Dat is het verzoek dat we het vaakst horen, soms als een spend-bestand dat nog nooit een code heeft gehad, soms als een stapel PDF-facturen die nog niet eens een spend-bestand is geworden. Deze gids beschrijft het daadwerkelijke proces: hoe Pearstop beide startpunten omzet in een UNSPSC-gecodeerde dataset, wat een pilot meet voordat u zich vastlegt op het volledige bestand, en waarom de classificatie niet voortkomt uit simpelweg een model vragen wat een code zou moeten zijn.
Twee verschillende situaties komen binnen. Pearstop dekt beide, en vraagt u niet meer te doen dan de stap die u daadwerkelijk nodig heeft.
Sommige klanten hebben jaren aan inkoopgeschiedenis als gescande of geëxporteerde PDF-facturen en verder niets. Voordat een UNSPSC-code mogelijk is, moet die data eerst regels worden: leverancier, omschrijving, hoeveelheid, stukprijs, datum. Pearstop haalt de velden op die voor facturen in uw sector zijn gespecificeerd rechtstreeks uit de PDF's, zodat de output landt als een normaal spend-bestand in plaats van een map documenten die niemand kan bevragen.
Andere klanten hebben al een gestructureerd spend-bestand, geëxporteerd uit SAP, Oracle, of een P2P-systeem, of handmatig bijgehouden. Als dat uw situatie is, wordt de PDF-extractiestap volledig overgeslagen en start classificatie direct op het bestand dat u al heeft.
Dit zijn twee aparte workflows, geen één alles-of-niets pijplijn. Als u alleen de classificatiestap nodig heeft, is dat wat u krijgt. Als u beide nodig heeft, draait eerst PDF-extractie en classificatie loopt op wat daaruit komt.
Vanaf hier is het proces hetzelfde, ongeacht van welk startpunt u kwam.
We genereren een vierlaags procurement-taxonomie voor uw spend en verankeren deze aan de officiële UNSPSC-hiërarchie, en aan NACE waar uw sector daarom vraagt. Deze taxonomie is waar elke regel uiteindelijk onder valt, niet alleen een code per regel.
We voeren een representatieve steekproef van ongeveer 500 regels als pilot door de engine, kosteloos. Dat is klein genoeg om handmatig te controleren en groot genoeg om echte nauwkeurigheid te tonen, niet een handvol makkelijke voorbeelden.
Uw team controleert de steekproef tegen wat u weet over uw eigen data en corrigeert wat fout is. Deze stap levert het echte signaal op: niet of de engine een code kan produceren, maar of uw eigen inkoopmensen het ermee eens zijn.
Elke correctie wordt opgeslagen tegen de leverancier en het omschrijvingspatroon dat deze veroorzaakte. Het systeem onthoudt bijvoorbeeld dat de regel 'handschoenen' van deze leverancier altijd schoonmaakhandschoenen zijn, geen medische handschoenen, zonder dat dit opnieuw hoeft te worden uitgelegd.
Met de gecorrigeerde pilot en het geheugen op zijn plek, voeren we classificatie uit over het volledige bestand. Regels die overeenkomen met een bekend leverancierspatroon gaan door met het geheugen al toegepast. Nieuwe patronen doorlopen nog steeds dezelfde regels, trefwoordcontroles en LLM-laag als de pilot.
Resultaten komen terug als Excel-bestand, of via een directe API-koppeling met uw ERP, zodat de geclassificeerde data landt waar uw team al werkt in plaats van in een apart hulpmiddel.
Elke regel krijgt de volledige hiërarchie, geen kale code: segment, familie, klasse, en de daadwerkelijke 8-cijferige UNSPSC commodity-code, elk met de titel in gewone taal, zodat een reviewer kan zien wat een code betekent zonder dit apart op te zoeken.
Plak een omschrijving in een algemeen model en vraag om een UNSPSC-code, en u krijgt er een. U krijgt er ook een wanneer geen enkele echte code goed past, omdat een taalmodel de gestelde vraag beantwoordt in plaats van toe te geven dat het het niet weet. Dat is een gehallucineerde code: zelfverzekerd, specifiek, en lastig te herkennen op een spreadsheet vol ervan.
Pearstop vraagt een model niet om een code en neemt het antwoord niet zomaar over. De omschrijving doorloopt een AI- en LLM-classificatielaag, maar de code die deze laag voorstelt wordt vervolgens gecontroleerd tegen de echte UNSPSC-dataset zelf, elk segment, elke familie, klasse en commodity, voordat deze wordt geaccepteerd. Als een voorgestelde code niet bestaat in de daadwerkelijke standaard, wordt deze afgewezen in plaats van getoond als resultaat.
Naast die controle vangen deterministische trefwoordregels de patronen op die helemaal geen model nodig hebben. Een leveranciersspecifieke database vernauwt het veld voordat classificatie begint, net zoals weten dat een leverancier elektrische componenten verkoopt irrigatieonderdelen uitsluit. Leveranciersspecifiek geheugen, opgebouwd uit uw eigen gecontroleerde correcties, betekent dat een patroon de tweede keer dat het verschijnt niet opnieuw vanaf nul hoeft te worden doordacht. En waar uw eigen data al enige categoriestructuur bevat, inkoopgroepen, GL-codes, bestaande labels, wordt die structuur gebruikt om het resultaat te vernauwen en te controleren, in plaats van vanaf nul te beginnen alsof het bestand geen geschiedenis had.
Wat overblijft na regels, de leveranciersdatabase, geheugen en validatie krijgt nog steeds een betrouwbaarheidscontrole. Alles met lage betrouwbaarheid wordt gemarkeerd voor een persoon, niet teruggegeven als feit.
Als u dit test, zouden we altijd aanraden drie dingen te meten, niet alleen of het 'werkte'.
Het aandeel bemonsterde regels waarbij de teruggegeven code overeenkomt met wat uw eigen reviewers zouden hebben gekozen.
De verdeling tussen regels waar de engine zelfstandig zeker genoeg van was en regels die gemarkeerd werden voor een persoon. Een pilot die alles automatisch classificeert zonder iets te markeren is niet nauwkeuriger. Die controleert zichzelf gewoon niet.
Of het resultaat uitkomt op segment-, familie-, klasse- of het volledige 8-cijferige commodity-niveau. Een code die alleen segment bereikt vertelt u dat dit een onderhoudsdienst was. Een code die commodity bereikt vertelt u dat het specifiek liftonderhoud was, het niveau dat u nodig heeft om leveranciers te benchmarken of een ERP-veld te voeden dat een echte commodity-code verwacht.
Elke regel die door een nieuwe LLM-aanroep gaat kost tokens, en tokengebruik bepaalt de kosten van AI-classificatie. Vroeg in een dataset zijn de meeste regels nieuw: nieuwe leveranciers, nieuwe onderdeelomschrijvingen, nog niets in het geheugen om de redenering af te korten.
Dat verandert naarmate het volume groeit. Leveranciersspecifiek geheugen betekent dat een omschrijvingspatroon slechts één keer een volledige LLM-doorloop nodig heeft. Nadat die correctie is opgeslagen, worden terugkerende patronen van dezelfde leverancier gematcht tegen het geheugen in plaats van opnieuw doordacht. Bij klein volume herhaalt bijna niets zich, dus kost bijna elke regel de volle prijs. Bij groot volume komen dezelfde leveranciers en dezelfde onderdeelomschrijvingen constant terug, dus heeft een krimpend aandeel regels überhaupt een nieuwe modelaanroep nodig. De kostprijs per record daalt omdat het systeem minder nieuwe redenering per record verricht, niet vanwege een lagere prijs per token.
Paste any product or service description and get the correct 8-digit code instantly — or explore the full UNSPSC tree to understand the hierarchy.
U heeft 100.000 inkooptransacties nodig omgezet in één consistente taxonomie afgestemd op UNSPSC. Daar is dit precies voor gebouwd.
U heeft elke SKU of regel nodig met een daadwerkelijke 8-cijferige UNSPSC-code die u in uw ERP kunt laden. Ook daar is dit precies voor gebouwd.
AI-gedreven UNSPSC-classificatie neemt een inkoopomschrijving — uit een gestructureerd spend-bestand of geëxtraheerd uit een PDF-factuur — en kent er de juiste 8-cijferige UNSPSC-commodity-code aan toe. Goed gedaan betekent dat niet dat je een taalmodel om een code vraagt en het antwoord zomaar vertrouwt. Het systeem van Pearstop stelt een code voor via een LLM-laag, valideert die code vervolgens tegen de echte UNSPSC-dataset voordat hij wordt geaccepteerd, combineert dit met deterministische keyword-regels en een leveranciersspecifieke database, en slaat elke menselijke correctie op als leveranciersspecifiek geheugen, zodat hetzelfde patroon niet twee keer opnieuw hoeft te worden doordacht. Een gratis pilot van ongeveer 500 regels laat een klant de nauwkeurigheid controleren, de verhouding tussen automatisch geclassificeerd en gemarkeerd voor review, en hoe diep het resultaat in de vierlaagse hiërarchie reikt, voordat hetzelfde proces op een volledige dataset draait.
Dat is het eerste startpunt dat deze gids behandelt. Als uw inkoopgeschiedenis alleen bestaat als PDF-facturen, haalt Pearstop eerst de velden op die voor facturen in uw sector zijn gespecificeerd rechtstreeks uit die PDF's, zodat u een gestructureerd spend-bestand heeft voordat classificatie begint.
Een algemeen model dat direct om een UNSPSC-code wordt gevraagd, antwoordt zelfs wanneer geen enkele code goed past, omdat het gebouwd is om een antwoord te produceren, niet om onzekerheid toe te geven. Pearstop controleert elke voorgestelde code tegen de echte UNSPSC-dataset voordat deze wordt geaccepteerd, combineert dat met regels, een leveranciersdatabase en leveranciersspecifiek geheugen, en markeert nog steeds regels met lage betrouwbaarheid voor menselijke review. Op typische procurement-datasets komt dit uit op 90 tot 95% automatische classificatie, waarbij de rest door een persoon wordt beoordeeld in plaats van geraden.
Ja. Geclassificeerde data exporteert naar Excel, of koppelt rechtstreeks via API met SAP, Oracle en andere ERP- of P2P-platforms. Veel klanten beginnen met een Excel- of CSV-export en gaan over op een directe koppeling zodra de classificatie bewezen is.
We classificeren kosteloos een representatieve steekproef van ongeveer 500 regels uit uw data. Uw team controleert en corrigeert die steekproef, en die correcties worden het leveranciersspecifieke geheugen dat de volledige dataset-run vervolgens gebruikt.
Dat kunt u zelf doen, en voor een handvol regels is het een redelijke manier om een eerste antwoord te krijgen. Het schaalt niet, en het controleert zijn eigen werk niet: er is geen validatie tegen de echte UNSPSC-codeset, geen leveranciersgeheugen dat verbetert met volume, en geen ingebouwde reviewstap voor de regels die fout gingen. Pearstop is gebouwd om dat allemaal te doen op een volledig bestand, niet op één regel.
Het leert. Correcties uit de pilot worden opgeslagen als leveranciersspecifiek geheugen, zodat een onderdeelomschrijvingspatroon dat al is beoordeeld voor een bepaalde leverancier niet opnieuw door de LLM hoeft te worden doordacht de volgende keer dat het verschijnt.
NACE is de Europese statistische classificatie van economische activiteiten. Waar de rapportage of sectorbenchmarking van een klant naast UNSPSC ook op NACE draait, verankeren we de taxonomie die we bouwen aan beide, niet alleen aan UNSPSC op zichzelf.
Praat met sales, of test eerst een enkele omschrijving op de gratis opzoektool.
