NastępnyNastępny poradnik
Sztuczna inteligencja w stosowanej analizie zachowania
Przemysły
PRZEWODNIK branżowy
Sztuczna inteligencja w analizie zakupów i wydatków
Sztuczna inteligencja w zaopatrzeniu wykorzystuje uczenie maszynowe do klasyfikowania tego, co kupuje organizacja, oceniania dostawców pod kątem ryzyka, a w niektórych przypadkach negocjowania rutynowych umów za pośrednictwem agentów oprogramowania.
Posłuchaj tego przewodnikaOpowiadane przez sztuczną inteligencję · ~3 min
Na tej stronie4 minuty czytania
Przegląd
Ma to znaczenie, ponieważ zakupy często stanowią dużą część kosztów organizacji, a organizacje nie mogą podejmować działań w oparciu o wydatki, których nie dostrzegają, lub ryzyka związane z dostawcami, których nie dostrzegły.
Głębokie nurkowanie
Analityka zakupowa zaczyna się od podstawowego problemu: większość organizacji nie wie dokładnie, na co wydaje pieniądze. Dane dotyczące zakupów są rozproszone po systemach ERP, kartach zakupów i fakturach, z niejasnymi opisami pozycji, takimi jak „różne materiały eksploatacyjne” i tym samym dostawcą pisanym na kilkanaście sposobów. Klasyfikacja wydatków rozwiązuje ten problem. Modele AI odczytują nazwy dostawców, tekst wierszy faktury i kody księgi głównej, a następnie przypisują każdą transakcję do kategorii w taksonomii, często standardowej, takiej jak UNSPSC lub własny schemat firmy. Przed klasyfikacją rozwiązanie podmiotu łączy warianty dostawców, zatem „IBM Corp” i „International Business Machines” liczą się jako jeden dostawca. Rezultatem jest kostka wydatków: wydatki według kategorii, dostawcy i jednostki biznesowej. Pogląd ten ukazuje możliwości konsolidacji, zakupy pozakontraktowe i zależność od pojedynczych dostawców. Ocena ryzyka dostawcy obejmuje sygnały finansowe, wyniki dostaw, sankcje i sprawdzanie list obserwacyjnych, oceny cyberbezpieczeństwa, informacje ESG i monitorowanie wiadomości. Modele językowe pomagają, czytając wiadomości i zgłoszenia w wielu językach oraz podsumowując istotne wydarzenia. Powszechnym błędnym przekonaniem jest to, że ocena ryzyka przewiduje niepowodzenie. Lepiej jest rozumieć je jako narzędzie ustalania priorytetów, które mówi małemu zespołowi, gdzie szukać w pierwszej kolejności. Najnowszym zastosowaniem są środki negocjacyjne. Walmart publicznie opisał używanie oprogramowania firmy Pactum do negocjacji z dostawcami typu long-tail za pośrednictwem interfejsu czatu. Agenci ci działają w granicach ustalonych przez ludzi: warunki docelowe, punkty wyjścia i akceptowalne kompromisy, takie jak dłuższy kontrakt w zamian za zniżkę. Pasują raczej do transakcji o dużym wolumenie i niskiej złożoności niż do kontraktów strategicznych. Zamówienia publiczne zwiększają ograniczenia. Zakupy rządowe muszą być zgodne z zasadami konkurencji, przejrzystości i równego traktowania, dlatego sztuczną inteligencję wykorzystuje się tam częściej do analiz, takich jak wykrywanie zmów lub oszustw w otwartych danych dotyczących zamówień, niż do zautomatyzowanych decyzji. Każde narzędzie mające wpływ na wybór dostawcy musi być wystarczająco łatwe do wyjaśnienia, aby przetrwać protest przetargowy.
Implementacja w świecie rzeczywistym
Producent przeprowadza klasyfikację wydatków na sztuczną inteligencję na podstawie faktur z trzech lat i odkrywa, że 40 jednostek biznesowych kupuje rękawice ochronne od kilkudziesięciu różnych dostawców, co stanowi skonsolidowaną umowę.
Narzędzie do monitorowania ryzyka dostawcy monitoruje aktualności, listy sankcji i sprawozdania finansowe oraz ostrzega kupującego, że wyłączny dostawca komponentów rozpoczął postępowanie upadłościowe.
Duży sprzedawca detaliczny korzysta z chatbota, agenta negocjującego, aby renegocjować warunki płatności z tysiącami małych dostawców, z którymi kupujący nie mieli czasu się indywidualnie kontaktować.
Publiczny urząd kontroli stosuje wykrywanie nieprawidłowości w zapisach przetargowych do wzorców flag, które mogą sygnalizować zmowę przetargową, np. rotację zwycięzców lub niemal identyczne kwoty ofert.
Przyszłość sztucznej inteligencji w analizie zakupów i wydatków
Klasyfikacja i monitorowanie ryzyka są na tyle dojrzałe, że główne różnice między narzędziami polegają obecnie na zakresie danych i integracji z systemami zakupowymi. Modele językowe ułatwiają wyodrębnianie warunków z umów i odpowiadanie na pytania dotyczące wydatków prostym językiem, chociaż wyniki nadal wymagają sprawdzenia z danymi źródłowymi. Autonomiczne negocjacje prawdopodobnie pozostaną ograniczone do rutynowych, ograniczonych transakcji i zrodzią nowe pytania, gdy zarówno kupujący, jak i dostawca rozmieszczą agentów. W sektorze publicznym otwarte dane dotyczące zamówień i analizy audytowe będą miały większe szanse na rozwój niż automatyczny wybór dostawców, biorąc pod uwagę wymogi prawne dotyczące przejrzystych i podlegających zaskarżeniu decyzji.
Wdrażanie tego w praktykę
Dlaczego to ma znaczenie
- Kontekst i zasady. Kontekst branżowy decyduje o tym, czy pomysły AI przetrwają kontakt z rzeczywistością.
- Kontrola jakości. Ograniczenia domeny wpływają na akceptowalne poziomy błędów i modele nadzoru.
- Buduj wybory. Pomyślne wdrożenia łączą możliwości techniczne z przepływami pracy na pierwszej linii frontu.
Uważaj na
- Wymogi prawne mogą unieważnić mocne prototypy.
- Dane historyczne mogą kodować uprzedzenia, które szkodzą konkretnym społecznościom.
- Starsze systemy mogą powodować wąskie gardła w integracji i ukryte koszty.
Kolejne kroki
- Zaangażuj ekspertów dziedzinowych od sformułowania problemu po ocenę.
- Zaprojektuj ścieżki audytu i dokumentację przed uruchomieniem.
- Wcześnie zweryfikuj wymogi dotyczące zgodności i bezpieczeństwa.
- Wdrażaj etapami z jasnymi kryteriami zatrzymania i wycofywania.
Odkrywaj dalej
Darmowy newsletter
Otrzymuj codzienne podsumowanie AI
Trzy zweryfikowane historie AI każdego poranka w dni robocze, napisane prostym angielskim. Bezpłatne na zawsze, bez reklam.
Jedno e‑mail każdego dnia roboczego. Wypisz się jednym kliknięciem. Nigdy nie sprzedajemy ani nie udostępniamy Twojego adresu.
Sprawdź się
Take the AI in Procurement and Spend Analysis quiz
Natychmiastowa informacja zwrotna na każde pytanie oraz udostępnialny certyfikat z weryfikowalnym ID po zaliczeniu kursu.
Wspieraj darmową edukację AI. AI Understanding jest organizacją non-profit 501(c)(3) — bez reklam, bez płatnej ściany, zawsze. Przekaż darowiznę
Często zadawane pytania
Czym jest sztuczna inteligencja w analizie zakupów i wydatków?
Sztuczna inteligencja w zaopatrzeniu wykorzystuje uczenie maszynowe do klasyfikowania tego, co kupuje organizacja, oceniania dostawców pod kątem ryzyka, a w niektórych przypadkach negocjowania rutynowych umów za pośrednictwem agentów oprogramowania. Ma to znaczenie, ponieważ zakupy często stanowią dużą część kosztów organizacji, a organizacje nie mogą podejmować działań w oparciu o wydatki, których nie dostrzegają, lub ryzyka związane z dostawcami, których nie dostrzegły.
Jakie znaczenie ma restrukturyzacja podmiotu w analizie wydatków?
Rozwiązanie podmiotu uwzględnia fakt, że warianty takie jak „IBM Corp” i „International Business Machines” to jeden dostawca, zatem wydatki nie są dzielone pomiędzy duplikaty.
Co to jest „kostka wydatków”?
Po klasyfikacji wydatki można podzielić według kategorii, dostawców i jednostek biznesowych, ujawniając możliwości konsolidacji i zakupów pozaumownych.
Jak według przewodnika najlepiej rozumieć ocenę ryzyka dostawcy?
Wyniki ryzyka łączą wiele sygnałów, aby pomóc małym zespołom skupić uwagę; nie są dokładnymi prognozami niepowodzeń.
Do jakiego rodzaju transakcji najlepiej nadają się agenci negocjacyjni AI?
Agenci tacy jak ten, z którego Walmart korzystał z Pactum, prowadzą wiele drobnych, rutynowych negocjacji w granicach ustalonych przez ludzi; umowy strategiczne pozostają z ludźmi.
Jakie limity zazwyczaj ustala kupujący dla agenta negocjacyjnego?
Agent działa w zdefiniowanym przez człowieka obszarze celów, punktów wyjścia i kompromisów, takich jak dłuższy kontrakt ze zniżką.
Ucz się dalej
Powiązane przewodniki
Wybrano więcej przewodników na ten temat