AI如何帮助采购提前分析超出基本支出分析

Taa22 / Adob​​e Stock

今天的领先采购组织不仅仅衡量他们所花费的内容。他们推动他们对花费分析的定义，以包括对业务的总价值贡献，利用传统和新访问的数据来源来实现真正的供应分析。

他们是如何做到的？虽然强大的领导和不断发展的最佳实践发挥了重要作用，但简单的答案是分析技术终于前进到了它可以实现供应分析策略的程度。

这种进化的关键是企业内部人工智能的兴起，现在正在帮助采购组织获得新的见解和塑造新策略，而不是在可能的标准分析方法之前可能。要了解原因，这里有三个例子是采购领导者如何与AI与AI的下一级别进行分析策略。

战略采购

传统的支出分析方法可以帮助采购组织减少，避免或与供应商收回成本。花费数据的历史分析可以帮助在供应商选择过程中有所帮助，但处理典型的季度批次数据几乎是基于战略采购努力的最可操作的信息。

The more intelligent route is to expand the role of spend analysis in strategic sourcing. Using a robust data acquisition, cleansing and classification process enabled by the latest machine learning methods, procurement can run spend analysis reports before, during and after a sourcing event — a far more complete picture than an out-of-date snapshot.

Before a sourcing event even begins, the standard spend analysis report can now produce demand breakdowns, common cost component analyses, market analyses and supplier performance analyses, to name just a few. There’s no better preparation than heading into a sourcing event with real-time internal and external data.

有关供应商和当前市场条件的知识，然后应能够在活动期间进行实时报告，例如产品，服务和运营商的故障;交叉供应商和交叉载波比较;和方差和异常分析。这些确保数据驱动的策略进行授予裁决决定，并且该采购是从其采购过程中获得绝对最佳交易。

最后，采购应利用实时分类技术来分析带有所选供应商后事件的花费模式。这可以包括过期报告，发票分析，实现储蓄分析和小牛支出分析，以帮助保留符合购买和解决讨厌的尾部花费。

供应管理

与供应商获得大量优惠是任何采购团队的胜利。但是在一个采购事件之后，该供应商变成了许多人之一，所有这些都需要监控和评估，以确保关系在企业中带来价值。

基础支出分析计划侧重于确定业务花费多少，与谁一起，在哪些数量，商品发货以及他们的报酬方式。然而，进化方法将分析延伸到超出传统支出分析的范围之外的情景，例如运营和物流。

这需要一个分析引擎，可以进入半结构化数据和其他内容，仅仅是交易数据。机器学习 - 增强的分析服务是唯一可用的产品，可以快速做到这一点，最重要的是人类水平准确性。

For example, instead of just looking at purchase orders and invoices, leading procurement organizations can run reports on inventory turnover and warehouse utilization, helping them determine inventory overhead costs and predict stockouts. They can also analyze a supply base by geography — new geographies and languages often confound prior spend analysis solutions — as well as provide insights into average fulfillment times, underlying commodity and fuel costs, and other overhead costs.

While these are just a few examples, the savvy procurement professional understands that spend analysis done right, aided by new capabilities unlocked through artificial intelligence, helps businesses understand the total cost of doing business with a supplier. What’s more, this deeper intelligence can be used to compare supplier performance across various benchmarks, presenting procurement with an opportunity to continuously improve the supply services it provides stakeholders.

风险管理

然而，超越价值以美元计量，许多渐进式采购组织正在将其分析努力扩展到一个关键的邻近领域：风险。

许多基于AI的分析产品的基本价值是他们提供清洁和准确的分类数据，而不是在没有大量时间成本的情况下可供采购组织。但是，甚至更多游戏更改器的oi是什么时候采购使用外部内容丰富了此数据。

在领先的分析平台中，可以在花费数据上添加的数据来源远远超出集成的市场价格和商品数据源。用户还可以整合金融风险分数，可持续性和企业社会责任（CSR）分数以及与风险相关的类似第三方数据来源。

With this information, procurement can enrich a spend analysis process to see not just how much it spent with a supplier but also whether that spend is in jeopardy because the supplier is teetering toward bankruptcy, or could balloon because the supplier is based in a politically unstable geography, or is tied to an environmentally harmful production process.

Machine learning can uncover trends within these and other key data relationships, leading to broader risk reduction and, in some cases, predictive analytics related to price and margin with suppliers.

超越基础

所以随着所有这些潜在的好处，为什么大多数采购组织都没有主动地发展他们的支出分析，以便仅仅分析所花费的东西？

在许多方面，花费分析提供商的历史缺陷已经实现了这种计划无法实现的。但随着机器学习和人工智能的进步，特别是深度学习的力量，分析产品中的差距开始缩小。准确的，实时分类已成为新标准，基于基于社区的基准的规范性智能正在与以前的产品一起汇编新的洞察力。

要了解更多，请在本系列中的接下来的两分行中保持调整。