Analitik Belanja dengan AI: Mengklasifikasi dan Menekan Pengeluaran Perusahaan

Oleh Jane Ha · Diperbarui 11 Oktober 2026

Analitik belanja dengan AI adalah pemakaian pembelajaran mesin dan model bahasa untuk membersihkan, mengklasifikasi, dan menganalisis apa yang dibeli perusahaan, dari siapa, dan dengan harga berapa, sehingga keuangan dan pengadaan dapat menemukan penghematan, pemasok ganda, dan pembelian di luar kontrak yang disepakati. Langkah klasifikasi adalah bagian tersulit. Selama setiap baris faktur belum berada dalam kategori yang konsisten, tidak ada yang bisa menjawab pertanyaan sederhana CFO: berapa yang kita keluarkan untuk tenaga kontrak, angkutan, atau perangkat lunak, dan dengan berapa pemasok?

Artikel ini ditujukan bagi CFO, direktur keuangan, controller (kepala akuntansi), dan mitra pengadaan yang menduga ada uang tersembunyi di buku besar mereka tetapi tidak bisa melihatnya. Artikel ini berada dalam koleksi AI for Finance sebagai pembahasan mendalam tentang sisi pembelian bisnis. Untuk pandangan seluruh fungsi, mulailah dari hub-nya, AI di FP&A. Untuk agen yang menindaklanjuti temuan ini, lihat agen pengadaan AI.

Fakta Utama

• Laporan GAO tentang analisis belanja (GAO-04-870, 2004) menggambarkannya sebagai alat yang menunjukkan siapa pembelinya, siapa pemasoknya, berapa yang dibelanjakan untuk apa, dan di mana daya beli dapat dimanfaatkan. Laporan itu menemukan perusahaan swasta memakainya sebagai fondasi pendekatan strategis terhadap pengadaan (GAO).
• Dalam laporan itu, tinjauan Health and Human Services atas hampir $4,9 miliar tindakan kontrak tahun fiskal 2002 mengidentifikasi 24 kategori layanan, senilai hampir $1,7 miliar, untuk kemungkinan konsolidasi (GAO-04-870).
• Secara terpisah, HHS memperkirakan perjanjian diskon untuk perlengkapan kantor, peralatan, dan periferal TI akan memangkas harga sebesar 7 hingga 54 persen, senilai sedikitnya $9,5 juta per tahun (GAO-04-870).
• Global Chief Procurement Officer Survey 2025 dari Deloitte (lebih dari 250 CPO di 40 negara) menemukan "Digital Masters" kuartil teratas menanamkan hingga 24% anggaran mereka pada teknologi, dan rata-rata meraih imbal hasil 3,2x dari AI generatif, dibandingkan proyeksi sedikit di atas 1,5x untuk para pengikut (Deloitte).
• Survei yang sama menemukan 64% CPO menyebut visibilitas rantai pasok yang lebih besar di antara tiga strategi mitigasi risiko teratas mereka (Deloitte).

Apa yang Dilakukan Analitik Belanja

Analitik belanja menjawab empat pertanyaan tentang uang yang sudah dibelanjakan. Apa yang kita beli? Dari siapa kita membelinya? Apakah kita membelinya dengan persyaratan yang telah kita negosiasikan? Dan dapatkah kita membelinya dengan lebih baik?

Analisis belanja tradisional menjawabnya dengan seorang konsultan, beberapa bulan, dan sebuah spreadsheet. Tim menarik data AP setahun, menormalkan nama pemasok secara manual, memetakan baris ke kategori, dan menghasilkan kubus sekali pakai. Ketika selesai, datanya sudah basi. Tinjauan GAO 2004 menunjukkan betapa lamanya gagasan ini ada. Ambisinya tidak berubah. Yang berubah adalah model kini dapat mengerjakan klasifikasi secara berkelanjutan.

AI membantu pada empat titik:

1. Pembersihan. Menggabungkan "Acme Corp," "ACME Corporation Ltd," dan "Acme Inc." menjadi satu catatan pemasok.
2. Klasifikasi. Menetapkan setiap baris faktur atau PO ke sebuah kategori dalam taksonomi, memakai deskripsi baris, pemasok, akun buku besar, dan jumlah secara bersamaan.
3. Deteksi. Menemukan pola yang menunjuk pada penghematan: perbedaan harga untuk barang yang sama, pembelian dari pemasok non-preferensi, belanja ekor (tail spend) yang tersebar di ratusan vendor.
4. Penjelasan. Memungkinkan analis bertanya dalam bahasa sehari-hari, "apa yang berubah pada belanja jasa pemasaran kuartal ini?" dan mendapat jawaban yang dapat ditelusuri ke barisnya.

Cara AI Mengklasifikasi Belanja

Kebanyakan belanja nyata itu kotor. Satu baris tertulis "Misc consulting Q3," transaksi kartu hanya mencantumkan nama pedagang, dan akun buku besarnya adalah akun serba guna. Mesin aturan dapat menangani "jika pemasoknya FedEx, maka angkutan." Ia tidak dapat menangani ekor panjang.

Pengklasifikasi biasanya menggabungkan beberapa sinyal:

• Teks. Deskripsi baris, teks PO, dan judul kontrak, yang dibaca baik oleh model bahasa, termasuk singkatan dan salah ketik.
• Pemasok. Apa yang sebagian besar dijual pemasok, dipelajari dari baris-barisnya yang lain.
• Konteks. Akun buku besar, pusat biaya, jumlah, dan pemberi persetujuan.
• Umpan balik. Koreksi analis sebelumnya, yang menjadi contoh pelatihan.

Keluarannya berupa kategori ditambah skor keyakinan. Baris berkeyakinan tinggi diklasifikasi otomatis. Baris berkeyakinan rendah atau bernilai tinggi diserahkan kepada seseorang. Itulah desain human-in-the-loop (manusia dalam proses) dalam bentuk paling sederhana, dan itu sebabnya akurasi membaik seiring waktu: setiap koreksi mengajari model.

Taksonomi lebih penting daripada model

Model hanya berguna sejauh kategori tempat ia memilah. Banyak perusahaan memakai taksonomi internal yang dibangun di sekitar buku besar mereka. Yang lain mengadopsi standar seperti UNSPSC, United Nations Standard Products and Services Code, hierarki yang berjalan dari segmen luas melalui famili dan kelas hingga komoditas individual. Taksonomi standar memudahkan perbandingan belanja antarunit bisnis, pembandingan dengan data luar, dan berbagi data dengan pemasok.

Dua aturan praktis. Pertama, pilih kedalaman yang benar-benar akan Anda pakai. Taksonomi tiga tingkat yang dipahami setiap analis mengalahkan taksonomi sepuluh tingkat yang tidak dipercaya siapa pun. Kedua, petakan taksonomi Anda ke bagan akun secara sengaja, agar keuangan dan pengadaan melihat total yang sama, hanya dipotong dengan cara berbeda.

Apa yang Ditemukan Analisis

Begitu belanja bersih dan terklasifikasi, pola penghematan menjadi terlihat. Tabel berikut menunjukkan seperti apa masing-masing dan apa yang harus dilakukan.

Lihat belanja di luar kontrak lebih dulu. Itu yang termurah untuk diperbaiki karena kontraknya sudah ada. Tidak ada yang perlu menggelar acara sourcing. Mereka hanya perlu menjadikan kontrak sebagai jalur yang mudah.

Contoh GAO adalah pengingat yang berguna tentang skala. Tinjauan konsolidasi HHS tidak menemukan satu pemasok ajaib. Tinjauan itu membagi belanja kontrak ke dalam kategori layanan dan pemasok, lalu mencari tempat ketika perjanjian yang lebih sedikit dan lebih besar masuk akal. Logika yang sama berlaku untuk perusahaan menengah: tujuannya bukan memeras setiap vendor, melainkan melihat di mana fragmentasi membuat Anda kehilangan daya tawar.

Contoh Nyata menurut Fungsi

Pengadaan. Bayangkan seorang manajer kategori jasa fasilitas yang melihat perusahaan memakai 14 pemasok kebersihan dan pemeliharaan berbeda di 22 lokasi. Klasifikasi AI mengonfirmasi bahwa semuanya menjual kategori yang sama. Manajer itu menggelar satu tender untuk wilayah tersebut dan mempertahankan pemasok cadangan lokal untuk dua lokasi terpencil.

Utang usaha (accounts payable). Seorang pimpinan AP menemukan bahwa badan hukum yang sama ada di bawah tiga ID vendor, masing-masing dengan syarat pembayaran yang sedikit berbeda. Menggabungkannya menghilangkan risiko pembayaran ganda dan memberi pengadaan total yang sebenarnya. Mekanisme pengambilan data dan pencocokan faktur dibahas dalam AI di utang usaha.

Biaya dan belanja kartu. Transaksi kartu karyawan, contoh klasik belanja ekor, diklasifikasi menurut pedagang dan deskripsi baris. Keuangan melihat bahwa langganan perangkat lunak yang dibeli dengan kartu tumpang tindih dengan alat perusahaan yang berlisensi. Manajemen biaya dengan AI membahas sisi kebijakan dan anomalinya.

FP&A. Seorang analis yang menyusun anggaran tahun depan memakai belanja terklasifikasi menurut kategori sebagai baseline (garis dasar), bukan total buku besar tahun lalu. Kategori yang tumbuh 30% mendapat pertanyaan sebelum mendapat kenaikan. Sisi perencanaannya ada di AI di FP&A.

Pimpinan keuangan. Seorang CFO menginginkan satu angka: berapa yang kita belanjakan pada 20 pemasok teratas, dan berapa porsinya yang berada di bawah kontrak? Jawaban itu dulu butuh satu proyek. Dengan klasifikasi yang bersih, itu hanya sebuah dashboard.

Cara Menerapkan Analitik Belanja dengan AI, Langkah demi Langkah

1. Tentukan pertanyaannya lebih dulu. "Kurangi belanja" terlalu kabur. Pilih target: temukan belanja di luar kontrak pada kategori tidak langsung, konsolidasikan pemasok di fasilitas, atau bangun baseline untuk anggaran tahun depan.
2. Tarik data dari tempatnya berada. Faktur AP, PO, umpan kartu, kontrak, dan data induk vendor. Sertakan sedikitnya 12 bulan agar musiman terlihat. Periksa kesiapan dengan kesiapan data keuangan untuk AI.
3. Bersihkan data induk pemasok. Gabungkan duplikat, standarkan nama, dan kaitkan induk bila ada. Langkah tunggal ini sering mengubah jumlah pemasok lebih banyak daripada model mana pun.
4. Pilih taksonomi. Pakai pohon kategori Anda sendiri atau standar seperti UNSPSC, dan petakan ke bagan akun.
5. Klasifikasi, lalu tinjau sampel. Biarkan model mengklasifikasi semuanya, lalu minta analis pengadaan memeriksa sampel acak ditambah setiap baris bernilai tinggi atau berkeyakinan rendah. Catat tingkat kesalahan per kategori, bukan hanya keseluruhan.
6. Jalankan tahap deteksi. Cari belanja di luar kontrak, varians harga, pemasok ganda, dan kebocoran kontrak. Urutkan menurut nilai yang dapat dipulihkan, bukan jumlah temuan.
7. Tetapkan pemilik. Setiap temuan mendapat seorang penanggung jawab di pengadaan atau keuangan dan sebuah tanggal. Temuan tanpa pemilik berubah menjadi dashboard yang tidak dibuka siapa pun.
8. Tutup lingkarannya. Masukkan kembali koreksi, dan jalankan ulang setiap bulan agar analisis tetap mutakhir, bukan menjadi kubus sekali pakai lainnya.

Jebakan yang Perlu Dihindari

Menganggap klasifikasi sudah beres. Model yang akurat secara keseluruhan masih bisa jauh lebih sering salah pada satu kategori khusus. Ukur akurasi di tempat uang berada.

Melewatkan data induk vendor. Jika "Acme" adalah lima catatan, model akan dengan setia menganalisis lima pemasok. Bersihkan lebih dulu.

Mengejar penghematan yang tidak bertahan saat bertemu bisnis. Konsolidasi pemasok yang menghemat 8% di atas kertas tetapi merusak tingkat layanan lokal adalah pertukaran yang buruk. Pengadaan dan pemilik anggaran harus sepakat sebelum apa pun berubah.

Mengabaikan nilai non-harga. Analitik belanja melihat faktur. Ia tidak melihat kualitas, waktu tunggu, atau hubungan. Pakai untuk memulai percakapan, bukan mengakhirinya.

Membiarkan model bahasa berhitung. Pakai model untuk mengklasifikasi dan menjelaskan. Total harus berasal dari sistem pencatatan atau sebuah kueri, sehingga setiap angka dapat ditelusuri ke barisnya. Prinsip yang sama berlaku pada risiko halusinasi AI di keuangan.

Mengabaikan tata kelola. Data belanja memuat harga pemasok dan kadang data pribadi dari biaya karyawan. Putuskan siapa boleh melihat apa sebelum Anda memuatnya.

Apa yang Perlu Diukur

• Cakupan klasifikasi: porsi belanja yang terklasifikasi di atas ambang keyakinan Anda, dan porsi yang membutuhkan tinjauan.
• Akurasi menurut kategori: tingkat kesalahan dari tinjauan sampel.
• Belanja yang dapat digarap: nilai dolar pada kategori yang telah Anda temukan peluang konsolidasi, kontrak, atau harganya.
• Kepatuhan kontrak: porsi belanja dalam suatu kategori yang mengalir ke pemasok preferensi.
• Penghematan yang terealisasi: apa yang benar-benar masuk ke P&L, disepakati dengan keuangan, dipisahkan dari penghematan yang diprakirakan.

Pisahkan penghematan terealisasi dan proyeksi dalam baris tersendiri. Mencampurnya adalah cara tercepat kehilangan kepercayaan tim keuangan.

Langkah Selanjutnya

Jika Anda hanya melakukan satu hal kuartal ini, pilih satu kategori tidak langsung seperti fasilitas, jasa pemasaran, atau perangkat lunak, bersihkan catatan pemasoknya, klasifikasi belanja dua belas bulan, dan cari pembelian di luar kontrak. Lalu baca agen pengadaan AI untuk melihat bagaimana temuan menjadi tindakan, dan manajemen pengadaan untuk disiplin yang lebih luas. Pakai AI di FP&A untuk membawa baseline terklasifikasi ke dalam perencanaan.