Принятие ИИ и машинного обучения в закупках: возможности, вызовы и лучшие практики

Ваша долгая карьера в закупках в основном заключалась в том, что вас били топ-менеджмент по поводу необходимости постоянно сокращать затраты поставщиков. Приходит цифровая технология, чтобы сделать вашу работу легче — или забрать её.

По крайней мере, это страх профы закупок в эпоху искусственного интеллекта и машинного обучения. Учитывая все факторы, входящие в выбор и поддержание поставщиков, не имеет ли смысл передать задачу системе, способной перерабатывать больше данных, чем сто людей?

И объем данных продолжает расти. Менеджеры закупок сегодня должны опираться на множественные источники интеллекта, от самих поставщиков, а также независимых финансовых данных, новостных отчетов, сервисов третьих сторон и соцмедиа. Говорит Саммели Саммалькорпи, сооснователь вендора ПО для аналитики закупок Sievo: «Организации закупок еще не научились втыкаться в эти разные виды данных».

ИИ и ML: помощь, не замена

ИИ и машинное обучение казались бы особенно хорошо подходящими для вызова. Но страхи, что они полностью возьмут работу, кажутся необоснованными. Когда речь идет об эффективных закупках и управлении поставщиками, предвидимое будущее — это коллаборация между человеком и машиной.

«Я действительно верю, что роль ИИ — не заменять людей», говорит Саммалькорпи. «Машинное обучение и ИИ могут предлагать находки, но вам все равно нужно корректировать к тому, что релевантно, а что нет».

Машины высокоэффективны для узких приложений, вовлекающих хорошо определенные проблемы. Более того, они всегда «включены» и влекут минимальную стоимость операции, когда сравниваете с зарплатой и бенефитами человеческого рабочего.

Приходит время действовать, однако, и плоть-и-кровь менеджер должен вступить. Просто сказано, люди все еще лучше в принятии финального суждения о ключевых поставщиков. На данный момент, по крайней мере, «машинное обучение все еще не достаточно надежно для приведения решений», говорит Саммалькорпи. (Есть еще одна причина держать людей в цикле, он добавляет: им нужно сохранять ответственность за выбор, чтобы они не закончили винить машину за неправильные.)

На ранних стадиях машинного обучения технология, вероятно, может взять на себя определенные элементы контракта поставщика. По мере улучшения, однако, покупатели найдут себя полагающимися на систему для растущего числа задач, если не финального решения по проверке и выбору поставщика.

Команда данных: инхаус или аутсорс?

Поскольку ИИ и машинное обучение сильно зависят от сложных алгоритмов, компании могут предполагать, что им нужно нанять дорогую команду данных-сайентистов для запуска системы и понимания ее выводов. По мнению Саммалькорпи, это не так для отдела закупок. Он считает, что такая экспертиза лучше получена от аутсорс-провайдера.

«Даже если они думали, что это хороший бизнес-кейс», говорит он, «мы не видим много организаций, способных удерживать этот талант in-house. Вам все еще нужны данные-сайентисты, но я не думаю, что организация закупок — правильное место для них».

Предсказание будущих исходов, вероятно, будет таким же сложным для машины, как для человека — другими словами, невозможным. Но машинное обучение хорошо в быстрой ревизии прогнозов и планов действий в реальном времени, чтобы отражать реальные паттерны покупок, верит Саммалькорпи.

Цифровая зрелость: реальность против самовосприятия

Все это предполагает, конечно, что закупки могут гладко включить новую технологию в свои операции. Но новое исследование от Forrester Consulting, заказанное вендором платформы закупок Ivalua, предполагает, что это далеко от случая. Используя «индекс цифровой зрелости» для оценки прогресса компаний в принятии технологии закупок, Forrester нашел, что большинство «значительно переоценивают» свой уровень зрелости в этом отношении.

65% опрошенных компаний считали себя «продвинутыми», но только 16% имели требуемый уровень цифровой зрелости в своих организациях закупок, чтобы обосновать эту оценку.

Одна проблема — многие компании делают плохие начальные выборы в выборе технологии закупок. В исследовании Forrester, 82% сменили или рассматривали смену тех-провайдеров, цитируя как причины плохие уровни онбординга поставщиков и принятия пользователями.

Более того, период принятия был чрезмерно долгим. Всего 17% организаций смогли онбордить новых поставщиков менее чем за месяц, и 59% тратили между одним и тремя месяцами на каждого поставщика.

«Лидеры закупок имеют возможность доставить истинное конкурентное преимущество для своих организаций», сказал Дэвид Хуат-Дуй, корпоративный CEO Ivalua, в заявлении. «Цифровая трансформация критична для успеха, но требует реалистичной оценки текущей зрелости, четкого видения для каждого этапа пути и правильной технологии».

Все это предполагает, что технология в форме ИИ и машинного обучения далеко от выбрасывания людей из функции закупок, даже пока она обещает улучшить операции при правильной оценке и внедрении.