Qu’est-ce que le machine learning dans les achats ?

Le machine learning change la manière dont les équipes achats analysent les dépenses, évaluent les fournisseurs, anticipent la demande et prennent leurs décisions d’achat.

Plutôt que de se baser uniquement sur des rapports passés et des analyses manuelles, les équipes achats peuvent utiliser le machine learning pour repérer des tendances dans de grandes quantités de données et en tirer des prédictions, des classifications ou des recommandations.

C’est particulièrement utile car les achats produisent beaucoup de données, comme les informations sur les fournisseurs, les factures, les bons de commande, les contrats, les prix, les délais de livraison et les historiques de paiement.

Le machine learning peut analyser ces informations à une échelle impossible à atteindre manuellement, ce qui aide les équipes à repérer plus vite les tendances et les problèmes potentiels.

Qu’est-ce que le machine learning dans les achats ?

Le machine learning (ML) est une branche de l’intelligence artificielle qui permet aux logiciels d’apprendre à partir de données et de s’en servir pour faire des prédictions, des classifications ou des recommandations, sans avoir besoin d’être programmés pour chaque résultat possible.

Dans les achats, le machine learning peut analyser les données historiques relatives aux achats et aux fournisseurs pour répondre à des questions telles que :

• Quels fournisseurs sont les plus susceptibles d’avoir des retards de livraison ?
• Quelles catégories génèrent le plus de dépenses ?
• Où les prix sont-ils anormalement élevés ?
• De quelle quantité de produit ou de service l’entreprise aura-t-elle besoin ?
• Quels fournisseurs présentent le plus de risques ?
• Quels achats pourraient être regroupés ou renégociés ?

Les analyses achats classiques montrent en général ce qui s’est passé. Le machine learning va plus loin en aidant les équipes à repérer des tendances et à prévoir ce qui pourrait arriver ensuite.

→ 💻 Pour en savoir plus, découvrez notre article sur l’IA générative dans les achats.

Comment fonctionne le machine learning ?

Un système de machine learning s’appuie en général sur trois éléments : des données pertinentes, un modèle et un problème métier précis à résoudre.

Par exemple, une entreprise peut fournir des données historiques sur ses fournisseurs, notamment les délais de livraison, la qualité des produits, les prix, les performances contractuelles, les volumes de commandes et l’historique des paiements.

Un modèle peut apprendre les relations entre ces variables et un résultat donné, comme un retard de livraison.

Une fois entraîné, le modèle peut analyser de nouvelles données sur les fournisseurs et estimer la probabilité d’un retard à venir.

Le même principe peut être appliqué à la classification des dépenses, aux prévisions de la demande, à l’évaluation des risques fournisseurs, aux prévisions de prix et à d’autres activités d’achat.

La qualité des résultats dépend fortement de la qualité et de la structure des données utilisées. Si les données sont de mauvaise qualité ou dispersées, cela peut limiter l’efficacité du machine learning.

Machine learning vs. achats traditionnels

Les achats traditionnels reposent sur des règles définies, des contrôles manuels et des revues régulières. Cette approche fonctionne pour les tâches simples, mais devient plus difficile à gérer lorsque le volume de données, de fournisseurs et de transactions augmente.

Le machine learning repose sur une approche fondée sur les données. Au lieu de suivre seulement des règles fixes, il peut analyser en continu de grandes quantités de données, repérer des tendances, anticiper des problèmes et fournir de nouvelles informations dès que de nouvelles données arrivent.

Les principales différences sont les suivantes :

• Évolutivité : les processus manuels sont difficiles à gérer à mesure que les volumes de données augmentent, tandis que le ML peut traiter des millions d’enregistrements simultanément.
• Adaptabilité : les règles traditionnelles doivent être mises à jour manuellement, tandis que les modèles de ML peuvent s’adapter automatiquement lorsque de nouvelles données et tendances apparaissent.
• Rapidité : les tâches qui prennent des heures ou des jours à examiner manuellement peuvent être réalisées bien plus rapidement grâce au ML.
• Complexité : les systèmes traditionnels fonctionnent mieux dans des conditions définies, tandis que le ML peut identifier des relations entre de nombreuses variables et sources de données.

Le ML ne remplace pas l’expertise humaine. Il aide à analyser de grandes quantités de données et à mettre en évidence des tendances ou des actions possibles, afin que les professionnels des achats puissent se concentrer sur les décisions qui requièrent leur expérience et leur jugement.

Comment le machine learning aide-t-il à réduire les coûts d'achat ?

Le machine learning peut aider à réaliser des économies sur les achats en facilitant l’analyse des dépenses, la gestion des fournisseurs, la prévision de la demande et l’identification des transactions à risque ou inutiles. Ces économies proviennent souvent de plusieurs sources, pas d’une seule.

Les économies directes peuvent notamment provenir de :

• Meilleurs prix grâce à l’analyse des conditions du marché et des habitudes d’achat.
• Consolidation des fournisseurs grâce à l’identification des fournisseurs en doublon et à la possibilité de négocier de meilleures conditions.
• Réduction des dépenses hors processus grâce au suivi automatique des habitudes d’achat et au contrôle du respect des politiques.
• Meilleures stratégies de paiement grâce à l’identification des possibilités d’utiliser plus efficacement les remises pour paiement anticipé.

Les économies indirectes proviennent aussi du temps gagné sur les tâches manuelles, d’une meilleure gestion du fonds de roulement, de la prévention des ruptures de stock et des achats d’urgence, ainsi que de la détection de transactions inhabituelles avant qu’elles ne causent des pertes plus importantes.

Par exemple, une entreprise qui dépense 100 millions de dollars par an en achats pourrait utiliser le ML pour classer ses dépenses, prévoir la demande et analyser les risques liés aux fournisseurs afin d’identifier d’importantes opportunités d’économies. L’impact financier réel dépend toutefois des inefficacités existantes, de la qualité des données et des applications de ML choisies.

Ces chiffres montrent ce qui est possible, mais ne garantissent pas les résultats. Des facteurs tels que la maturité des achats, la qualité des données, les coûts de mise en œuvre et les outils de ML utilisés peuvent tous influencer les résultats finaux.

Où le machine learning s’intègre-t-il dans le processus d’achat ?

Le machine learning peut intervenir à différents moments du processus d’achat. Il analyse les données, identifie des tendances et fournit des prédictions, des classements ou des alertes pour aider les professionnels des achats à déterminer ce qu’ils doivent examiner ou faire ensuite.

Dans le sourcing stratégique, le machine learning peut analyser les dépenses, identifier des fournisseurs potentiels et évaluer les risques liés aux fournisseurs.

Cela aide les équipes achats à comparer les options et à savoir où concentrer leurs efforts.

Pour les achats tactiques, le machine learning peut trier les demandes d’achat, suggérer le circuit d’approbation approprié et suivre les dépenses par rapport aux budgets.

Il fournit des recommandations et des alertes pour aider les équipes à prendre des décisions plus rapidement.

Dans les achats transactionnels, le machine learning peut rapprocher les factures, identifier les activités inhabituelles et détecter les fraudes. Les équipes peuvent ainsi repérer les transactions qui nécessitent une vérification sans avoir à contrôler chaque opération manuellement.

Pour la gestion des fournisseurs, le machine learning peut suivre leurs performances, détecter les évolutions des risques et surveiller la conformité. Les équipes achats disposent ainsi d’alertes précoces lorsqu’un fournisseur nécessite une attention particulière.

L’analyse des achats regroupe ces différentes applications en utilisant le machine learning pour analyser les dépenses, prévoir la demande, identifier des possibilités d’économies et signaler les domaines nécessitant une analyse plus approfondie.

Dans chaque cas, le machine learning accompagne la prise de décision, il ne la remplace pas. Le modèle fournit des informations à partir des données disponibles, et les professionnels des achats apportent leur contexte métier, évaluent les recommandations et prennent la décision finale.

Cas d’usage du machine learning dans les achats

Le machine learning peut accompagner de nombreuses étapes du processus d’achat, mais certaines applications sont particulièrement utiles.

1. Analyse et classification des dépenses

L’analyse des dépenses est l’un des usages les plus courants du machine learning dans le domaine des achats.

Dans les grandes organisations, les données d'achat sont souvent dispersées entre les ERP, les factures, les feuilles de calcul et différents services. Les noms et les descriptions des fournisseurs peuvent aussi varier, ce qui rend plus difficile de savoir exactement où va l’argent.

Le machine learning peut classer les transactions dans des catégories d'achats standardisées et repérer des tendances dans de grandes quantités de données.

Par exemple, il peut détecter que des achats enregistrés sous différentes descriptions font en réalité partie d’une même catégorie ou concernent un même groupe de fournisseurs.

Le machine learning et le traitement automatique du langage naturel peuvent automatiser l’analyse des dépenses et aider à repérer les fournisseurs et les catégories présentant des opportunités d’économies.

Cela donne aux équipes achats une vision plus claire de :

• Où l’argent est dépensé
• Quels fournisseurs représentent la plus grande part des dépenses
• Où se trouvent les fournisseurs en doublon
• Quelles catégories pourraient être regroupées
• Où se trouvent les opportunités de négociation

2. Sélection et évaluation des risques fournisseurs

Choisir le bon fournisseur ne se limite pas à comparer les prix.

Les équipes achats peuvent devoir prendre en compte les performances de livraison, la qualité, la stabilité financière, l’exposition géographique, la conformité et les performances passées du fournisseur.

Le machine learning peut analyser ces variables afin d’identifier les tendances associées aux performances ou aux risques liés aux fournisseurs.

Par exemple, un modèle peut apprendre à partir des données historiques des fournisseurs et signaler ceux présentant des caractéristiques similaires à celles de fournisseurs ayant déjà rencontré des problèmes de livraison ou de qualité.

Le machine learning peut aider à établir le profil de risque des fournisseurs et à évaluer les performances des fournisseurs à partir de plusieurs variables.

Cela ne veut pas dire qu’un algorithme doit automatiquement écarter un fournisseur. Il peut plutôt donner aux professionnels des achats un signal de plus à examiner avant de décider.

3. Prévision de la demande

La prévision de la demande est une autre application importante du machine learning dans les achats.

Les équipes doivent prévoir la quantité de produits, de matières premières ou de services dont l’organisation aura besoin. Acheter trop crée un surplus de stock, alors qu’acheter trop peu peut entraîner des ruptures de stock et des achats d’urgence.

Le machine learning peut analyser la demande historique ainsi que des facteurs tels que la saisonnalité et les comportements d’achat pour générer des prévisions.

Des modèles tels que Random Forest, Gradient Boosting et les réseaux Long Short-Term Memory peuvent être utilisés pour prévoir la demande et répartir les commandes entre les fournisseurs.

De meilleures prévisions peuvent aider les équipes achats à planifier leurs achats plus tôt et à prendre des décisions de sourcing avec davantage de visibilité.

4. Prévision des prix et des coûts

Les prix ne restent pas constants. Les coûts des matières premières, les conditions du marché, l’inflation, les taux de change et les perturbations de la chaîne d’approvisionnement peuvent tous avoir un impact sur les coûts achats.

Le machine learning peut analyser les évolutions historiques des prix et d’autres variables pertinentes afin d’identifier des tendances et de prévoir les changements potentiels.

Il peut aussi aider à anticiper l’incertitude des prix, en donnant aux équipes achats des informations en plus pour décider quand acheter, quelle quantité commander ou s’il vaut mieux négocier des accords à long terme.

5. Détection des fraudes et des anomalies dans les achats

Le machine learning peut aider à identifier les comportements d’achat inhabituels en apprenant à reconnaître ce qui constitue une activité normale et en signalant les transactions qui s’en écartent.

Parmi les exemples possibles :

• Prix d’achat anormalement élevés
• Factures en double
• Activité inhabituelle d’un fournisseur
• Volumes d’achat inhabituels
• Achats en dehors des circuits d’approbation habituels

Le but n’est pas forcément de prouver qu’il y a eu fraude. Le machine learning aide surtout les équipes achats et finance à se concentrer sur les transactions qui méritent d’être analysées de plus près.

6. Analyse des contrats et des performances fournisseurs

Les équipes achats doivent vérifier que les fournisseurs respectent les engagements convenus.

Le machine learning peut analyser les données historiques relatives aux contrats et aux fournisseurs afin d’identifier des tendances concernant les performances de livraison, les prix, les niveaux de service et la conformité.

Associé à d’autres technologies d’IA, il peut également contribuer à extraire des informations des contrats et faciliter le suivi des dates et obligations importantes.

C’est particulièrement utile pour les organisations qui gèrent de nombreux contrats avec des fournisseurs, car il est difficile de vérifier chaque accord manuellement.

7. Aide à la décision dans les achats

Le machine learning peut également accompagner les décisions achats en combinant des informations provenant de plusieurs sources et en aidant les professionnels à évaluer différentes options.

Par exemple, un système peut comparer les fournisseurs en fonction du prix, des performances historiques, de la fiabilité des livraisons et des indicateurs de risque, puis mettre en évidence les options qui méritent une analyse plus approfondie.

L’IA et le machine learning peuvent accompagner la prise de décision dans différentes activités d’achats et de purchasing.

L’essentiel à retenir est que la technologie accompagne la décision, elle ne la prend pas à la place des équipes.

Les avantages du machine learning dans les achats

Bien utilisé, le machine learning aide les équipes achats à gérer davantage de données, à repérer plus vite les tendances et à prendre de meilleures décisions, sans se reposer uniquement sur l’analyse manuelle.

Une meilleure visibilité sur les dépenses

Le machine learning peut traiter de grandes quantités de données d’achat et identifier des tendances difficiles à repérer manuellement. Les équipes peuvent ainsi mieux comprendre la répartition des dépenses entre les fournisseurs, les catégories, les services et les différentes entités.

Cela peut montrer que les dépenses sont dispersées, mettre en évidence des habitudes d’achat inattendues ou signaler les domaines qui nécessitent davantage de contrôle.

Une analyse plus rapide

Au lieu de passer en revue manuellement des milliers de transactions, factures ou données fournisseurs, les équipes achats peuvent utiliser le machine learning pour analyser rapidement de grandes quantités de données et trouver plus vite les informations importantes.

Les professionnels des achats disposent ainsi de davantage de temps pour se concentrer sur les stratégies de sourcing, les négociations et les relations fournisseurs.

Une gestion des risques plus proactive

L’analyse des achats traditionnelle se concentre généralement sur le passé et s’appuie sur des rapports historiques pour comprendre ce qui s’est déjà produit.

Le machine learning peut analyser les tendances passées et les données actuelles pour repérer les changements qui pourraient signaler de nouveaux risques liés aux fournisseurs, aux dépenses ou aux achats. Les équipes ont ainsi plus de temps pour analyser ces risques et agir.

Des décisions d’achat plus éclairées

En analysant plusieurs variables simultanément, les modèles de machine learning peuvent fournir aux équipes achats des informations supplémentaires pour comparer les fournisseurs, prévoir la demande, évaluer différentes options ou repérer les transactions inhabituelles.

Cela aide les équipes à mieux prendre en compte tous les facteurs qui influencent les décisions d’achat.

Un potentiel d’économies accru

Une meilleure visibilité sur les dépenses peut révéler des possibilités de consolidation des fournisseurs, de renégociation des contrats et d’optimisation des catégories.

L’analyse des dépenses avec le machine learning peut aider à repérer les prix inhabituels, les achats dispersés et les tendances chez les fournisseurs ou dans les catégories qui pourraient offrir des opportunités d’économies.

Les défis liés à l’utilisation du machine learning dans les achats

Le machine learning ne peut pas, à lui seul, régler les problèmes de qualité des données achats. C’est un vrai défi. Les données achats sont souvent dispersées entre différents systèmes et peuvent contenir des noms de fournisseurs différents, des informations manquantes, des doublons ou des catégories mal structurées.

Les obstacles à l’utilisation de l’IA et du machine learning dans les achats comprennent notamment la qualité des données, les compétences disponibles au sein de l’organisation, la mise à jour des modèles, les questions éthiques et l’accès à des profils qualifiés.

L’explicabilité est aussi un défi. Si un modèle classe un fournisseur comme risqué, les équipes achats doivent savoir pourquoi. Des recommandations qui ne peuvent pas être expliquées ou discutées sont difficiles à utiliser en toute confiance, surtout quand elles influencent des décisions importantes.

La transparence et l’explicabilité sont particulièrement importantes lorsque l’IA influence les décisions achats, car les équipes peuvent avoir besoin d’expliquer pourquoi un fournisseur ou une transaction a été signalé.

Le machine learning doit aussi être mis à jour régulièrement. Les marchés fournisseurs, les habitudes d’achat, les prix et les besoins de l’entreprise évoluent au fil du temps. Les modèles entraînés sur de vieilles données peuvent donc devenir moins précis si les conditions évoluent.

L’expertise achats reste tout aussi importante, car identifier une tendance ne signifie pas nécessairement comprendre ce qu’elle implique pour un fournisseur, un contrat ou une situation commerciale spécifique. Najar associe l’IA à l’expertise de ses Procurement Partners afin de replacer les données achats et les informations issues du machine learning dans le contexte de décisions d’achat réelles.

Enfin, le machine learning requiert un suivi et des mises à jour réguliers, car les marchés fournisseurs, les prix, les habitudes d’achat et les besoins de l’entreprise évoluent. Cela permet de garder les modèles fiables.

Comment Najar utilise le machine learning dans les achats

Le machine learning est particulièrement utile dans les achats lorsqu’il peut accéder aux données qui sous-tendent les décisions d’achat.

Au lieu d’analyser un seul document ou une seule transaction à la fois, le machine learning peut traiter de grandes quantités de données achats pour repérer des tendances entre les fournisseurs, les dépenses, les contrats et les activités d’achat.

Najar associe l’IA aux données et à l’expertise achats pour aider les équipes à identifier ces tendances et à agir en conséquence.

Sa plateforme utilise des données issues de plus de 6 milliards d’euros de dépenses, de plus de 250 clients, de 3 500 négociations et de l’expérience des Procurement Partners de Najar. Cela donne à ses systèmes d’IA et de machine learning un contexte spécifique aux achats qu’un modèle généraliste n’a pas forcément.

Par exemple, le machine learning peut aider à identifier des tendances inhabituelles dans les dépenses, à mettre en évidence des opportunités d’économies et à signaler des activités liées aux fournisseurs ou aux contrats qui nécessitent une attention particulière.

Ces informations peuvent ensuite alimenter des workflows achats plus larges.

• Smart Purchase Requests aide les équipes à recueillir les bonnes informations avant un achat et facilite l’examen des demandes.
• Confident Vendor Sourcing aide les équipes achats à trouver et comparer des fournisseurs lorsqu’elles recherchent de nouveaux partenaires.
• Exhaustive Contract Management centralise les informations contractuelles et facilite le suivi des éléments importants.
• Expense Optimisation aide les équipes à identifier les possibilités de réduire les dépenses et de réaliser des économies.

Le but est de transformer les données achats en informations utiles sans que les équipes aient à analyser chaque transaction à la main. Le machine learning repère les tendances à grande échelle, et les équipes achats utilisent ces informations pour prendre les décisions finales.