Recap: Datenbereinigung mit KI, Folksonomie und Data Dictionaries

Unternehmen, die sich auf KI vorbereiten, investieren in die richtigen Grundlagen. Sie wählen PIM- und MDM-Plattformen aus, definieren Governance-Strukturen, ernennen Data Stewards und richten Data Councils ein. Eine Ebene landet dabei jedoch immer wieder ganz hinten in der Schlange: die Qualität der Produktdaten selbst. Viele Organisationen arbeiten seit Jahren mit ihrem aktuellen Datenqualitätsniveau, deshalb sehen nur wenige darin ein Problem. Sobald KI ins Spiel kommt, wird dieser blinde Fleck teuer. „Garbage in, garbage out“ gilt mehr denn je, und „ziemlich gute“ Modellergebnisse bringen Prozesse im Enterprise-Maßstab trotzdem zum Stolpern.

In dieser Session spricht Stephan Spijkers mit Isak Marais, Gründer von AICA Data International, darüber, was es braucht, um Produkt- und MRO-Daten aufzubauen, denen man wirklich vertrauen kann, und wie Sie dorthin gelangen, mit einem Business Case in der Hand.

Sprecher

• Stephan Spijkers, Co-Founder, PIMvendors.com
• Isak Marais, Gründer, AICA Data International

Die wichtigsten Erkenntnisse

Vertrauen beginnt mit deterministischen Regeln

Generische Sprachmodelle können einen kleinen Datensatz überzeugend bereinigen, doch bei Enterprise-Volumen driften sie ab. Isak schildert mehrere Projekte, in denen Kunden es zunächst mit Standard-LLMs versuchten und dabei an Grenzen bei Zeit, Aufwand und Konsistenz stießen. AICAs Antwort ist ein Golden Record auf Basis deterministischer Regeln. Ein zentrales „Gehirn“, für jeden Kunden isoliert, arbeitet mit einem globalen „Gehirn“ zusammen, das über Jahre mit MRO-Daten trainiert wurde, und ein Produktdaten-Dictionary validiert jede KI-Entscheidung. Jeder Datensatz trägt seine Quelle, einen Confidence Score und die Belege für jede Änderung. Für Datenteams ist genau diese Nachvollziehbarkeit der Punkt, an dem KI-Ergebnisse zu Daten werden, auf deren Grundlage ein Unternehmen handeln kann.

KI ist ein Werkzeugkasten, ein Werkzeug pro Schritt

Stephan bringt einen Punkt auf den Tisch, den viele Käufer übersehen: KI besteht aus vielen Fähigkeiten, und jede passt zu einem anderen Schritt auf dem Weg der Daten. Klassifizierung und Anreicherung verlangen einen Ansatz, Datenbereinigung einen anderen und die Erfassung im Feld einen dritten. AICAs Portfolio spiegelt das wider. Atlas übernimmt Klassifizierung und Anreicherung. Smart Capture ist eine mobile App, die ein Teil anhand eines Fotos identifiziert und den Datensatz aktualisiert, sodass niemand mehr zu einem Lager am anderen Ende der Welt reisen muss. Die praktische Konsequenz: Ordnen Sie KI zuerst konkreten Prozessschritten zu, bevor Sie Werkzeuge auswählen.

Eine Veredelungsschicht für die Systeme, die Sie bereits nutzen

AICA ersetzt nichts im bestehenden Stack. Die Lösung arbeitet neben ERP, Enterprise Asset Management, PIM- und MDM-Systemen und sorgt dafür, dass die Daten, die dort hineinfließen, korrekt sind. Das zählt vor allem bei Migrationen. Projekte von SAP ECC zu HANA geraten wegen Datenvolumen und schlechter Datenqualität ins Stocken, und der Wechsel von einem PIM zum anderen birgt dasselbe Risiko. Isak beobachtet, dass Kunden zunehmend darauf bestehen, dass ihre EAM- und PIM-Anbieter spezialisierte Datenqualitätswerkzeuge integrieren. Als aktuelle Beispiele nennt er eine große Bergbaugruppe und eine europäische PIM-Migration.

Menschen und Prozesse tragen weiterhin die Hauptlast

Manche Datenprobleme beginnen, bevor irgendeine Software helfen kann. Isak beschreibt ein Projekt an mehr als 70 Standorten, an denen Lager unstrukturierte Bestände in Beuteln aufbewahrten und brauchbare Daten kaum existierten. In solchen Fällen stellt AICAs geprüftes Partnernetzwerk Leute vor Ort, die Prozesse und Datenerfassung einführen. Stephan ergänzt, dass KI die Rolle von Implementierungspartnern verändert, während Change Management und Prozessführung so wichtig bleiben wie eh und je.

Den ROI belegen, bevor das Projekt startet

Vor anderthalb Jahren wusste AICA zwar, dass schmutzige und nicht angereicherte Daten Geld kosten, konnte das aber nicht beziffern. Heute liefern Rechner für ROI und Economic Value Added, gestützt auf veröffentlichte Fallstudien, Zahlen zu zurückholbarem Jahresumsatz, Wertexposition und priorisierten Maßnahmen, noch bevor ein Pilot beginnt. Isak sieht darin einen klaren Vorteil gegenüber klassischen ERP-, EAM- und PIM-Projekten, bei denen der Wertnachweis erst später kommt und auf Annahmen beruht.

Sein Rat für alle, die gerade anfangen: Verstehen Sie zuerst Ihre Kostenstruktur und die Kosten Ihres Datenproblems. Von dort aus laufen Projekte in Wochen statt Monaten und beginnen mit Prototypen auf den eigenen Daten des Kunden. AICA bietet fünf Zusammenarbeitsmodelle an: Full Service, Self-Service, API-Zugang, White Label und Beschaffung über den AWS Marketplace.

Der Markt bewegt sich langsamer als die KI

Beide Sprecher sind sich einig, dass die Einführung der Technologie hinterherhinkt. Große Softwarehäuser und Konzerne bewegen sich im Tempo eines Öltankers, während neue KI-Releases alle paar Monate erscheinen. Stephan zieht eine Parallele zu PIM selbst: 25 Jahre nach dem E-Commerce-Boom ist die Tabellenkalkulation immer noch der größte Konkurrent von PIM. Bildung schließt diese Lücke, weshalb AICA die AICA Academy und ein vierteljährliches Benchmark-Center gestartet hat. Auch die Regulierung beschleunigt die Nachfrage. Die Anforderungen des Digitalen Produktpasses legen schwache Klassifizierungen offen, was Anfragen von PIM-Teams und DPP-Dienstleistern gleichermaßen auslöst.

Kernaussagen für Verantwortliche für Produktdaten

Behandeln Sie Datenqualität als eigene Ebene mit eigenem Budget, neben Systemen, Prozessen, Governance und Menschen. Verlangen Sie von jedem KI-Datenwerkzeug Nachvollziehbarkeit, also Quelle, Confidence Score und Belege für jeden Datensatz. Beziffern Sie die Kosten schlechter Daten, bevor Sie eine Lösung auswählen, denn diese Zahl bestimmt sowohl den Business Case als auch den Projektumfang.

👉 Finden Sie den passenden PIM- oder Produktdatenpartner für Ihre Organisation auf pimvendors.com