Catering- en Automatenuitgaven: De FM-categorie die Niemand Goed Classificeert

Kort antwoord: Catering- en automatencontracten bundelen subsidiebijdragen, voedselkosten, apparatuuronderhoud en het bijvullen van voorraad onder één leveranciersrelatie. Omdat dit samen gefactureerd wordt en zelden consistent uitgesplitst, kunnen de meeste FM-teams niet zeggen welk deel van de uitgaven subsidie, dienstverlening of verbruiksartikelen is, waardoor ze niets goed kunnen benchmarken of onderhandelen.

Één leverancier, vier verschillende kostentypen

Een cateringfactuur kan subsidiebijdragen, ruwe voedselkosten, personeel en apparatuuronderhoud allemaal in één document bevatten. Elk daarvan gedraagt zich anders over tijd en zou anders beoordeeld moeten worden, maar als ze niet apart geclassificeerd zijn, worden ze behandeld als één getal dat stijgt of daalt zonder duidelijke reden.

Waarom automaten er nog slechter aan toe zijn

Verkoopautomaten genereren veel kleine transacties die bijna nooit netjes gespecificeerd worden in FM-systemen. De onderhoudscallout, de bijvulkosten en de daadwerkelijke productkosten worden meestal samengevoegd in één regel, waardoor het bijna onmogelijk is om een automaat te herkennen die veel meer kost aan onderhoud dan hij oplevert aan gebruik.

Wat het scheiden van deze categorieën echt oplevert

Zodra subsidie, voedselkosten, personeel, onderhoud en bijvullen apart geclassificeerd zijn, kun je elk onderdeel eindelijk op eigen voorwaarden onderhandelen in plaats van een gebundelde jaarlijkse verhoging te accepteren omdat niemand kan aantonen welk onderdeel daadwerkelijk gestegen is.

Pearstop splitst catering- en automatenfacturen automatisch tot op dit niveau uit, zodat je onderhandelt over subsidie, voedselkosten en onderhoud als drie afzonderlijke, bewijsbare getallen in plaats van één gebundelde gok.

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 →