Classification des catégories d’achat et IA pour une meilleure visibilité sur les dépenses

Vous êtes-vous déjà demandé pourquoi vos dépenses par carte étaient aussi élevées ? À quoi ces dépenses ont-elles été consacrées ? D’où proviennent ces frais d’abonnement ? Peut-être vaudrait-il mieux résilier ! Je dépense 200 € par mois en café ? Je devrais probablement acheter ma propre cafetière et cesser d’aller en acheter à l’extérieur. Tout comme nous avons tous besoin d’analyser et de comprendre nos dépenses personnelles, il en va de même pour les entreprises qui se doivent de mieux analyser, justifier et optimiser les leurs.

Chaque jour, les clients Coupa gèrent des milliards d’euros de dépenses en réalisant des centaines de milliers de transactions avec leurs fournisseurs. Ces transactions impliquent un échange de biens et services, des fournisseurs à destination des clients, et une circulation de paiements, des clients à destination des fournisseurs. Les clients Coupa se soucient tout particulièrement de la gestion de leurs dépenses et de la manière dont ils gèrent ces dépenses par rapport à leurs pairs. En réalité, comprendre avec précision la répartition des dépenses par catégorie est l’un des fondements du Business Spend Management (BSM).

Dans la plupart des cas, les catégories d’achat reposent sur une taxonomie unique à l’entreprise, ce qui limite la possibilité de mettre en commun les insights qui s’y rapportent avec ceux des autres membres de la communauté Coupa. La catégorisation des achats manque qui plus est souvent de précision. Par conséquent, la mise en correspondance des dépenses au niveau transactionnel avec une taxonomie standardisée pour tous les clients est essentielle. Outre la visibilité qu’elle offre sur les dépenses, cette catégorisation standardisée permet de bénéficier d’insights tels que des recommandations relatives aux fournisseurs, des analyses tarifaires, une optimisation du sourcing, des moyens de lutter contre la fraude et bien plus encore.

Classification des achats et IA

Coupa a développé un moteur de classification unique reposant sur l’IA qui permet de standardiser des millions de transactions client. Baptisée taxonomie Coupa, cette technologie, contrairement à toute autre, est conçue pour permettre la mise en place d’activités à haute valeur telles que le category management et le sourcing stratégique. La taxonomie Coupa comporte actuellement près de 60 catégories et 1 800 sous-catégories.

Classification au niveau transactionnel et challenges

La classification des transactions de tous les clients et leur standardisation conformément à la taxonomie Coupa s’accompagnent de plusieurs challenges :

1. Évolution des données en termes de volume et de fréquence de modification

Le nombre de clients actifs par an et de transactions par client géré par la plateforme Coupa ne cesse d’augmenter. Un contexte qui donne naissance à un flux constant de nouvelles transactions et à une modification des données sous-jacentes.

2. Manque de données représentatives pour les modèles d’IA

Les algorithmes d’IA ont besoin de données catégorisées qui soient représentatives de la population afin de développer des modèles qui s’extrapolent bien pour tous les clients. Même s’il s’agit d’un faible pourcentage de plusieurs millions de transactions, la catégorisation des données représente plusieurs mois de travail.

3. Manque de pertinence pour certains segments de données

Près de 10 à 20 % des transactions sont difficiles à identifier, et ce même pour des spécialistes. Cela provient principalement de saisies incorrectes ou incomplètes de la part des utilisateurs. Coupa disposant en outre de clients à travers le monde entier, les données sont issues de nombreuses langues. Leur interprétation s’en trouve ainsi plus complexe.

4. Nombre important de sous-catégories dans la taxonomie Coupa

La précision du moteur de classification des catégories d’achat décroît en général à mesure que le nombre de sous-catégories augmente. Il est ainsi nécessaire de disposer de davantage de données catégorisées et de meilleure qualité, de plus de ressources informatiques et de meilleurs algorithmes, ce qui complique le processus de classification.

Pour relever ces challenges, nous proposons une approche qui donne priorité au fournisseur. Cette approche a été développée grâce à des insights issus d’échanges avec des équipes internes en charge des ventes et des clients, ainsi que d’analyses étendues des données réalisées sur un échantillon de transactions Coupa. Les données qui alimentent le moteur de classification des catégories d’achat de Coupa proviennent des fournisseurs (type d’entreprise, descriptions des bons de commande et des factures et catégories d’achat correspondant aux transactions). Vous trouverez ci-dessous une présentation détaillée de l’approche ayant permis de doubler la précision de la classification au niveau transactionnel.

Classification des fournisseurs et fonctionnement

Pour classifier les transactions, nous avons besoin d’identifier des fournisseurs qui y prennent part et les catégories d’achat qu’ils offrent. Supposons qu’une dépense de 5 € réalisée chez Starbucks apparaisse sur votre relevé de carte. Vous pouvez très facilement en déduire qu’il s’agit de l’achat d’un café. Vous en concluez que vous pouvez utiliser la catégorie d’achat « café », car vous savez ce que Starbucks fournit.

La Figure 2 illustre ce concept. Ici, le fournisseur A propose des services de réparation et fournit des écrous à deux clients. Nous pouvons ainsi en déduire que le fournisseur peut être rattaché à deux catégories : (1) Équipement et entretien des installations et (2) Fournitures et équipements MRO. Nous sommes ainsi en mesure de classifier toutes les transactions du fournisseur A et de limiter la catégorisation à deux catégories.

Le défi consiste ici à faire le lien entre fournisseurs et taxonomie Coupa pour disposer d’une base de données fiable. Selon l’analyse de l’échantillon, nous avons identifié certains insights pertinents :

1. Concentration des dépenses auprès d’un nombre limité de fournisseurs — 4 % des fournisseurs représentent 85 % des dépenses et 15 % des dépenses occasionnelles sont engagées auprès de 96 % des fournisseurs.
2. Peu de catégories par fournisseur — 95 % des fournisseurs sont associés à une seule catégorie d’achat, tandis que les autres sont rattachés à moins de trois catégories d’achats. Quelques marketplaces de grande envergure telles qu’Amazon et Staples proposent plus de trois catégories d’achats.
3. Des fournisseurs proposant des biens et services pouvant quasiment toujours être rattachés à leurs catégories d’achat propres — À titre d’exemple, il est peu plausible que Starbucks fournisse des produits ou services liés à la catégorie « Équipement et entretien des installations ».

D’après ces insights, nous avons classifié ces fournisseurs importants (4 % des fournisseurs conformément au point 1 ci-dessus) comme étant rattachés à la catégorie principale définie par Coupa. Nous y sommes parvenus grâce à l’aide de notre équipe interne en charge de la classification IA qui fournit des services de catégorisation des données à nos clients. Cette expertise nous a permis de disposer de données de haute qualité pour entrainer notre moteur d’IA.

En réalisant une classification s’appuyant sur des catégories, nous sommes ensuite à même d’optimiser la classification par sous-catégorie. Nous avons ainsi pu classifier les 96 % des fournisseurs restants. Nous nous appuyons à la fois que des techniques IA/humain, des interprétations de données manuellement catégorisées (issues des 4 % des fournisseurs) et d’autres données telles que les catégories d’achat client.

Fonctionnement de la classification des catégories d’achat client

Lorsque les clients utilisent leur propre taxonomie, il est toujours possible d’utiliser des données agrégées qui nous aident aussi à classifier les fournisseurs. Par exemple, dans la Figure 3, le client 1 a catégorisé une transaction en tant que « Réparation des sanitaires » et le client 3 a catégorisé une transaction en tant que « Réparations et fuites », toutes deux engagées auprès du même fournisseur A.

Si vous réfléchissez plus spécifiquement à ces deux catégories d’achat, elles peuvent toutes deux être réunies dans la catégorie « Équipement et entretien des installations » et plus particulièrement la catégorie « Services de plomberie ». Nous pouvons ainsi en déduire que le fournisseur A propose des biens et services liés à la catégorie « Équipement et entretien des installations », ce qui nous aide à réduire le champ de classification finale.

L’utilisation de ces données contribue à l’établissement d’une base de données fournisseur plus fiable. Les clients disposant d’une taxonomie propre sont ainsi à même de bénéficier d’une visibilité accrue sur leurs dépenses. Cela les aide à combler les lacunes subsistant au sein de leurs propres données.

IA et classification des catégories d’achat, pour des fonctionnalités Coupa avancées

La classification des catégories d’achat démontre à quel point l’IA permet à Coupa de mettre à disposition de nombreuses fonctionnalités. La classification des catégories d’achat au niveau de la transaction permet à nos clients de disposer d’une visibilité concrète sur leurs dépenses et de débloquer des opportunités telles que des recommandations relatives aux fournisseurs, des insights sur les tarifs, le sourcing et l’atténuation des risques et de la fraude.

Une classification précise au niveau de la transaction avec un système d’IA seul est complexe. La répartition en sous-catégories et l’intégration de techniques de supervision permettent de réduire la charge de travail et d’améliorer significativement la qualité des résultats. Nous observons une amélioration de 1,5 à 2 fois des résultats grâce à l’implémentation partielle de cette approche et nous anticipons une amélioration encore plus significative dans les mois à venir. Nous sommes convaincus que cette approche améliorera notablement l’expérience de nos clients et leur permettra d’identifier de nouvelles opportunités.