التعلم الآلي في تصنيف الإنفاق: دليل 2026

ملخص سريع: يُسهم التعلّم الآلي في تصنيف الإنفاق في أتمتة عملية تصنيف معاملات الشراء من خلال تحليل أنماط البيانات التاريخية، محققًا دقة تتجاوز 95% في التطبيقات الحديثة. تُقلل هذه النماذج من وقت التصنيف اليدوي، وتُحسّن من وضوح الإنفاق، وتُساعد فرق المشتريات على تحديد فرص التوفير بشكل أسرع. تستخدم المؤسسات الآن التعلّم الخاضع للإشراف، والتعلّم المعزز، والذكاء الاصطناعي التوليدي لمعالجة ملايين المعاملات بأقل قدر من التدخل البشري.

تغرق فرق المشتريات في كم هائل من بيانات المعاملات. تتراكم أوامر الشراء والفواتير وتقارير المصروفات بوتيرة أسرع من قدرة أي شخص على تصنيفها يدويًا. وهنا يأتي دور التعلم الآلي ليغير كل شيء.

يعتمد تصنيف الإنفاق التقليدي على قيام الموظفين بقراءة أوصاف مثل "لوازم مكتبية - متنوعة" أو "خدمات استشارية في مجال تكنولوجيا المعلومات - الربع الأول" وتحديد فئات التصنيف. تستغرق هذه العملية أسابيع، وتُدخل تناقضات، وتصبح قديمة بمجرد انتهائها.

يُغيّر التعلّم الآلي هذا الواقع. إذ تتعلم النماذج من الأنماط التاريخية، وتصنف ملايين المعاملات في غضون ساعات، وتحسّن دقتها بمرور الوقت. والنتيجة؟ رؤية واضحة للإنفاق تعكس الواقع بدقة.

لماذا يفشل تصنيف الإنفاق اليدوي

كان التصنيف اليدوي يبدو عملياً عندما كانت المؤسسات تتعامل مع مئات الموردين. أما الآن، فتدير فرق المشتريات آلاف الموردين عبر عشرات الفئات. لم يعد هذا الأسلوب مجدياً.

لكن المشكلة تكمن في أن التصنيف اليدوي ليس بطيئًا فحسب، بل إنه غير متسق أيضًا. يصنف أحد المحللين "التخزين السحابي" ضمن البنية التحتية لتكنولوجيا المعلومات، بينما يضعه آخر ضمن البرمجيات كخدمة، ويصنفه ثالث ضمن إدارة البيانات. وإذا تضاعفت هذه التناقضات عبر آلاف المعاملات، يصبح تحليل الإنفاق مجرد تخمين.

يُعدّ عامل الوقت بالغ الأهمية. إذ تُهدر فرق المشتريات وقتاً طويلاً في تنظيف البيانات وتصنيفها بدلاً من التركيز على التوريد الاستراتيجي. ويمكن استغلال هذا الوقت بشكل أفضل في إيجاد وفورات وتحسين استراتيجيات المشتريات.

لكن مهلاً، ثمة مشكلة أخرى: التصنيف البشري لا يرقى إلى مستوى التوسع. تندمج المؤسسات، وتستحوذ على وحدات أعمال جديدة، أو تتوسع في أسواق جديدة. كل تغيير يجلب معه موردين جدد، وأنماط معاملات جديدة، ومشاكل تصنيف جديدة. وتنهار العمليات اليدوية تحت وطأة هذا العبء.

كيف تُحدث تقنيات التعلم الآلي تحولاً في تصنيف الإنفاق

تتعامل نماذج التعلم الآلي مع تصنيف الإنفاق كمشكلة للتعرف على الأنماط. عند تزويد النموذج بسجلات المعاملات مع فئاتها الصحيحة، فإنه يتعلم أنماط النصوص وخصائص الموردين وسمات المعاملات التي تتنبأ بكل تصنيف.

تبدأ العملية بالتعلم الخاضع للإشراف. وفقًا لبيانات التنفيذ من منصة سوبلاري، تصنف هذه الأنظمة المعاملات ضمن تصنيف متسق بدقة تزيد عن 95% بعد التدريب المناسب. يُعدّ هذا الحد الأدنى من الدقة بالغ الأهمية، فهو يُمثّل النقطة التي يصبح عندها التدقيق اليدوي استثناءً لا قاعدة.

تعالج معالجة اللغة الطبيعية تعقيدات وصف المعاملات. فأوامر الشراء لا تصل بتنسيقات موحدة وواضحة، بل يكتب الموردون أوصافهم بأسلوبهم الخاص: اختصارات، أخطاء إملائية، مصطلحات فنية، ولغات متعددة. تقوم نماذج التعلم الآلي بتحليل هذا التعقيد لتحديد فئة الإنفاق الفعلية.

أنشئ أدوات تعلم الآلة باستخدام الذكاء الاصطناعي المتفوق

متفوقة الذكاء الاصطناعي تُطوّر هذه الشركة حلولاً تعتمد على الذكاء الاصطناعي والتعلم الآلي لتحليل البيانات، وذكاء الأعمال، وتحليلات البيانات الضخمة، ومعالجة اللغات الطبيعية، وتطوير البرمجيات المخصصة. يُمكن لعملها أن يُساعد في تحويل بيانات الأعمال الخام أو المتناثرة إلى أنظمة تدعم تصنيفًا أدق وتقارير أفضل.

بالنسبة لتصنيف الإنفاق، يمكن لهذا أن يدعم تجميع الموردين، ورسم خرائط الفئات، ومراجعة المعاملات، ووضع العلامات الآلية بناءً على القواعد والبيانات الخاصة بالشركة.

هل تحتاج إلى ربط الذكاء الاصطناعي ببيانات الإنفاق؟

يمكن أن تساعدك تقنية الذكاء الاصطناعي المتفوقة في:

• إنشاء نماذج التعلم الآلي
• أدوات تصنيف بيانات المباني
• اختبار أفكار الأتمتة من خلال إثبات المفهوم أو العمل على الحد الأدنى من المنتج القابل للتطبيق
• ربط أدوات الذكاء الاصطناعي بالمنصات الحالية

👉 تواصل مع شركة AI Superior لمناقشة مشروعك.

التعلم الخاضع للإشراف: الأساس

يشكّل التعلّم الخاضع للإشراف الركيزة الأساسية لمعظم أنظمة تصنيف الإنفاق. يحتاج النموذج إلى بيانات تدريب مُصنّفة - أي معاملات قام البشر بتصنيفها بشكل صحيح. كلما زادت الأمثلة، كان تعلّم النموذج أفضل.

تتطلب ميزة التصنيف في أوراكل تدريبًا مُشرفًا للمعاملات التجارية. تجمع المنصة بين الذكاء الاصطناعي التوليدي والتعلم المُشرف للتنبؤ بنتائج التصنيف. يُمكّن هذا النهج الهجين المؤسسات من البدء بنقرة واحدة مع تحسين الدقة من خلال التصحيحات البشرية.

جودة بيانات التدريب أهم من كميتها. فألف معاملة مصنفة بشكل صحيح عبر فئات الإنفاق الرئيسية أفضل من عشرة آلاف معاملة مصنفة بشكل غير متسق. المدخلات الرديئة تؤدي إلى مخرجات رديئة - لا تزال هذه هي نقطة الضعف الأكثر شيوعًا للذكاء الاصطناعي في مجال المشتريات، وفقًا لتحليل من منصة بيانات سوبلاري.

تستقبل المنصة البيانات الأولية من أنظمة تخطيط موارد المؤسسات (ERP) مثل SAP وOracle وMicrosoft، وأنظمة الحسابات الدائنة، ومستودعات العقود، وقواعد بيانات الموردين. ثم تقوم بتوحيد أسماء الموردين وعناوينهم ووصف المعاملات قبل بدء عملية التصنيف. وتشكل بيانات الإنفاق النظيفة والمنظمة أساسًا لنماذج دقيقة.

بناء نماذج تصنيف فعالة

بصراحة: لا تُجدي جميع أساليب التعلّم الآلي نفعاً بنفس القدر في تصنيف الإنفاق. تحتاج المؤسسات إلى عملية بناء استراتيجية تُعطي الأولوية للأثر على حساب الكمال.

ابدأ بفئات المشتريات الأكثر أهمية. ركّز على الفئات التي تُشكّل أعلى المخاطر أو التي تُغطّي ما يُقارب 80% من الإنفاق التنظيمي (وفقًا لأفضل الممارسات في هذا المجال). إنّ محاولة تصنيف كلّ فئة غامضة منذ البداية تُؤخّر تحقيق القيمة وتزيد من تعقيد التدريب.

اختر الخوارزميات المناسبة لمهمة التصنيف. تشمل الأساليب الشائعة ما يلي:

• الغابات العشوائية للتعامل مع المتغيرات الفئوية والبيانات المفقودة
• آلات المتجهات الداعمة لمساحات الميزات عالية الأبعاد
• الشبكات العصبية للتعرف على الأنماط المعقدة عبر مجموعات البيانات الكبيرة
• خوارزمية بايز البسيطة للتصنيف الأساسي مع بيانات تدريب محدودة

تستخلص هندسة الميزات إشارات ذات دلالة من بيانات المعاملات الخام. تشمل الميزات الفعالة أنماط أسماء الموردين، ومبالغ المعاملات، وشروط الدفع، ورموز حسابات دفتر الأستاذ العام، والكلمات المفتاحية للوصف. ويتعلم النموذج أي التركيبات تتنبأ بكل فئة.

إعداد البيانات: عامل حاسم

تحدد البيانات النظيفة نجاح أو فشل التعلم الآلي. أما بيانات الإنفاق فتصل غير منظمة: سجلات موردين مكررة، واتفاقيات تسمية غير متناسقة، ووصف غير مكتمل للمعاملات، ورموز فئات مفقودة.

تُعالج عملية التوحيد اختلافات أسماء الموردين أولاً. فأسماء "International Business Machines" و"IBM Corp" و"IBM" و"IBM" تشير جميعها إلى المورد نفسه. تحتاج نماذج التعلم الآلي إلى توحيد هذه الأسماء قبل تعلم الأنماط. ويتبع توحيد العناوين منطقًا مشابهًا - المورد نفسه، فروع مختلفة، سجل رئيسي واحد.

تحتاج أوصاف المعاملات أيضًا إلى تنقيح. أزل الأحرف الخاصة التي لا تضيف معنى. وحّد الاختصارات. وصحح الأخطاء الإملائية الشائعة. واحذف أرقام الفواتير وتواريخها التي تُعطي انطباعًا زائفًا بالتفرد. ما يتبقى يجب أن يعكس السلع أو الخدمات الفعلية المشتراة.

تعامل مع البيانات المفقودة بذكاء. يمكن استكمال بعض الحقول من السجلات ذات الصلة، بينما تُشير حقول أخرى إلى المعاملات التي تحتاج إلى مراجعة بشرية. يمكن استكمال الأوصاف المفقودة من كتالوجات الموردين أو الطلبات السابقة من نفس المورد. لكن تجنب اختلاق البيانات، فالنماذج المدربة على معلومات اصطناعية تُعطي تنبؤات ضعيفة بشأن المعاملات الحقيقية.

نصائح عملية لنجاح التنفيذ

عادةً ما تتبع المؤسسات التي تنجح في استخدام التعلم الآلي لتصنيف الإنفاق بعض الممارسات الشائعة. تساعد هذه الخطوات في الحفاظ على تركيز عملية النشر ودقتها وسهولة تبنيها من قبل الفرق.

حدد التصنيف أولاً

لا ينجح تصنيف الإنفاق إلا عندما يتفق الجميع على معنى كل فئة. قبل تدريب النماذج، حدد تصنيفًا واضحًا.

يمكن اتباع معايير الصناعة مثل معايير UNSPSC أو استخدام فئات مخصصة تعكس كيفية إدارة المنظمة للمشتريات فعلياً. عادةً ما تؤدي الفئات غير الواضحة إلى تصنيفات غير واضحة.

ابدأ بطيار مُركّز

ابدأ بالفئات ذات الحجم الكبير بدلاً من محاولة تطبيق النظام على مستوى الشركة بأكملها دفعة واحدة.

يمكن أن تُظهر تجربة رائدة حول اللوازم المكتبية أو أجهزة تكنولوجيا المعلومات أو الخدمات المهنية قيمتها بسرعة وتخلق حالة أقوى لاعتمادها على نطاق أوسع.

تحديد عتبات الثقة

استخدم مستويات الثقة لتحديد ما يجب أتمتته وما الذي لا يزال بحاجة إلى مراجعة.

يمكن إتمام المعاملات ذات الثقة العالية، مثل 90-95% وما فوق، تلقائيًا. أما نتائج الثقة المتوسطة فيمكن إحالتها إلى مراجعة بشرية سريعة، بينما تحتاج العناصر ذات الثقة المنخفضة إلى تحليل أكثر دقة.

بناء حلقات التغذية الراجعة

عندما يقوم الأشخاص بتصحيح التصنيفات، يجب إعادة إدخال هذه التصحيحات في بيانات التدريب.

يساعد هذا النموذج على التعلم من الأخطاء والتعامل مع المعاملات المماثلة بشكل أفضل في المرة القادمة. التعلم المستمر هو ما يميز الأتمتة الأساسية عن نظام أكثر قوة على المدى الطويل.

التكامل مع سير العمل الحالي

يعمل تصنيف الإنفاق بشكل أفضل عندما يتناسب مع الأدوات التي تستخدمها الفرق بالفعل، مثل أنظمة تخطيط موارد المؤسسات (ERP) ومنصات أتمتة الحسابات الدائنة وبرامج المشتريات.

لا ينبغي أن يضطر المحللون إلى التنقل بين الأنظمة للاطلاع على الإنفاق المصنف. يجب أن تظهر البيانات في المكان الذي يتم فيه العمل بالفعل.

التقنيات المتقدمة: الذكاء الاصطناعي التوليدي والتعلم المعزز

وهنا تبدأ الأمور تصبح مثيرة للاهتمام. فالتطورات الحديثة تتجاوز التعلم الخاضع للإشراف التقليدي إلى مجالات أكثر تعقيداً.

يُضفي الذكاء الاصطناعي التوليدي إمكانيات جديدة على تصنيف الإنفاق. إذ تفهم نماذج اللغة الضخمة أوصاف المعاملات في سياقها، لا مجرد مطابقة الكلمات المفتاحية. كما أنها تتعامل مع الحالات الغامضة التي تُعيق الخوارزميات القديمة. يستخدم تطبيق أوراكل الذكاء الاصطناعي التوليدي للتصنيف الأولي، ثم يُحسّن النتائج من خلال التغذية الراجعة للتعلم الخاضع للإشراف.

يعمل التعلم المعزز على تحسين قرارات التصنيف بمرور الوقت. ووفقًا للأبحاث التي أُجريت على التعلم المعزز متعدد العوامل لتحسين عمليات الشراء والدفع الذاتية، تتعلم هذه الأنظمة استراتيجيات التصنيف المثلى من خلال تعظيم المكافآت (التصنيفات الصحيحة) وتقليل العقوبات (الأخطاء التي تتطلب إعادة العمل). ويُبشّر هذا النهج بنتائج واعدة في بيئات الشراء المعقدة حيث لا يُجدي التطابق البسيط للأنماط نفعًا.

يُسرّع التعلم بالنقل عملية النشر من خلال تمكين المؤسسات من الاستفادة من النماذج المدربة مسبقًا بدلاً من التدريب من الصفر. وهذا يقلل بشكل كبير من متطلبات بيانات التدريب اللازمة للحصول على دقة مقبولة.

قياس النتائج وعائد الاستثمار

يؤدي التنفيذ دون قياس إلى إهدار الموارد. تتبع هذه المقاييس لتحديد تأثير التعلم الآلي على تصنيف الإنفاق:

احسب الوفورات الملموسة الناتجة عن تحسين الشفافية. عادةً ما تحدد المؤسسات فرصًا فعّالة لخفض التكاليف بمجرد أن يوفر تصنيف الإنفاق تحليلات دقيقة على مستوى الفئات. اضرب الوفورات المحددة في إجمالي الإنفاق القابل للتوجيه لتقدير الأثر المحتمل.

الفوائد غير الملموسة مهمة أيضاً. فتسريع دورات الشراء، وتقليل مخاطر الامتثال، وتحسين المفاوضات مع الموردين، واتخاذ قرارات التوريد بناءً على البيانات، كلها أمور تنجم عن تصنيف دقيق للإنفاق. وتتراكم هذه المزايا الاستراتيجية بمرور الوقت.

التحديات والحلول الشائعة

تواجه تطبيقات التعلم الآلي عقبات متوقعة. إليك كيف تتغلب عليها المؤسسات الناجحة.

• تحدي: بيانات التدريب غير كافية للفئات المتخصصة. حل: ابدأ بالفئات ذات الحجم الكبير حيث يُمكّن وفرة البيانات من وضع نماذج دقيقة. صنّف الفئات المتخصصة يدويًا في البداية، وقم ببناء مجموعات تدريب لأتمتة العملية في المستقبل.
• تحدي: تغير النموذج مع تطور احتياجات العمل. حل: جدولة إعادة تدريب النموذج ربع السنوية باستخدام بيانات المعاملات المحدثة. راقب مقاييس الدقة أسبوعياً لاكتشاف أي انحراف مبكراً.
• تحدي: مقاومة من محللي المشتريات الذين يخشون الأتمتة. حل: قدّم التعلم الآلي كأداة مساعدة، لا كبديل. ركّز على العمل الاستراتيجي بينما تتولى النماذج مهمة التصنيف المتكرر. اعرض بيانات توفير الوقت لكسب التأييد.
• تحدي: تعقيد التكامل مع أنظمة تخطيط موارد المؤسسات القديمة. حل: استخدم موصلات واجهة برمجة التطبيقات أو منصات البرمجيات الوسيطة التي تربط أدوات التعلم الآلي الحديثة بأنظمة المشتريات القديمة. يقدم العديد من الموردين تكاملات جاهزة لأنظمة تخطيط موارد المؤسسات الشائعة.

الأسئلة الشائعة