Spend gecategoriseerd als “not assigned” ondermijnd de kwaliteit van een spend analyse. Nu steeds meer organisaties hun spend analyseren komen we dan ook het fenomeen van “not assigned” steeds vaker tegen. Zelfs bij analyses uitgevoerd door externe bureaus. Wat zijn veel voorkomende oorzaken en hoe voorkom je deze, vaak onnodige en onprofessionele, praktijk.
Strategisch en operationele voordelen van Spend Analyses
In een eerdere blog hebben wij aangegeven welke voordelen het uitvoeren van spend analyses biedt. Zoals het verlagen van inkoopkosten en inkoopproceskosten, kwalitatieve verbetering leveranciersprestaties, hogere mate van compliance en een verbeterde risicobeheersing.
Spend analyse in 8 stappen
Het herkennen van mogelijke voordelen vraagt om een gedegen uitvoering van de spend analyse. Dit is eerder beschreven aan de hand van een 8-stappen plan. Samengevat gaat het om het vaststellen van de doelstellingen van de analyse, het identificeren, verzamelen en opschonen van gegevens, het categoriseren en rapporteren van de gegevens en tenslotte het analyseren en concluderen. Vervolgens herhaalt de cyclus zich.
“Not assigned” en andere tekortkomingen in de praktijk
In de praktijk komen we bij de uitvoering van spend analyses veelal de volgende drie tekortkomingen tegen:
- Het enkel en alleen categorisering van uitgaven naar leverancier
Hierdoor blijven conclusies en acties ook beperkt tot leveranciers. Aldus blijven verbeteringen die betrekking hebben op inkoopcategorieën zo buiten beeld.
De oorzaak hiervan ligt veelal in het ontbreken van vakkennis op inkoopgebied en/of inzicht in verbetermogelijkheden die behoren bij de karakteristieken van de eigen inkoopportefeuille.
Aldus is de noodzakelijke oplossing hiervoor bijscholing gericht op het onderscheiden van operationele en strategische inkopen en de daarbij behorende scala aan sourcing strategieën en processen. - Vervuilde bestanden
Vervuiling is in de regel het gevolg van onjuiste, onvolledige of niet consistente registratie van product- en leveranciersgegevens. Of dit nu is door het ontbreken van beschikbare gegevens, uit slordigheid of onkunde. Of het ontbreken van systemen of procedures die uniformering van te registreren gegevens vergemakkelijkt of zelfs afdwingt.
Daarbij is het opschonen van gegevens vaak een arbeidsintensieve klus. Het achterwegen laten hiervan leidt tot onjuiste classificatie van gegevens of het toewijzen van inkopen aan de categorie “not assigned”. Waar een onjuiste classificatie kan leiden tot onjuiste gevolgtrekkingen, beperkt een omvangrijke categorie “not assigned” het zicht op de aard en omvang van mogelijke verbeterpunten. - Toepassen van onjuiste rubriceringen
Classificatie van leveranciers en producten en diensten kan volgens diverse standaarden plaatsvinden. Echter, niet elke standaard leidt tot de juiste of eenduidige indeling van leveranciers en hun producten of diensten. Een onjuist gekozen standaard kan leiden tot een onjuiste classificatie of de classificatie “not assigned”.
Uitgangspunt moet zijn dat gebruik wordt gemaakt van een standaard die door een nationale of internationale regulerende instantie wordt beheerd en gereguleerd en relevant is voor de inkoopportefeuille.
Herstel van classificatie met AI
Zoals in een eerder artikel aangegeven kan AI op verschillende wijze ondersteuning bieden bij het voorbereiden en uitvoeren van een spend analyse. In het bijzonder bij het opschonen van gegevens en het classificeren ervan.
We hebben daarbij overtuigend bewijs gezien via enkele praktijkcases. Hierbij werd getoetst of met behulp van AI (GPT-4) de kwaliteit van door externe inkoopadviesbureaus uitgevoerde spend analyses kon worden verbeterd.
De betreffende spend analyses bevatten een hoog percentage “not assigned”. Enkele zelf tussen de 40% en 50%. De conclusies en aanbevelingen op basis van de door externe inkoopadviesbureaus uitgevoerde spend analyses waren compleet nutteloos en deels nadelig voor de betreffende organisatie.
De toepassing van AI was gericht op het analyseren en opschonen van de database, het vervolgens opnieuw classificeren van leveranciers aan de hand van een andere (meer relevante) standaard en het classificeren volgens meerdere categorieën zoals type product/dienst, levertijden en prijsontwikkeling. De klasse “not assigned” was in alle gevallen teruggebracht tot 0%!
Conclusies
Spend Analyses zijn belangrijke hulpmiddelen voor het vaststellen van inkoopstrategieën, het optimaliseren van inkoopprocessen en het beheersen van inkoopkosten. Conclusies en aanbevelingen zijn alleen betrouwbaar indien deze zijn gebaseerd op een representatieve categorisering van correcte en volledig geregistreerde inkopen.
Dit vraagt in de basis kennis van de relevante vast te leggen en te analyseren gegevens, de toe te passen standaarden en procedures en systemen om op efficiënte en eenduidige wijze relevante gegevens op juist en volledig vast te leggen.
Het achteraf handmatig corrigeren van gegevens is een tijdrovende en soms moeilijke taak.
Organisaties die worstelen met de betrouwbaarheid van de te analyseren gegevens of met het analyseren kunnen een oplossing vinden in het toepassen van en AI (LLM) toepassing.
Het moment dat AI (LLM) oplossingen de huidige spend analyse tools gaan vervangen is overigens heel dichtbij.
Dit zal naar onze dan ook verwachting geen jaar meer duren.
Meer weten?
Meld je dan nu aan voor onze workshop ChatGPT Booster voor Inkoop en leer hoe je AI kunt inzetten als inkoopassistent.
