Où part vraiment mon budget achats ? Cartographier la dépense en 2026 - Decision-achats.fr

Accueil / #Stratégie achats / #Conseils Le paradoxe de la dépense achats : visible et invisible à la fois Demandez à un directeur achats combien son entreprise dépense chaque année avec ses fournisseurs. Il vous répondra sans hésiter. Demandez-lui maintenant où exactement part cet argent, chez quels fournisseurs par catégorie, et avec quel taux de couverture contractuelle  : la réponse devient soudain beaucoup plus floue. C’est le paradoxe de la dépense achats – son montant total est connu, sa composition réelle reste largement opaque. Plusieurs causes structurent cette opacité. La multiplicité des sources d’abord : les transactions sont éclatées entre l’ERP comptable, l’outil de bons de commande, les cartes corporate, les abonnements SaaS prélevés sur cartes bancaires, les notes de frais. La qualité des libellés ensuite : un même fournisseur apparaît sous trois orthographes différentes, un même article sous cinq codes analytiques. La dispersion organisationnelle enfin : les filiales internationales, les unités opérationnelles décentralisées et les business units ont chacune leurs propres outils. Le coût de cette opacité est multiple. Sans cartographie , impossible d’identifier les hors-contrats – qui représentent en moyenne 20 à 30 % des dépenses indirectes selon les analyses sectorielles. Sans cartographie, impossible de massifier les volumes pour négocier des remises. Sans cartographie, impossible de mesurer le respect des engagements négociés à la signature des contrats-cadres. Et sans cartographie, impossible de produire le reporting CSRD sur les émissions du Scope 3 à partir des dépenses. Pourquoi le spend analytics devient incontournable en 2026 Trois forces convergentes propulsent le spend analytics au rang de discipline structurante. La première est technologique . Les algorithmes de machine learning de nouvelle génération ont transformé la productivité de la catégorisation. Les plateformes leaders comme Sievo ou les modules natifs des suites S2P revendiquent désormais des taux de catégorisation automatique supérieurs à 95 % sans règles manuelles, contre des taux nettement inférieurs il y a encore trois ans. Selon le Hackett Group ( 2025 Digital World Class® Procurement research , juillet 2025), les organisations Digital World Class® délivrent 2,6 fois plus de ROI que leurs pairs tout en opérant avec 31 % de FTE en moins et un coût rapporté à la dépense inférieur de 19 % – un écart de performance largement porté par l’automatisation de l’analyse de la dépense. Lire aussi : Top 5 des outils de spend analytics La deuxième est économique . Les analyses sectorielles convergent sur un impact économique direct : les organisations outillées en spend analytics capturent typiquement 3 à 5 % d’économies additionnelles par rapport aux non outillées, par la détection des hors-contrats, l’identification des opportunités de massification et le pilotage des gains négociés. Sur une dépense indirecte de 100 millions d’euros, l’impact dépasse largement le coût d’investissement. La troisième est réglementaire . La CSRD impose désormais aux grandes entreprises de produire un reporting détaillé sur les émissions du Scope 3, dont l’essentiel – pour les entreprises industrielles et de services – provient de la chaîne d’approvisionnement amont. Sans spend analytics consolidé, calculer ces émissions à partir de la dépense fournisseur par catégorie devient ingérable. La même logique vaut pour le devoir de vigilance  : sans visibilité fine sur le panel, la cartographie des risques ESG reste lacunaire. Le spend analytics, socle de pilotage des achats Le spend analytics désigne l’ensemble des processus et outils qui permettent à une organisation de collecter, normaliser, catégoriser, analyser et visualiser ses dépenses externes – fournisseurs, sous-traitants, prestataires. Le périmètre couvre toutes les sources de transactions, indépendamment de l’outil amont : factures fournisseurs, bons de commande, cartes corporate, abonnements, notes de frais. Cinq étapes structurent une démarche aboutie. La collecte agrège les données de toutes les sources transactionnelles. La normalisation unifie les formats, les devises et les libellés. La catégorisation classe chaque transaction selon une taxonomie cohérente (référentiel interne, UNSPSC, eClass, taxonomie sectorielle). L’ enrichissement complète la donnée avec des informations externes (identifiants SIREN, scoring fournisseur, données ESG). Enfin, la visualisation rend l’information actionnable par les acheteurs, le contrôle de gestion et la direction générale. Les bénéfices documentés sont triples. Identification des leviers d’économies  : maverick buys , opportunités de massification, fournisseurs sous-utilisés. Pilotage de la performance  : suivi des savings réalisés vs négociés, taux de couverture contractuelle, respect des conditions négociées. Conformité et reporting  : alimentation du reporting CSRD, calcul des émissions Scope 3, traçabilité ESG du panel. Par où commencer : la trajectoire en quatre temps Premier temps – consolider les sources . Identifier toutes les sources de transactions externes : ERP comptable (factures payées), outil de commande (engagements), cartes corporate (achats hors BC), abonnements SaaS, notes de frais. Établir un inventaire des sources, leur volume et leur fréquence d’extraction. Cette photographie initiale détermine le périmètre de la première vague. Lire aussi : Mettre en place une démarche de spend analytics : la méthode Deuxième temps – choisir une taxonomie . La taxonomie est la colonne vertébrale de la cartographie. Trois options coexistent : adopter un référentiel standard ( UNSPSC , eClass), adapter une taxonomie sectorielle (CPV pour le secteur public, NACE pour la statistique européenne), ou construire une taxonomie maison à partir des catégories métier existantes. Le choix dépend du benchmarking visé : un référentiel standard facilite la comparaison externe ; une taxonomie maison épouse mieux les spécificités internes. Troisième temps – classer la dépense sur cette taxonomie. C’est l’étape qui mobilise le plus la technologie. Les modèles ML modernes – entraînés sur des millions de transactions multi-clients – classent automatiquement la majorité du volume avec une précision élevée. Le reste fait l’objet d’une validation humaine, qui enrichit en retour le modèle. Cette boucle d’apprentissage continu améliore la précision dans le temps. Quatrième temps – animer la donnée dans la durée . Un spend analytics qui produit un beau dashboard mais reste consulté par trois personnes n’a pas de valeur. La discipline d’animation – revues de catégorie trimestrielles, comité savings mensuel, tableau de bord direction achats – transforme la donnée en décision. La BI conversationnelle – désormais embarquée dans la majorité des plateformes (Sievo Self Service, Coupa Navi Analytics Agent, Suplari Assistant, Power BI Copilot, Tableau Pulse) – accélère l’adoption par les utilisateurs métier non spécialistes : demander en langage naturel « quel est notre spend total chez le fournisseur X ce trimestre ? » sans formation préalable démultiplie mécaniquement le nombre d’utilisateurs actifs. Au-delà de l’outil, deux conditions de fond conditionnent la réussite. La qualité du référentiel fournisseur d’abord : un même fournisseur saisi sous trois orthographes dans l’ERP produit trois entrées analytiques distinctes, et fausse mécaniquement la cartographie. La gouvernance de la donnée ensuite : qui est propriétaire de la taxonomie, qui valide les changements, comment sont traitées les exceptions. Sans cette gouvernance, le spend analytics dérive en quelques mois et perd sa fiabilité – exactement comme un ERP dont les référentiels ne sont pas tenus. Ce contenu est publié par Mentioned