1. 课程导论：采购支出分析的重要性、品类分类在支出管理中的核心作用、课程目标与学习路径概览
1.1 为什么采购支出分析是数字化转型的起点
在供应链与财务管理的交叉地带，采购支出分析是第一个能直接量化“降本增效”的数据战场。企业每年 60%–80% 的营收会通过采购环节流出，而未经结构化分析的支出数据往往隐藏着大量浪费、重复采购和供应商风险。
支出分析的核心价值体现在三个层面：
- 可视化：将分散在 ERP、OA、发票系统中的支出数据统一清洗、归类，形成“钱花到了哪里”的全景视图。
- 可量化：通过支出占比、增长率、集中度等指标，识别高优先级品类与异常支出。
- 可预测：基于历史支出趋势与品类特征，构建支出预测模型，辅助预算编制与战略寻源。
关键数据：根据行业调研，实施系统化支出分析的企业平均可降低 8%–12% 的直接采购成本，并将供应商整合效率提升 30% 以上。
1.2 品类分类：支出管理的“骨架”与“语言”
品类分类（Category Classification）是将采购支出按照商品或服务的属性、用途、市场结构进行标准化归类的过程。没有统一的品类分类，支出分析将停留在“一堆发票号码”层面，无法支撑战略决策。
品类分类在支出管理中的核心作用：
| 作用维度 | 具体说明 | 业务影响 |
|---|---|---|
| 支出归因 | 将每笔支出映射到标准品类树（如 UNSPSC、自定义 3 级分类） | 快速定位 Top 支出品类与异常波动 |
| 供应商管理 | 按品类评估供应商绩效、集中度与替代风险 | 优化供应商库，减少长尾供应商 |
| 战略寻源 | 基于品类特征选择招标、竞价、直接谈判等策略 | 提升寻源效率与成本节约达成率 |
| 预算与预测 | 按品类建立支出基线，驱动滚动预测 | 提高预算准确率，减少超支风险 |
| 合规与风控 | 识别非合同支出、单一来源支出等高风险品类 | 降低采购合规风险与审计问题 |
实践建议：品类分类的粒度并非越细越好。对于年支出低于总支出 1% 的品类，建议合并到上级类别，避免过度分类导致分析噪音。
1.3 品类分类算法的选型困境与课程目标
传统品类分类依赖人工规则或简单的关键词匹配，但在面对海量非标描述、多语言数据、新品类涌现时，规则方法很快达到瓶颈。机器学习算法为自动化品类分类提供了新路径，但算法选型本身就是一个复杂的决策问题。
本课程的核心目标：
- 理解支出分析的数据基础：掌握支出数据清洗、特征工程与标签体系构建方法。
- 掌握主流品类分类算法：从传统机器学习（逻辑回归、随机森林、XGBoost）到深度学习（TextCNN、LSTM、BERT）的适用场景与调优要点。
- 建立算法选型评估框架：从准确率、召回率、训练成本、可解释性、冷启动能力等维度进行对比。
- 完成端到端模型优化：包括样本不平衡处理、超参数搜索、模型集成与部署落地。
下图展示了品类分类算法选型的整体决策流程：
1.4 学习路径概览
本课程共分为 6 个模块，30 个章节，从基础到进阶逐步深入：
| 模块 | 章节范围 | 核心内容 |
|---|---|---|
| 模块一：基础与数据准备 | 第 1–5 章 | 支出分析基础、数据清洗、特征工程、标签体系构建 |
| 模块二：传统机器学习算法 | 第 6–11 章 | 逻辑回归、朴素贝叶斯、SVM、随机森林、XGBoost、LightGBM |
| 模块三：深度学习与表示学习 | 第 12–17 章 | Word2Vec、TextCNN、LSTM、Attention、BERT、Prompt-tuning |
| 模块四：算法选型与评估 | 第 18–22 章 | 评估指标体系、交叉验证、AB测试、选型决策矩阵 |
| 模块五：模型优化与落地 | 第 23–27 章 | 样本不平衡处理、超参数搜索、模型集成、部署与监控 |
| 模块六：案例与前沿 | 第 28–30 章 | 行业案例实战、多语言分类、大模型应用展望 |
学习建议：如果你刚接触采购数据分析，建议从模块一开始按顺序学习；如果你已有算法基础，可以直接从模块二或模块四切入，但务必先完成第 5 章的标签体系构建实践。