如何使用预测性采购流程预测并赢得值得信赖的采购数据

Pixabay

大多数组织认为他们的采购系统以人员、流程和技术为中心。这张照片里少了什么?数据。通过技术和流程流动的数据然后由人们解释，以在不同的领域做出决策。数据通常是组织中不可分割的一部分，但却被忽视了。尽管我们尽最大努力投资于旨在捕获、清理和消费数据的系统和工具，但不可信的数据仍然经常使组织在未被发现的机会中损失数千万美元的价值。正如著名的“迈克尔·斯科特”(Michael Scott)所说:“如果你不采取行动，你就会错过100%的机会”(韦恩·格雷茨基(Wayne Gretzky))，对于采购团队来说，没有什么问题比不可靠的数据更能导致他们没有采取行动了。当采购团队不信任数据时，不仅会导致错失机会，还会造成瓶颈和沟通不畅，从而损害客户和供应商关系。一个简单的事实是，当采购团队对他们的数据(无论这些数据来自供应商还是利益相关者)没有信心时，就更难有效和准确地做出创造价值的决策。

采购数据不可信的根本原因显而易见，而且无处不在:使用费力的、手动的、容易出错的验证过程检查自由文本数据输入。事实上，在本文中就数据质量主题接受采访的大多数采购负责人表示，他们的供应商报价中的数据在分析之前根本没有经过验证步骤，这意味着代价高昂的错误只在过程的后期才被发现。

新的《支出很重要》白皮书“预测性采购流程是可靠采购数据的关键“探索:

• 为了创造价值，采购从业者必须克服哪些数据挑战
• 为什么使用手工验证管理数据的传统方法是有害的
• Arkestro如何通过Predictive解决数据问题采购业务流程，重点关注免费文本采购请购单和供应商报价

采购数据问题

数据是采购工作的核心。采购专业人员需要知道谁在买什么，他们从谁那里买，正在购买什么，以及是否符合现有协议。我们需要准确、一致和可靠的数据来有效地执行日常任务。换句话说，我们需要可信的数据。

究竟是什么让数据可信?值得信任和不值得信任的数据之间的关键试金石是数据验证过程的可靠性和发现和修复错误的速度。今天，大多数采购团队使用手动验证过程(眼球和手指)执行数据验证。即使使用了经过验证的第三方数据提要，采购从业人员通常也必须在单独的浏览器选项卡中调出这些数据，然后将自己的数据与第三方数据进行可视化比较，以获得验证。这种手动的数据验证过程不仅耗时，而且不可避免地容易产生人为的偏见和错误。如果你不能相信验证过程，你怎么能相信通过验证过程的数据呢?

数据质量通常由六个主要性能标准来判断:

• 可用性:该组织有数据开始吗?
• 有效性:数据值是否可以接受?
• 一致性:不管它们的位置，这些值是否都是相同的?它们是否以一致的方式收集?
• 完整性:数据元素与其各自的数据集之间的关系是否准确?
• 精度:数据是否真实地反映了它要建模的对象?
• 相关性:所讨论的数据是否支持该目标?

采购数据很少同时满足这六个标准。依赖于手工数据验证工作流的采购团队总是不能满足于避免代价高昂的错误的能力。对于任何采购分析师、采购支持、采购卓越和采购运营职能来说，这都是一个巨大的问题，它对采购团队的整体生产力和价值实现施加了硬性限制。Spend Matters经常发现，数据质量和可用性是实现最佳性能的两个最昂贵的障碍。事实上，Arkestro即将发布的《2022年采购数据状况报告》显示，在拥有1000多家供应商的公司中，超过8.25%的报价包含影响客户成本的错误(进而影响采购节省)。在某些情况下，这些错误是由于度量单位(UOM)误读或明显的印刷或复制粘贴错误造成的。

不可信数据的影响不仅局限于采购从业者的成本节约KPI绩效:它具有深远的影响，可能会给公司带来相当高的成本。事实上，高德纳2018年的研究表明乐动体育下载链接大多数组织都相信糟糕的数据质量导致每年至少1500万美元的严重经济损失。

此外，采购和相关业务流程的数字化带来的数据量增加进一步加剧了这一问题。创建、捕获、复制和消耗的采购相关数据量呈指数级增长，考虑到:

• 供应商的数据。采购团队不仅想知道供应商的地址、电话号码和联系邮箱。现在，供应商的数据通常包括财务、ESG和多元化认证等信息。
• 消费数据。采购团队对特定支出类别的交易进行连续分类，并经常对元数据报告(如采购价格差异、前20名供应商)和kpi(如按类别、地理位置和损益表管理的支出)负责。
• 流程数据。采购团队必须报告关于自己流程的元数据，特别是在分散的采购环境中。这包括周期时间、“第一次正确”的实现、例外次数以及所有采购流程的生产力和性能。

这不仅仅是信息量的问题。这是数据不稳定的本质。它在不断发展，它的“使用日期”很快就会过期。这就是为什么将机器学习和大数据应用到验证任务中是如此关键。我们需要从一次一个数据验证的单线程队列转向持续监控范式，在这种范式中，许多数据验证任务可以在整个快速移动、复杂且选项受限的过程组合中同时执行。

需要一种管理采购数据的新方法

传统的管理采购数据的方法从来没有很好地发挥过作用，因为采购数据既包括内部数据(来自利益相关者和ERP系统)，也包括外部数据(来自供应商)，在项目和服务代码、描述和其他数字标识符之间产生了转换挑战。

事实上，用于验证和改进采购数据质量的传统手工方法只适用于大多数采购小组为了有效工作所需要的一小部分数据。以下是采购中常见和持续的数据质量问题的几个驱动因素:

• 数据输入任务通常是碎片化的，这使得数据容易出错。由于有许多内部和外部利益相关者参与创建和管理采购数据，结果往往是数据质量存在很大差异。对于商品和GL代码分类尤其如此。
• 数据输入和数据消费通常是孤立的，阻碍了验证。系统和进程之间的竖井使得在多个表中交叉引用相同的值非常具有挑战性。当不从事采购工作的个人输入数据时(例如，在自由文本的采购请购单中)，他们没有动力遵循有关数据输入的流程和指导方针。
• 依赖于人工验证的数据质量控制是不可扩展的。相反，人工验证使每天的小时数成为采购数据质量的硬性上限。随着采购数据的数量呈指数级增长，错误和瓶颈的数量也随之增长，使得传统的掌握数据的方法是有害的。

这使得采购数据问题成为一个先有鸡还是先有蛋的问题。我们知道，如果我们能够分析整个采购支出生态系统中的每一笔交易，就会有难以置信的机会，但如果我们对所处理的数据的质量和访问的便便性缺乏信任，我们就无法做到这一点。最有效的方法是正面解决数据质量的障碍，并致力于类似六西格玛的持续改进过程，以提高数据的可信度。当我们不让“完美”成为“优秀”的敌人时，最好的产品就会不断迭代。

预测性采购流程是可靠数据的关键

现实情况是，采购正在从一个向后看的静态报告的世界转向一个持续的、永远在线的数据馈送的世界，这些馈送在没有人为干预的情况下实时更新。随着越来越多的企业数据成为持续更新的对象，这就创造了从间歇的“数据清理”方法转向“实时”数据质量的持续改进方法的机会。在这里:

• 预测性采购嵌入了“始终在线”的验证循环，使用外部资源检查内部记录，并生成优先顺序的例外列表。验证循环持续运行，以在不同系统中的表之间交叉引用数据元素。Arkestro使用外部数据源预测和检查值，并不断提供修复建议。
• 预测性采购嵌入了版本控制和异常检测。Arkestro将版本控制嵌入到现有的解决方案和流程中，随着时间的推移显示特定值的趋势、峰值和异常值。通过识别和排名异常，Arkestro可以在不正确的购买或报价被批准并影响损益表之前进行实时异常检测。

预测性采购编制(PPO)利用技术做到了传统采购数据管理方法迄今为止无法做到的事情。

PPO主要有三个特点:

1. 跨多个系统的无需登录的无缝用户体验:用户通过嵌入式代理访问数据，该代理设计用于编排应用于同一实体的数据，但这些数据在多个系统之间处于孤立和不同步状态。终端用户不需要登录到应用程序才能运行代理。
2. 预嵌入和始终打开的数据验证嵌入式平台在任何过程开始之前使用实时数据预测输入和最佳属性。实时数据是从纯电子邮件或纯文本工作流中提取的，并自动更新，并检查准确性、字段映射和过期时间。
3. 默认情况下的警报、通知和委托操作:一个嵌入式平台，在没有人工干预的情况下运行，自动触发向人类用户的推荐，然后从这些推荐的接受率中学习，从而随着时间的推移提高接受率。

预测性采购编排的整个前提是改变到一种新的数据质量方法:一种自我改进和自我修复的数据过程，应用“始终在线”的方法来监控采购数据。PPO使组织能够利用预测模型的强大功能，通过在操作发生之前模拟操作(例如数据输入)来进行实时错误处理。可以使用相同的方法对异常和异常进行排序，以便在流程运行时实时改进流程。

点击这里了解更多原因Arkestro被命名为价值领袖在2022年春季支出事项采购解决方案图。