Covalo: Ein branchenweites PIM als KI-Datenbasis für die Kosmetikbranche

Die Diskussion über KI in produktintensiven Branchen ist über die Frage hinaus, welches Modell man einsetzen sollte. Heute lautet die Frage, ob die zugrunde liegenden Daten strukturiert, angereichert und interoperabel genug sind, damit KI zuverlässig damit arbeiten kann. In der Kosmetik-, Körperpflege- und Chemie-Rohstoffbranche lautet die Antwort für die meisten Unternehmen noch immer: nein. In diesem Webinar von PIMvendors.com spricht Stephan Spijkers mit Yann Chilvers, Mitgründer von Covalo, darüber, wie echte Datenreife auf Branchenebene aussieht und warum es dafür ein gemeinsames Rückgrat braucht statt eines besseren internen Systems.

Covalo begann als Suchmaschine für kosmetische Inhaltsstoffe. In sieben Jahren hat sich das Unternehmen zur Dateninfrastruktur der Körperpflegebranche entwickelt und verbindet mehr als 6.000 Marken, 1.500 Rohstoffhersteller und 35.000 Nutzer in 145 Ländern. Der Weg vom Suchwerkzeug zum branchenweiten PIM war nicht geplant. Er wurde von einem einzigen, hartnäckigen Kundenproblem getrieben: fragmentierte, inkompatible und chronisch veraltete Produktdaten, die Innovation blockierten, Produkteinführungen verlangsamten und KI-Anwendungen unzuverlässig machten, bevor sie überhaupt gestartet waren.

Sprecher:

Stephan Spijkers, Mitgründer von PIMvendors.com

Yann Chilvers, Mitgründer von Covalo

Das vollständige Webinar ansehen:

Die wichtigsten Erkenntnisse:

Daten intern zu haben ist etwas anderes als Daten, die durch eine ganze Branche fließen. Große Kosmetik- und Körperpflegeunternehmen verfügen in der Regel über umfangreiche interne Datenbestände. Viele haben erheblich in ERP-, PLM- und interne PIM-Systeme investiert. Trotzdem sammeln selbst die größten Marken der Branche die Daten zu Inhaltsstoffen für jedes neue Rezepturprojekt noch per E-Mail bei ihren Lieferanten ein. Jede Marke schickt unabhängig voneinander dieselben Anfragen an dieselben Lieferanten. Das erzeugt massive Doppelarbeit und hält die Daten dauerhaft asynchron. Das Problem ist nicht die Menge. Es ist die Interoperabilität. Wenn Daten nicht zuverlässig und in einem standardisierten Format zwischen Organisationen fließen können, fängt jedes Unternehmen bei jedem Projekt faktisch bei null an, ganz gleich, wie gut seine internen Systeme organisiert sind.

KI-Reife erfordert eine Datenanreicherung, die kein Unternehmen allein leisten kann. Saubere interne Daten sind eine notwendige Voraussetzung für zuverlässige KI, aber keine hinreichende. Nützliche KI-Agenten im Kosmetik- und Körperpflegebereich brauchen Inhaltsstoffdaten, die mit regulatorischem Kontext, toxikologischen Bewertungen, Nachhaltigkeitsklassifizierungen und Marktinformationen angereichert sind. Kein einzelnes Unternehmen verfügt über all das. Und KI-Modelle, die mit oberflächlichen, kommerziell ausgerichteten Daten trainiert oder gefüttert werden, liefern Ergebnisse, die Yann ohne Umschweife als „Trash out“ bezeichnet. Die in der Session zitierte BCG-Studie sieht die Chemie- und Körperpflegebranche am unteren Ende der Rangliste zur KI-Reife, mit einem starken Zusammenhang zwischen dieser Platzierung und dem Zustand der gemeinsamen Dateninfrastruktur. Daraus folgt: Die Leistung von KI wird in dieser Branche nicht durch die Fähigkeiten der Modelle begrenzt, sondern durch die Datenebene darunter.

Data Governance ist Chefsache geworden, getrieben ebenso von Kosten wie von Qualität. Unternehmen im gesamten PIM-Ökosystem sprechen inzwischen über Data Lineage, Versionskontrolle und strukturierte Datenbereinigung, und das in Runden, in denen diese Begriffe vor 18 Monaten kaum vorkamen. Der Auslöser ist nicht philosophischer Natur. Unternehmen, die große Modelle über schlecht verwaltete, mit Versionen überladene Datenbestände laufen ließen, hatten ihr KI-Budget für das ganze Jahr in den ersten Monaten von 2026 aufgebraucht, ohne nennenswerte Ergebnisse vorweisen zu können. Ein fortgeschrittenes Modell über eine Datei namens „PIM vendor workshop webinar version 5.6“ laufen zu lassen, die nie wieder jemand aufrufen wird, ist teuer, belastet die Umwelt und erzeugt keinen Wert. Die Disziplin, zu wissen, welche Daten es gibt, welche aktuell sind und welche ausgemustert werden sollten, ist kein IT-Thema mehr. Sie ist ein Kostenfaktor, der an den CFO berichtet.

Vertikale KI-Lösungen auf Basis tiefer Domänendaten schlagen horizontale Allzweck-Alternativen durchgängig. Covalo lässt sich mehr als 20-mal schneller einführen als eine klassische PIM-Implementierung. Der Grund ist nicht überlegene Technik. Es ist Fokus. Eine vertikal spezialisierte Lösung muss nicht jedes denkbare Datenmodell oder jede Branchenkonfiguration abdecken. Sie kennt die Ontologie, das regulatorische Umfeld, die Lieferantenbeziehungen und die Rezepturabläufe ihrer Domäne. Diese Spezialisierung bedeutet auch, dass jeder neue Kunde das Netzwerk stärkt, statt nur ein weiteres Konto hinzuzufügen. Allzweckplattformen optimieren auf Modularität und Breite. Vertikale Plattformen optimieren auf Tiefe, Geschwindigkeit und Netzwerkeffekte, die die Daten jedes Teilnehmers wertvoller machen, als sie isoliert wären. Speziell bei KI übertreffen schmale Modelle, die mit hochwertigen Domänendaten trainiert wurden, große Allzweckmodelle bei domänenspezifischen Aufgaben mit einem konstanten und wachsenden Vorsprung.

Time-to-Market ist in der Körperpflege eine existenzielle Größe, und die Dateninfrastruktur bestimmt sie. Ein Körperpflegeprodukt vom Konzept ins Regal zu bringen, dauert derzeit zwischen einem und fünf Jahren. Mehr als die Hälfte der Produkteinführungen scheitert. Die Hauptursachen sind immer dieselben: Man passt sich nicht schnell genug an neue Regulierung an, reagiert nicht auf veränderte Verbrauchernachfrage oder schwenkt nicht um, wenn Lieferketten gestört sind. Durch kommende EU-Regulierung, darunter der Green Deal und eine Reihe von Compliance-Rahmenwerken für Chemikalien, müssen schätzungsweise 80 % der bestehenden Produkte vor 2030 neu formuliert werden. Unternehmen ohne die Dateninfrastruktur, um betroffene Rezepturen zu identifizieren, alternative Inhaltsstoffe zu qualifizieren und regulatorische Prüfungen schnell durchzuführen, werden diesen Zeitplan nicht einhalten. Organisationen, die 2024 und 2025 mit dem Aufbau dieser Infrastruktur begonnen haben, verfügen über einen sich selbst verstärkenden Vorsprung. Wer wartet, bis die Frist in Sichtweite ist, wird keine Zeit mehr haben, die Lücke zu schließen.

Netzwerkeffekte in Datenplattformen verstärken sich, wenn die Ebene geteilt statt abgeschottet ist. Auf dem Marktplatz von Covalo sind Einträge und Nutzung kostenlos. Das ist eine bewusste strukturelle Entscheidung und keine Wachstumstaktik. Lieferanten, die Daten zu ihren Inhaltsstoffen teilen, erhalten mehr qualifizierte Anfragen von Marken. Dieses kommerzielle Signal motiviert sie, reichhaltigere und genauere Daten beizusteuern. Reichhaltigere Daten ziehen mehr Marken und Formulierer an. Mehr Traffic und Analysen fließen an die Lieferanten zurück, und der Kreislauf verstärkt sich. Die geschlossene, proprietäre Alternative erzeugt die gegenteilige Dynamik: Jedes Unternehmen pflegt seine eigene Version gemeinsamer Daten, jede Aktualisierung erfordert bilaterale Kommunikation, und die Gesamtkosten dieser Doppelarbeit trägt jeder Teilnehmer der Branche unsichtbar mit. Das Wachstum von Covalo um das Dreifache in den vergangenen zwei Jahren ist darauf zurückzuführen, dass der Netzwerkeffekt eine sich selbst tragende Schwelle erreicht hat, nicht auf einen Marketingschub.

Der Wandel vom Suchwerkzeug zum Daten-Rückgrat der Branche wurde vom Leidensdruck der Kunden getrieben, nicht von einer Produktvision. Covalo ist nicht mit dem Plan gestartet, eine branchenweite PIM-Ebene zu werden. Kunden nannten die Fragmentierung der Daten als größtes Hindernis für jede andere Initiative, darunter KI-Piloten, Nachhaltigkeitsbewertungen und Projekte für widerstandsfähigere Lieferketten. Eine fördermittelfinanzierte Empfehlungs-Engine für nachhaltige alternative Inhaltsstoffe scheiterte nicht an unzureichender Technologie, sondern daran, dass es die standardisierten, tiefen Daten nicht gab, die für zuverlässige Bewertungen nötig sind. Die Produkt-Roadmap folgte dem Problem. Diese Reihenfolge ist für jede Organisation wichtig, die vertikale Dateninfrastruktur bewertet: Das Signal, dass eine gemeinsame Datenebene nötig ist, kommt nicht aus einem Verkaufsgespräch eines Anbieters. Es ist der Moment, in dem jede interne Initiative an derselben Stelle stecken bleibt.

Die Architekturfrage lautet nicht mehr intern oder extern. Sie lautet, ob sich Ihre Daten überhaupt bewegen können. Stephan schließt die Session mit einer Einordnung, die über die Körperpflege hinaus gilt. Organisationen, die heute KI-Strategien entwickeln, arbeiten gleichzeitig auf mehreren Ebenen: den Produktdaten selbst, den Beziehungen und dem Kontext rund um diese Daten, den APIs und MCP-Verbindungen, die sie für Agenten zugänglich machen, und der IT-Architektur, die darüber entscheidet, ob all das im großen Maßstab tragfähig ist. Die meisten Unternehmen arbeiten noch auf der ersten Ebene, verbessern Beschreibungen und füllen Attribute. Strukturell im Vorteil sein werden in drei bis fünf Jahren die Organisationen, die jetzt in die Ebenen investieren, die bestimmen, ob ihre Daten die Agenten, Systeme und Partner erreichen, die sie brauchen werden.

👉 Sie fragen sich, ob Ihre Produktdatenarchitektur für das bereit ist, was als Nächstes kommt? Vergleichen Sie PIM-Lösungen und buchen Sie ein Gespräch mit unserem Team auf pimvendors.com