La Spend Analysis digitale per governare gli acquisti aziendali

Aprile 26, 2022

La Spend Analysis digitale per governare gli acquisti aziendali

Gestione degli Acquisti Risk Management Strategia di acquisto Supply Chain Finance

La Spend Analysis ha la potenzialità di produrre una conoscenza molto ricca sull’acquistato, che non si limita solo alle informazioni fondamentali relative a parametri quantitativi (cosa, da chi, con quale spesa), ma può permettere indagini integrative, per esempio sui dati di contratti storici per analizzarne le dinamiche e segnalare punti di attenzione; sui fabbisogni per valutarne la corretta definizione; su eventi negativi di fornitura per estrarne le cause.

I dati storici di spesa sono spesso molto disomogenei e distribuiti su diverse applicazioni aziendali: richieste di acquisto, richieste di offerta, cataloghi, contratti, ordini, fatture, pagamenti. Si aggiungono dati provenienti da siti web su andamenti di mercati, disponibilità di beni, valori di benchmark. Si tratta di volumi rilevanti difficilmente gestibili manualmente o con strumenti informatici non specializzati.

La Spend Analysis digitale ha quindi due obiettivi:

  • dominare l’elevato volume di dati di spesa raccolti nel tempo
  • estrarre informazioni che permettono di prendere decisioni strategiche secondo un approccio “data-driven

È un passo in avanti nel percorso verso lo Spend Management, ove una piattaforma unificata che condivide le informazioni tra funzioni finance, procurement e supply chain può trasformare la Spend Analysis da strumento di puro controllo in abilitatore e generatore di valore.

Gli obiettivi della Spend Analysis portano, di conseguenza, a due filoni di intervento:

  • costruire un Data Warehouse con dati puliti (“spend-cube”), integrando i dati degli acquisti e le voci di spesa in un unico repository con un’organizzazione orientata alla reportistica per l’utente finale
  • fornire la visibilità del Data Warehouse con dashboard intelligenti per supportare i processi decisionali e il controllo della spesa nel tempo

 

La costruzione del Data Warehouse di spesa è una fase complessa che ha il compito di elaborare elevati volumi di dati grezzi ed eterogenei. Un passo importante è il consolidamento o la creazione di una tassonomia unica all’interno dell’azienda, un albero delle categorie merceologiche.

La raccolta dei dati consiste nell’identificazione delle fonti sia interne che esterne all’azienda. Successivamente bisogna procedere alla normalizzazione e categorizzazione dei dati, ovvero prodotti uguali trattati con denominazioni uguali. Gli algoritmi di Intelligenza Artificiale appaiono come gli strumenti più adeguati a questi compiti: algoritmi di Natural Language Processing per estrarre informazioni da variabili testuali, algoritmi di clustering e di aggregazione, di Machine Learning e di Robotic Process Automation per automatizzare i processi di elaborazione.

La dashboard è il luogo virtuale dedicato alla visibilità sui dati di spesa che sono stati raccolti nel Data Warehouse. Mette a disposizione delle interfacce visive interattive con rappresentazioni multimodali (dati, tabelle, grafici, mappe, etc.). Il buyer ha così la possibilità di estrarre quelle informazioni di cui ha bisogno per prendere decisioni su interventi nei processi di acquisto e per individuare eventuali spazi di miglioramento.

Le mappature della spesa “as is” quantificano il valore economico e il volume delle spese che l’organizzazione effettua per supportare le operazioni aziendali e hanno l’obiettivo di determinare quali beni e servizi vengono acquistati e da quali fornitori, e chi crea la domanda all’interno dell’organizzazione.

Analisi più approfondite hanno l’obiettivo di fornire risposte a domande più complesse quali ad esempio: “Quali sono i fornitori più validi e strategici?”, “Quanto si è speso con fornitori con prestazioni scadenti?”, “Quale percentuale di spesa è associata ai contratti?”.

L’analisi e la classificazione dei dati di spesa sono fondamentali per gestire la spesa in termini di conoscenza e di supporto alle decisioni, ma gli elevati volumi di dati eterogenei richiedono l’adozione di tecnologie innovative quali l’Intelligenza Artificiale. Inoltre, integrare dati di natura prevalentemente economica con indicatori di rischio significa fornire l’azienda di informazioni più complete per orientarsi verso soluzioni di acquisto sicure.