Wat een nieuwe head of procurement in week één moet doen

Quick answer: In je eerste 30 dagen, streef niet naar een besparingsdoel of een AI‑tool. Audit welke spend data je daadwerkelijk hebt, kom erachter wie, indien iemand, het vandaag categoriseert, en benoem één eigenaar voor data quality voordat je er een strategie bovenop bouwt. Het overslaan van deze stap betekent dat elk rapport dat je later presenteert dezelfde onbetrouwbare cijfers erft.

Op deze pagina: The baseline gap you inherit · Why AI is the wrong first move · What to actually do in week one · Why data quality needs an owner · FAQ

The baseline gap new procurement leaders inherit

De meeste mensen die een nieuwe head of procurement‑rol beginnen, vragen in hun eerste week om hetzelfde: een gecategoriseerd overzicht van spend. Wat koopt de organisatie, van wie, tegen welke prijs, en hoe splitst dat zich per category? In hard services, construction, HVAC, manufacturing en infrastructure bestaat dit overzicht bijna nooit in bruikbare vorm. Het bestaat als een ERP‑export met inconsistente supplier‑namen, vrije‑tekst‑beschrijvingen en een category‑veld dat één keer, jaren geleden, is ingevuld en nooit meer is aangeraakt.

Dit is geen zeldzame kloof. Industry benchmarking van spend under management toont dat de gemiddelde onderneming ongeveer 71 % zichtbaarheid heeft op totale spend, en dat cijfer betreft gevestigde procurement‑functies met mensen, processen en tooling al aanwezig. Een nieuwe head of procurement die een rol betreedt zonder voorafgaande category‑structuur start doorgaans ver onder dat gemiddelde, niet op dat niveau. Apart onderzoek naar hoe organisaties daadwerkelijk spend data verzamelen, blijkt dat ongeveer zes van de tien nog steeds afhankelijk zijn van handmatige verzameling en analyse, wat een directe verklaring is waarom de baseline ontbreekt in plaats van alleen verouderd is.

De persoon die in week één om een category‑breakdown vraagt, krijgt meestal één van twee dingen terug: een spreadsheet die iemand handmatig moet herbouwen, of een rapport dat de ERP genereert en alleen logisch is voor de persoon die het heeft gemaakt. Geen van beide is een baseline. Beide kosten dagen om te produceren en geen van beide overleeft een vervolg‑vraag van de board.

Niets hiervan gebeurde door verwaarlozing. Niemand heeft gezeten en besloten de category‑structuur te laten verrotten. Het gebeurde omdat het nauwkeurig classificeren van spend nooit iemands eigenlijke taak was. Het was een taak die aan procurement, finance of IT werd gekoppeld, een tijd goed uitgevoerd door degene die er het meest om gaf, en daarna stilletjes werd opgegeven toen die persoon vertrok of het drukker kreeg. De data brak niet. Ze werd simpelweg nooit eigendom.

Why AI is the wrong first move

Zodra een nieuwe head of procurement bevestigt dat er geen baseline is, is de instinctieve reactie bijna altijd dezelfde: richt een AI‑tool op de ruwe export en laat het de rommel opruimen. Microsoft Copilot of een algemeen model kan een spreadsheet binnen enkele minuten classificeren, en bij een volledig ongecategoriseerde dataset voelt een paar minuten als een overwinning vergeleken met weken handmatig sorteren.

Het probleem ontstaat pas op schaal, niet in de demo. Enterprise benchmarking van generative AI toont hallucinatiepercentages voor commerciële modellen variërend van ongeveer 15 % tot meer dan 50 % afhankelijk van de taak, en open‑ended classificatie tegen vage, bedrijfsspecifieke categorieën is precies het soort taak waarbij dat bereik zich aan de hogere kant bevindt. Een algemeen model heeft geen geheugen van de regel die het toepaste op regel 40 tegen de tijd dat het bij regel 4.000 komt, en er is geen audit‑trail die uitlegt waarom “3/4 inch ball valve” in de ene export in één categorie belandde en in de volgende in een andere.

Dit is geen argument tegen AI. Het is een argument tegen AI als eerste stap, voordat er een category structure en een rule set bestaat om consequent toe te passen. Richt je een algemeen model op een rommel en het levert een zelfverzekerd klinkende, anders gevormde rommel terug, sneller dan een mens zou doen. Een leiderschapsteam één rapport laten zien dat is opgebouwd uit gehallucineerde categorieën schaadt het vertrouwen in de functie meer dan een langzamer, eerlijk “we weten het nog niet.”

What to actually do in week one

Weersta de drang naar een besparingsdoel, een technology roadmap of een AI‑pilot in de eerste maand. Geen van deze kan betrouwbaar worden gebouwd bovenop data die niemand heeft geverifieerd. In plaats daarvan:

• Find out what already exists. Vraag finance en IT om de ruwe spend export, niet een opgeschoond overzicht. De rommel is het nuttige deel, omdat het laat zien waar je werkelijk mee begint.
• Check categorisation consistency, not just completeness. Trek een steekproef van 50 tot 100 vergelijkbare line items en kijk hoeveel op dezelfde manier zijn geclassificeerd. Een ingevuld category‑veld is niet hetzelfde als een betrouwbaar veld.
• Identify who owns data quality today. In de meeste organisaties is het eerlijke antwoord niemand, of verschillende mensen gedeeltelijk. Dat is een diagnose, geen persoonlijke tekortkoming, en het is het meest bruikbare feit dat je in je eerste maand leert.
• Delay any public number. Een besparingscijfer of een spend‑under‑management‑claim die wordt aangekondigd voordat de baseline is geverifieerd, wordt het getal waaraan je wordt gehouden, correct of niet.

Pearstop bouwt een gecategoriseerde, audit‑klare spend‑baseline in vier tot zes weken voor procurement‑leiders die een functie beginnen zonder bestaande basis, met een classificatiemodel dat is getraind op de eigen inkoopbeschrijvingen van het bedrijf in plaats van op een generiek AI‑instrument zonder geheugen van de laatste beslissing die het heeft genomen.

Why data quality needs a single owner

De reden dat dit gat steeds weer opduikt, zelfs bij bedrijven die hun data eerder hebben opgeschoond, is dat de opschoning werd behandeld als een project in plaats van als een functie. Een ERP‑migratie of een eenmalige classificatie‑oefening corrigeert de data op de dag dat het voltooid is. Achttien maanden later zijn er nieuwe leveranciers onboarded, nieuwe productlijnen toegevoegd, en was niemand verantwoordelijk voor het actueel houden van de categorie‑structuur, waardoor deze opnieuw is afgebroken.

De oplossing is geen beter eenmalig project. Het is een benoemde, permanente eigenaar voor data quality, met doorlopende classificatie behandeld op dezelfde manier als een organisatie financiële controles benadert: als iets dat continu draait, niet als iets dat één keer wordt gedaan en daarna wordt achtergelaten. Die eigenaarschap kan intern bij een category manager zitten, of worden geleverd als een doorlopende managed service, maar het moet ergens specifiek genoeg zitten zodat wanneer over drie jaar een nieuwe head of procurement start, hij een onderhouden baseline erft in plaats van ditzelfde probleem opnieuw.

Op de juiste manier geformuleerd gaat dit niet echt over AI, of besparingsdoelstellingen, of dashboards. Het gaat erom of de cijfers die een nieuwe head of procurement in maand drie presenteert, kunnen worden vertrouwd door de mensen die beslissingen nemen op basis daarvan. Dat vertrouwen moet eerst worden opgebouwd.

Frequently asked questions

What should a new head of procurement do in the first 30 days?

In de eerste 30 dagen moet een nieuwe head of procurement in kaart brengen welke spend‑data al bestaat, controleren of deze consistent is gecategoriseerd, en identificeren wie momenteel verantwoordelijk is voor data quality, indien iemand dat is. Een besparingsplan of een technologische roadmap opstellen voordat deze diagnose is voltooid, betekent bouwen op cijfers die niemand daadwerkelijk heeft geverifieerd.

Why is there no spend data baseline when I start a new procurement role?

De meeste organisaties wijzen nooit permanente eigenaarschap toe aan spend‑classificatie, waardoor deze afneemt naarmate nieuwe leveranciers, locaties en productlijnen worden toegevoegd zonder dat iemand de categorie‑structuur onderhoudt. Tegen de tijd dat een nieuwe head of procurement arriveert, weerspiegelt de data jaren van ad‑hoc oplossingen in plaats van een onderhouden standaard, waardoor er geen bruikbare baseline bestaat.

Kunnen AI‑tools zoals Copilot procurement‑spend‑data nauwkeurig classificeren?

General‑purpose AI‑tools kunnen een eerste classificatie leveren, maar ze zijn niet ontworpen om consistentie te waarborgen over duizenden regels of om de specifieke categorieregels van een bedrijf toe te passen. In de praktijk verzinnen ze categorieën, drijven ze af bij vergelijkbare items, en vereisen ze vaak evenveel handmatige correctie als ze besparen, vooral zonder ingebouwde menselijke controle.

Hoe helpt Pearstop een nieuwe head of procurement bij het opbouwen van een spend‑baseline?

Pearstop bouwt binnen vier tot zes weken een gecategoriseerde, audit‑klare spend‑baseline voor procurement‑leiders die zonder beginnen, met een classificatiemodel dat is getraind op de eigen inkoopbeschrijvingen van het bedrijf in plaats van op generieke AI. Het resultaat biedt een nieuwe head of procurement een geverifieerd startpunt om van te rapporteren en waarop strategie kan worden gebouwd.

Wie moet data quality bezitten binnen een procurement‑team?

Data quality vereist een benoemde, permanente eigenaar, niet een informeel verdeelde verantwoordelijkheid over procurement, IT en finance. Zonder een verantwoordelijke eigenaar drijven de categorisatie‑standaarden af zodra de persoon die de data begrijpt vertrekt of wordt herplaatst, en de volgende leider erft dezelfde onbetrouwbare cijfers opnieuw.

Neharika Kishore

Content & Visibility, Pearstop

Neha works on content and visibility at Pearstop. She writes articles on procurement data quality for facilities management, construction and infrastructure teams, and supports The Data Edge podcast. She also runs outreach to procurement and finance leaders, which keeps her writing close to the problems those teams are actually raising.

LinkedIn →