革新采购 ： 利用数据和 AI 实现战略优势

操作实践 革新采购：利用数据和AI实现战略优势 分析和人工智能正在改变采购职能的工作方式。但是大多数CPO并没有为数据驱动的革命做好准备。 作者：AasheeshMittal、CharlesCocoual、MauroErriquez和TheanoLiakopoulou ©GettyImages 2024年6 月 在当今动荡的商业环境中，在价格波动、地缘政治紧张和可持续性需要汇合的地方，一个功能站在导航这些复杂性的最前沿：采购。在这种情况下，采购功能将充当价值保护和创造的战略杠杆。 采购位于大量数据的汇合处，这些数据来自组织内部（例如，支出，需求模式，规范）和外部（供应商，市场见解数据库和更广泛的网络）。如今，数字化、互联的组织必须利用这些数据，开发新的工具，以做出更快、更好的采购决策。掌握数据将使采购团队能够实现远远超出传统成本、质量和交付指标的战略目标。 什么数据可以提供 更好的数据可以支持整个采购生命周期的活动和决策，从 类别战略的制定和潜在供应商的评估到谈判的执行和持续的供应商绩效管理。 做得好，这可以将价值创造计划的管道增加多达200％ 。让我们看看数据将产生最大影响的五个领域： —优化支出和需求。随着AI和生成AI（genAI）技术的应用，类别管理可以通过多种方式实现自动化和加速。首先，花费分类算法 可以无缝地创建清洁的支出立方体。其次，需求预测和优化将看到准确性的一步变化，使采购、需求和供应链控制和优化更加相关。同样，genAI界面允许采购领导者 询问支出、市场或规格数据，询问有关以下方面的问题：例如，暴露于特定气候或地缘政治事件的支出份额、由于油价波动而导致的应成本增加，或供应商可能的替代来源。遇险。 在运输或临时工等竞争激烈的市场中，买家不需要干涉，让机器人根据预定义的目标函数自主做出贸易决策。GenAI还可以用于自动化类别的合同生成 ，就像一些航空公司开始大规模工作一样。 另一个中断将涉及供应市场分析和战略优化，确定使公司面临高风险的来源，并在定义的价格范围和交货时间内自动找到替代来源。 最后，公司可以使用机器学习来分析使用模式和预测需求，以基于库存级智能自动生成采购方案和策略 ，特别是对于经常购买的商品。 —管理盈利能力的外部驱动因素。采购团队将能够将内部数据与外部市场报告和数据库相结合，并使用机器学习算法来发现商品价格的模式和趋势。首席采购官和类别经理将依靠此类预测来 保持在行业盈利能力的最前沿，并实时提高价格波动敞口的透明度。他们将能够动态计算最不稳定商品的成本，并根据事实与供应商进行谈判。采购还将能够评估投入价格的任何变化对产品利润率的影响，并分析多种情况以定义保护这些利润率的正确行动。反应性行动可能包括转向替代的批准配方或价值链，调整计划或库存水平，在财务上对冲商品 ，或将价格变化传递给客户。例如，一家消费品公司开发了一个价格预测模型，该模型被组合在一起 。 使用对冲优化器推荐每月对冲棕榈油衍生品的交易量for.Mid-andlong-termactionsmayincludeoptimizingcontractingstrategybyadjustingcontractingstrategyinnegotiationswithsuppliers(forexample,spotbuyversusfixedpriceforafewmonths),redefiningsupplierregionalfootbytab 各国之间的演变差异，或通过与选定的N级供应商达成战略协议获得成本优势，包括部分收购或与价值链参与者的纵向整合获得不成比例的利润。 —管理供应商绩效。数字仪表板可以结合合同、发票和供应商交付绩效数据，以全面了解供应商遵守服务水平协议的情况。通过提供绩效预警 偏差，这些系统可以引导操作干预或供应商协作项目。参数化清洁表工具可以自动计算数千的应成本项目，帮助公司优化规格，并允许他们与供应商进行强有力的、基于事实的谈判。人工智能技术也在改变供应商的管理，自动化工具的出现可以根据社交媒体报告等公共数据对供应商风险状况产生智能智能。GeAI还可以帮助采购人员优化与供应商的对话，例如，通过自动化创建谈判脚本、报告、电子邮件和合同。 —管理供应风险。在2030年的最佳实践中，采购将配备其供应链的数字孪生模型，对全球所有节点进行建模，从原材料的次级供应商及其直接供应商到内部制造网络，客户以及连接这些节点的所有物流渠道。这些数字孪生模型将被开发 通过结合两种方法。来自一级供应商的物料流将与供应商合作映射，而网络数据挖掘将用于通过构建从二级到级的流量图片来缩小数据差距。每个节点将具有相关供应风险、成本和碳强度的近景视图,其基于允许通过其实际风险和缓解措施的可用性来过滤信号的逻辑来计算。采购不仅要有透彻的了解。其供应链的现状，但也能够模拟给定的风险水平 预测业务增长，风险事件的发生以及缓解措施的影响。数字供应链孪生将允许采购评估高度复杂和相互关联的价值链中任何类型的变化或中断的影响，并更早地对不利事件做出反应。此外，团队 采用这种技术的人将比同行更快地对供应信号的变化做出反应，因此，在正确的位置，以最低的成本和碳足迹拥有正确的产品。 —引领可持续性。以可持续发展为中心的数据和有效的分析工具至关重要，因为公司努力满足碳减排、污染预防和消除不公平劳动实践的苛刻目标 在供应链中。就环境可持续性而言，可以利用基于支出的采购数据来估计供应链内的碳排放基线。许多公司已采用这种方法来评估其上游范围3的排放。增强双边 然而，供应商和客户之间的碳透明度需要额外的努力 ，包括与供应商合作建立产品级排放报告(例如，基于消费的排放因子)，并通过现有的采购数据基础设施共享标准。将这些可持续性指标与采购数据和高级分析相结合，可以帮助公司参与、评估和监控供应商的可持续性进展。因此，该方法可以通过选择符合其可持续发展目标的产品或供应商来帮助公司减少供应链排放。 数据驱动的采购革命已经开始。世界经济论坛（WEF）全球灯塔网络是一个由制造商组成的多元化社区，由他们的领导层团结在一起 在使用第四次工业革命技术来改变工厂，价值链和商业模式。该网络的两个最近成员通过使用数字和AI技术来改变他们的采购业务，从而赢得了他们的位置。 制药公司赛诺菲应用了should-costmodeling来告知跨多个类别的制造与购买设计，实现了平均10％的支出减少。先进的分析平台减少了所需的时间 对三分之二的投标书进行评估，数字化谈判帮助它将节省的资金增加了281%。 TevaPharmaceuticals使用由支出智能和自动化支出立方体支持的分析驱动型采购，以实现供应弹性的十倍以上改进。该公司的智能支出类别 creationsystemscutthetimerequiredtodevelopcategorystrategiesby90percent.Teva’sglobalprocurementunit,basedinAmsterdam,isthemaincontributortoitsambientgrossmarginimprovementprogram. 重大挑战依然存在 高级采购领导者明白，更有效地使用数据至关重要。 然而，许多采购职能部门仍在努力将自己转变为数据和技术驱动的组织。在麦肯锡最近的一项调查中，CPO强调了他们认为阻碍数字雄心的三个关键问题:数据质量和访问问题，缺乏清晰度 在新的数字或人工智能应用程序的商业案例中，以及难以大规模推动新工具的采用。 数据质量和访问挑战。CPO预计到2030年，数据 ，分析和generAI将在每项业务决策中发挥核心作用，但我们调查的受访者承认，他们的数据基础设施尚未准备好支持这一雄心。21％的人表示他们的数据基础设施成熟度较低，只有不到70％的支出数据存储在一个地方。另外30％的人认为他们的平均 数据成熟度的水平，甚至那些已经实施系统的人都承认 ，这些数据为所有支出数据提供了单一的真实来源 isnotcleanedandcategorized.Thesesystemsmayalsolackimportantinformationfromoutsidetheprocurementfunction,suchasqualityor 规范数据，或来自供应商、客户和更广泛市场的外部数据。 难以阐明商业案例。采购团队还发现很难为分析和人工智能项目获得资金，这通常是由于缺乏令人信服的业务案例。 一种“技术支持”方法，即选择软件和解决方案，而没有与商业价值创造机会的明确联系。 采用水平低。克服前两个挑战的组织通常会遇到第三个挑战。即使他们已经构建了业务案例并在测试中证明了数字用例的有效性，他们也很难将其使用嵌入其核心流程和团队的 在整个组织中工作。这是数据分析转换中的一个常见挑战，无论业务功能如何，都使许多组织陷入了试点炼狱。在采购中尤其常见，团队通常专注于交付季度结果 ，或者被短期义务淹没，并且不花时间理解和采用新的技术解决方案。 规模成功的秘诀 扩展数据分析转型是灯塔与其他公司的不同之处。实 现这一目标的公司往往会正确完成一些重要的事情。他们专注于少数高价值的数字和AI使用 案例。他们构建并至关重要的是拥有强大的数据基础设施来支持这些用例。他们花在思考人员和流程上的时间和技术上的时间一样多:调整他们的核心业务流程和运营模式、提升和重新培训他们的人员，以及引导整个组织的变革。 专注于高价值用例 许多采购组织都有路线图，旨在每年部署15种或更多的数据产品，包括 复杂的数据架构和端到端套件。然而，根据我们的经验 ，组织有 对他们测试、验证、工业化和扩展如此大量技术解决方案的能力的限制。类似的限制适用于IT职能部门引导和工业化新工具的能力和能力，以及分类和购买团队在实现其年度业务目标时集成这些工具的能力。 能够成功扩展分析的公司将年度路线图集中在一组优先考虑的五六个技术解决方案上，这些解决方案是根据每个解决方案可以创造的价值潜力以及每个解决方案如何解决核心业务问题和用户需求而选择的。帕累托原则适用，少数数据产品提供了60％至80％的股份价值，并在8至12个月的范围内实现净正投资。 一家WEFLighthouse组织为其采购分析转型优先考虑了六个用例：类别分析，参数化清洁表，预测定价和数字跟踪器，以监控投入成本，供应商绩效和供应风险。仅使用这些用例，公司就能够将采购功能确定的价值创造机会增加一倍。 专用数据平台/域和专用技术资源 许多令人鼓舞的公司已经开始通过混合AI驱动的数据分类和严格的主数据管理实践来丰富其支出数据，从而破坏数据转换采购的方式。这使他们能够构建数据模型，以集成内部和外部的全面相关数据源，例如市场洞察力数据库。 领先的组织与专门的团队一起创建自己的采购数据模型。领导者不是尝试一次修复所有数据，而是专注于高优先级用例所需的数据，并从那里向后工作。这有助于每个数据组件 isprocessedcreatevaluefortheorganization,betweeningestingdiversedatasetbeforeevaluatingtheiruses.Andwhilesystemsexistto 清理数据，加强数据治理流程仍然是当务之急。 同样重要的是，从一开始就与IT职能部门建立伙伴关系。 整体分析转型与业务一样是技术转型 实践转型。它需要公司最好的技术架构师和工程师的支持才能成功。一开始就与IT和数字技术合作对于确保所有设计选择都符合最佳实践是至关重要的，并获得足够的技术能力和专业知识来构建所需的数据模型和管道。 将用户置于中心 从第一天起就考虑以用户为中心，对于在数据产品的整个生命周期中推动快速采用至关重要。这始于 确保尽早了解采购专业人员的需求、痛点和偏好。必须避免导致复杂性并最终恶化用户体验的不必要功能 。此外，用户界面需要直观且易于导航，以确保用户能够快速掌握功能和好处。这一点