au fil du temps jusqu'à ce que l'intervention manuelle approche zéro.
Pearstop peut-il vérifier nos achats par rapport aux accords-cadres existants ?
Oui. Une fois les dépenses classifiées de manière cohérente, les achats actuels peuvent être comparés aux accords-cadres déjà en place, catégorie par catégorie, de sorte que les dérives apparaissent au moment où elles se produisent plutôt qu'au prochain audit.
Prêt à construire une véritable base de référence des dépenses ?
Parlez à un commercial. Nous vous montrerons exactement où vos données de dépenses cachent le chiffre dont vous avez besoin.
