Fallstudie Bergbau: Von fragmentierten Daten zum KI-Katalog

Wie PIMvendors einem globalen Bergbaukonzern half, mehr als 500.000 Produktdatensätze aus 12 Regionen in einem einzigen, KI-angereicherten Katalog zusammenzuführen, der die Einkaufskosten gesenkt und die Wartung beschleunigt hat.

Die Ausgangslage

Ein globales Bergbau- und Rohstoffunternehmen ist in mehr als 12 Regionen tätig, und jede Region betreibt eigene Prozesse für Einkauf, Lagerhaltung und Instandhaltung. Über Jahrzehnte organischen Wachstums und mehrerer Übernahmen hatte jeder Standort seine eigene Art entwickelt, Produkte zu beschreiben: unterschiedliche Sprachen, unterschiedliche Klassifizierungslogik, unterschiedliche Vollständigkeit. Das Ergebnis war ein fragmentierter Katalog mit über 500.000 Produktdatensätzen, verteilt auf mehrere ERP-Instanzen, Beschaffungsplattformen und lokale Tabellen.

Niemand hatte eine einheitliche Version der Wahrheit. Dieselbe Hydraulikpumpe konnte unter fünf verschiedenen Beschreibungen in drei Sprachen auftauchen, unter zwei verschiedenen UNSPSC-Codes klassifiziert und ohne jede Verknüpfung untereinander. Für ein Unternehmen, das jährlich Milliarden für MRO-Material (Maintenance, Repair and Operations, also Wartung, Instandsetzung und Betrieb) ausgibt, war das ein Problem für Kostenkontrolle, Sicherheit und operative Leistung.

Instandhaltungsteams fanden die richtigen Teile nicht. Der Einkauf konnte doppelte Ausgaben nicht erkennen. Das strategische Sourcing konnte Lieferanten nicht bündeln. Und jedes regionale Team hatte gelernt, das Chaos zu umgehen, statt es zu beheben, weil frühere Bereinigungsversuche mit generischen KI-Tools und Massenumklassifizierungen gescheitert waren. Bergbauspezifische Teile wie Brecherauskleidungen, Förderbandsegmente oder spezielle Filtermedien kommen in Datenbanken für Konsumgüter nicht vor. Generische Anreicherungstools lieferten unbrauchbare Ergebnisse.

Das Unternehmen beauftragte PIMvendors, eine Lösung in drei Arbeitspaketen zu konzipieren und umzusetzen: ein einheitliches Produktdatenmodell aufbauen, die passende PIM/MDM-Plattform auswählen und einführen sowie KI-gestützte Bereinigungs- und Anreicherungstools einsetzen, die speziell für industrielle MRO-Daten entwickelt wurden.

Arbeitspaket 1: Entwurf des Produktdatenmodells

Die Aufgabe: Keine zwei Regionen beschrieben Produkte auf dieselbe Weise. Die Attributstrukturen unterschieden sich stark. Manche Standorte nutzten detaillierte technische Spezifikationen, andere verließen sich auf Freitextbeschreibungen, die Lagermitarbeiter eingegeben hatten. Es gab keine gemeinsame Taxonomie, keinen abgestimmten Attributsatz und kein Governance-Framework, das festlegte, wie „vollständige“ Produktdaten aussehen sollten.

Was wir getan haben: PIMvendors entwarf ein einheitliches Produktdatenmodell auf Basis der UNSPSC-Klassifizierung (United Nations Standard Products and Services Code), der am weitesten verbreiteten Taxonomie für indirektes Material und MRO. Wir haben die bestehenden regionalen Datenstrukturen auf dieses Modell abgebildet, um Lücken, Konflikte und Redundanzen zu erkennen. Das Modell definierte Pflicht- und optionale Attribute je Produktkategorie, standardisierte Maßeinheiten und legte Namenskonventionen fest, die sprachübergreifend funktionieren.

Entscheidend war: Das war keine theoretische Übung in Datenmodellierung. Wir haben mit Einkaufsverantwortlichen, Instandhaltungsingenieuren und Lagerleitern in vier Pilotregionen zusammengearbeitet, um das Modell anhand realer operativer Szenarien einem Stresstest zu unterziehen. Wenn ein Wartungstechniker auf der Suche nach einer Tragrolle für ein Förderband diese mit der Klassifizierung und den Attributen des neuen Modells nicht innerhalb von drei Klicks fand, musste das Modell überarbeitet werden.

Das Ergebnis: Ein einheitliches, an UNSPSC ausgerichtetes Produktdatenmodell, das 100 % der MRO-Kategorien des Unternehmens abdeckt. Jede Kategorie hat eine definierte Attributvorlage mit Validierungsregeln, sodass die Datenqualität schon bei der Erfassung durchgesetzt und nicht erst im Nachhinein bereinigt wird.

Arbeitspaket 2: Auswahl der PIM/MDM-Plattform

Die Aufgabe: Das Unternehmen hatte kein zentrales führendes System für Produktdaten. Die Stammdatenmodule im ERP dienten Transaktionszwecken, boten aber weder Workflows noch Governance oder Anreicherungsfunktionen. Data Stewards in jeder Region pflegten ihre eigenen „Golden Records“ in Excel. Jeder Zentralisierungsversuch erforderte eine Plattform, die Governance über mehrere Regionen, Mehrsprachigkeit sowie die spezifischen Datenmengen und die Komplexität industrieller MRO-Kataloge bewältigt.

Was wir getan haben: PIMvendors führte eine strukturierte Softwareauswahl durch, ausgehend von einer Longlist mit mehr als 15 PIM- und MDM-Plattformen bis hin zu einer Shortlist von 3 Anbietern auf Basis von Kriterien zur Eignung für den konkreten Zweck. Diese Kriterien gingen über übliche Funktionschecklisten hinaus. Wir haben die Plattformen danach bewertet, ob sie UNSPSC-basierte Hierarchien im großen Maßstab unterstützen, das Onboarding von Daten aus heterogenen ERP-Systemen bewältigen, sich mit den KI-Anreicherungstools aus Arbeitspaket 3 integrieren lassen und in die IT-Architektur und die Sicherheitsanforderungen des Unternehmens passen.

Wir haben mit jedem Anbieter der Shortlist Skript-Demos moderiert, und zwar mit den eigenen Daten des Kunden statt mit generischen Demodaten. In den Bewertungsgremien saßen Vertreter aus IT, Einkauf, Instandhaltung und Data Governance. PIMvendors lieferte eine unabhängige Bewertungsmatrix und Empfehlung, einschließlich Prognosen der Gesamtbetriebskosten (TCO) über einen Zeitraum von 5 Jahren.

Das Ergebnis: Eine ausgewählte PIM/MDM-Plattform und eine Implementierungs-Roadmap innerhalb von 10 Wochen. Die gewählte Plattform bewältigt die Größenordnung des Unternehmens (über 500.000 SKUs, mehr als 12 regionale Datenfeeds, 8 Sprachen) und bringt integrierte Workflows für Data Stewardship, Freigabeprozesse und das Onboarding von Lieferantendaten mit.

Arbeitspaket 3: KI-gestützte Bereinigung und Anreicherung

Die Aufgabe: Selbst mit einem einheitlichen Datenmodell und einer zentralen Plattform waren die vorhandenen Daten weiterhin chaotisch. Über 40 % der Datensätze bestanden aus Freitextbeschreibungen ohne strukturierte Attribute. Die Klassifizierungsgenauigkeit im gesamten Katalog wurde auf unter 60 % geschätzt. Dubletten waren weit verbreitet. Und generische KI-Tools, einschließlich großer Sprachmodelle, die auf Konsumgüterdaten feinjustiert waren, scheiterten bei industriellen MRO-Artikeln regelmäßig. Ihnen fehlte der fachliche Kontext, um eine Absperrklappe vom Typ 3 von einer vom Typ 5 zu unterscheiden oder eine Kugelmühlenauskleidung korrekt als bergbauspezifisch statt als allgemeines Metallteil einzuordnen.

Was wir getan haben: PIMvendors identifizierte, bewertete und implementierte spezialisierte KI-Tools, die eigens für die Anreicherung industrieller und MRO-Daten entwickelt wurden. Diese Tools sind mit Millionen industrieller Produktdatensätze und technischer Datenblätter trainiert. Dadurch verfügen sie über das Fachvokabular und die Klassifizierungsintelligenz, die allgemeiner KI fehlen.

Die KI-Pipeline arbeitete in drei Stufen. Erstens die automatisierte Klassifizierung: Jeder Datensatz wurde anhand seiner Beschreibung, vorhandener Attribute und kontextueller Signale dem richtigen UNSPSC-Code zugeordnet. Zweitens die Attributextraktion: Strukturierte Attribute (Material, Abmessungen, Betriebsspezifikationen, OEM-Teilenummern) wurden aus Freitextbeschreibungen ausgelesen und in das Datenmodell übernommen. Drittens die Dublettenerkennung: Probabilistische Matching-Algorithmen erkannten doppelte und nahezu doppelte Datensätze über Regionen hinweg und markierten sie zur Konsolidierung.

Jedes KI-generierte Ergebnis durchlief einen Validierungsschritt mit menschlicher Prüfung (Human in the Loop). Data Stewards prüften die KI-Vorschläge stapelweise und nahmen sie an, korrigierten oder verwarfen sie. Dieser Feedback-Kreislauf verbesserte die Modellgenauigkeit laufend und stellte zugleich sicher, dass das Unternehmen die volle Kontrolle über seine Stammdaten behielt.

Das Ergebnis: Der Anteil der Freitext-Datensätze sank von über 40 % auf unter 10 %. Die Klassifizierungsgenauigkeit stieg auf über 95 %. Dublettengruppen wurden erkannt und zusammengeführt, wodurch der aktive Katalog um geschätzte 15 bis 20 % schrumpfte. Das Onboarding neuer Produkte, das früher wochenlange manuelle Erfassung und Abgleiche erforderte, dauert heute nur noch Tage.

Die Gesamtwirkung

Die drei Arbeitspakete verstärkten sich gegenseitig. Das Datenmodell liefert die Struktur. Die PIM/MDM-Plattform liefert Governance und das operative Rückgrat. Die KI-Tools liefern Geschwindigkeit und Skalierung, um Hunderttausende Datensätze in einem Zeitraum zu transformieren, den manueller Aufwand nie erreichen könnte.

Alle mehr als 12 Regionen arbeiten heute mit einem einzigen, vertrauenswürdigen Produktkatalog. Der Einkauf erstellt erstmals verlässliche Ausgabenanalysen und kann damit Lieferanten bündeln und volumenbasiert verhandeln, was vorher unmöglich war. Instandhaltungsteams finden die richtigen Teile schneller und verringern so Anlagenstillstände. Und das Unternehmen verfügt über eine skalierbare Grundlage: Jedes neue Produkt, jeder neue Lieferant und jeder neue regionale Standort fließt in dasselbe Modell, dieselbe Plattform und dieselbe KI-gestützte Datenpipeline ein.

Für ein Unternehmen dieser Größe bedeutet schon eine Verbesserung der Einkaufseffizienz bei den MRO-Ausgaben um 1 bis 2 % jährliche Einsparungen in zweistelliger Millionenhöhe. Eine Single Source of Truth für Produktdaten ist die Voraussetzung, um diesen Wert zu heben.

Warum PIMvendors

Die meisten PIM-Beratungen beraten zu Software. PIMvendors hat auf allen drei Ebenen konzipiert und geliefert: Datenarchitektur, Technologieauswahl und KI-gestützte Datentransformation. Dieser integrierte Ansatz hat das Projekt erfolgreich gemacht, wo frühere isolierte Versuche gescheitert waren. Wer das Datenmodell korrigiert, ohne die Tools anzupassen, erhält eine schöne Taxonomie, die niemand befüllt. Wer KI ohne solides Datenmodell einsetzt, erhält schnelle, selbstbewusst falsche Ergebnisse. Wer eine Plattform auswählt, ohne die Daten und den Anreicherungs-Workflow zu verstehen, erhält ein teures System, das nicht passt.

PIMvendors brachte unabhängige, herstellerneutrale Expertise in allen drei Dimensionen ein und lieferte messbare Ergebnisse innerhalb von Monaten, nicht Jahren.