通过人工智能驱动的支出分析将数据转化为可操作的智能

核心观点与关键数据

• 数据驱动决策的挑战：71%的首席数据官将超过四分之一的时间用于数据准备工作，78%希望利用专有数据实现差异化，但仅26%对利用非结构化数据创造商业价值有信心。
• 采购分析现状：采购部门在决策信息依赖、分析频率、数据使用和结果转化方面缺乏一致性。分析使用多为临时性（ad-hoc），而非流程化。仪表盘提供信息，但需要进一步解读。
• 变革障碍：57%的采购专业人士认为集成困难是数据质量的主要障碍。其他障碍包括数据质量、缺乏领域知识和人才、系统集成、治理风险、技术限制、碎片化努力和变革管理。
• AI的潜力：AI被视为解决数据挑战的关键。通过从小数据到大数据、预测分析、自动化到自主AI（分析并推荐行动，甚至执行行动），以及多AI代理协同工作（如成本预测、基准比较、寻源、触发寻源流程），可提升采购效率。
• AI驱动的价值：42%的价值来自嵌入工作流程的数据和分析，远超其他数据和分析方面。技术本身仅占价值约9%，人才、数据访问和质量以及流程嵌入更为关键。

研究结论与行动建议

• 角色重塑：自主AI不取代人类，而是转变其角色，从执行工作转向管理自主系统。采购团队需要新技能，如审核AI行动、设定升级阈值、持续对齐AI行为与业务优先级和风险。
• 实施要点：
  • 聚焦可行的用例，明确ROI，逐步建立信任。
  • 及时追踪和沟通价值，使价值可见。
  • 诚实评估数据准备情况，必要时创建信息编排层解决数据碎片化问题。
  • 采取以人为本的推广方式，先提升人类能力，再逐步增加自主性。
  • 不要简单自动化任务，而是重新设计流程，使AI分析融入日常工作。
  • 建立治理和护栏，通过升级协议和审计追踪，设定合理的决策阈值，防范风险。