De meeste procurement teams weten dat hun data niet perfect is. Wat ze consequent onderschatten, is wat die imperfectie kost – niet als een abstracte inefficiëntie, maar als een directe druk op de marge.
De cijfers zijn duidelijk. Onderzoek toont consequent aan dat bedrijven met slechte procurement data quality jaarlijks tussen 1% en 3% van de totale spend laten liggen. Bij een procurement budget van €50M is dat tot €1.5M aan vermijdbare kosten. Niet omdat de contracten slecht zijn. Niet omdat de suppliers te veel in rekening brengen. Maar omdat u zonder schone, gecategoriseerde, consistente data simpelweg niet kunt zien waar het probleem zit.
The problem is not the data. It is what you cannot do with it.
De meeste procurement leaders met wie we spreken hebben data – veel ervan. ERP exports, invoice histories, supplier databases en spreadsheets die worden bijgehouden door mensen die hun datasets door en door kennen. Het probleem is niet het volume. Het is de structuur.
Wanneer spend data niet consistent is gecategoriseerd, ontstaat een voorspelbare reeks problemen:
- Hetzelfde product verschijnt onder vijf verschillende beschrijvingen in drie business units
- Dezelfde supplier is geregistreerd onder vier verschillende namen, waardoor de totale spend onzichtbaar is
- Category reporting kost weken om te produceren en wordt nog steeds betwist in bestuursvergaderingen
- Analytics en AI tools worden geïmplementeerd bovenop rommelige inputs en leveren onbetrouwbare outputs
- Procurement kan geen geloofwaardige case opbouwen voor contractheronderhandeling omdat de volumetrische data niet standhoudt
Where the cost hides: three real patterns
Patroon 1: Onzichtbaar supplier volume. Een groot infrastructuurbedrijf voerde een data quality baseline uit en ontdekte dat een supplier waarvan zij dachten dat deze €300K aan jaarlijkse spend ontving, in werkelijkheid meer dan €1.2M ontving – verspreid over verschillende invoice beschrijvingen, verschillende business units en verschillende kostenplaatsen die nooit waren geaggregeerd. Dat inzicht leidde onmiddellijk tot een heronderhandeling. De besparing in jaar één dekte de kosten van het datawerk vele malen.
Patroon 2: Category spend waarop u niet kunt acteren. Een facilities management bedrijf wilde een category strategie opbouwen voor HVAC onderhoud in hun portfolio. Toen ze de data ophaalden, verscheen hetzelfde filtertype als "HVAC filter 400mm", "air filter F7", "filter panel medium" en "PPE consumables – ventilation", afhankelijk van wie de invoice had ingevoerd. Dit waren dezelfde producten, gekocht van verschillende suppliers tegen verschillende prijzen, zonder de mogelijkheid om te vergelijken of te consolideren.
Patroon 3: Tender pricing gebaseerd op giswerk. Een bouwbedrijf dat een nieuw facilities contract prijst, had historische spend data over tientallen voltooide projecten – maar niets ervan was consistent gecategoriseerd. Schatters moesten vertrouwen op geheugen en oordeel in plaats van werkelijke cijfers op te vragen per asset type en service category. Het resultaat: marges opgevuld om onzekerheid te dekken.
What good procurement data actually enables
Wanneer procurement data gestructureerd, enriched en consistent gecategoriseerd is – doorgaans met behulp van een standaard zoals UNSPSC – verandert het beeld snel.
- Supplier consolidation met echte leverage. U kunt de totale spend per supplier zien over alle varianten van hun naam. Dat cijfer wordt een onderhandelingspositie.
- Echt category management. Spend gegroepeerd in consistente categories kan worden geanalyseerd, benchmarked en beheerd tegen markttarieven.
- Snellere, nauwkeurigere tender pricing. Wanneer kostendata is geclassificeerd en gekoppeld aan asset types, betekent het prijzen van een nieuwe tender het ophalen van werkelijke cijfers in plaats van het construeren van schattingen.
- Analytics en AI die werken zoals geadverteerd. Schone inputs produceren betrouwbare outputs. Rommelige inputs produceren dure ruis.
"Voor het eerst konden we onze spend reports vertrouwen. Ik heb de outputs gebruikt om ons eerste strategische sourcing rapport op te stellen dat daadwerkelijk standhield onder CFO-toezicht."
– Head of Procurement, Europees infrastructuurbedrijf
The process: how data quality work actually happens
Het meest voorkomende misverstand is dat het verbeteren van procurement data quality een volledige ERP migratie of een meerjarig transformatieprogramma vereist. Dat is niet zo.
Fase 1 – Baseline. Begrijpen welke data u momenteel heeft: wat ontbreekt, wat inconsistent is en waar de grootste classificatiehiaten zijn. Deze fase produceert een opgeschoonde dataset die u behoudt, plus een duidelijk beeld van wat er vervolgens moet gebeuren.
Fase 2 – Geautomatiseerde cleaning en enrichment. De grootschalige, herhaalbare correcties worden afgehandeld door automatisering. Het model is getraind op uw specifieke data, zodat het leert hoe uw bedrijf beschrijft wat het koopt. Dubbelzinnige gevallen worden naar voren gebracht voor menselijke beoordeling. Deze fase verwerkt doorgaans 85—95% van de correcties zonder handmatige tussenkomst.
Fase 3 – Voortdurende quality control. Nieuwe data die het systeem binnenkomt, wordt gevalideerd tegen dezelfde standaard als de opgeschoonde data. De quality degradeert niet na verloop van tijd omdat de controles automatisch worden uitgevoerd.
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 →