Van gefragmenteerde mijnbouwgegevens tot een AI-verrijkte wereldwijde productcatalogus

Hoe PIMvendors een wereldwijde mijnbouwgroep hielpen meer dan 500.000 productrecords in 12 regio’s te consolideren in één enkele, met AI verrijkte catalogus die de inkoopkosten verlaagde en de onderhoudsdoorlooptijd versnelde.

De situatie

Een wereldwijde mijnbouw- en grondstoffenorganisatie is actief in meer dan twaalf regio's, elk met zijn eigen inkoop-, opslag- en onderhoudsprocessen. Gedurende tientallen jaren van organische groei en acquisitie had elke site zijn eigen manier ontwikkeld om producten te beschrijven: verschillende talen, verschillende classificatielogica, verschillende niveaus van volledigheid. Het resultaat was een gefragmenteerde catalogus van meer dan 500.000 productrecords, verspreid over meerdere ERP-instances, inkoopplatforms en lokale spreadsheets.

Niemand had één versie van de waarheid. Dezelfde hydraulische pomp kan voorkomen onder vijf verschillende beschrijvingen in drie verschillende talen, geclassificeerd onder twee verschillende UNSPSC-codes, zonder enige koppeling daartussen. Voor een organisatie die jaarlijks miljarden uitgeeft aan MRO-materialen (onderhoud, reparatie en operaties) was dit een probleem op het gebied van kostenbeheersing, veiligheid en operationele prestaties.Onderhoudspersoneel kon de juiste onderdelen niet vinden. Inkoop kon geen dubbele uitgaven identificeren. Strategische inkoop kon leveranciers niet consolideren. En elk regionaal team had geleerd de puinhoop te omzeilen in plaats van deze op te lossen, omdat eerdere opruimpogingen met behulp van generieke AI-tools en bulkherclassificatie waren mislukt. Mijnbouwspecifieke onderdelen, denk aan brekervoeringen, transportbandsegmenten en gespecialiseerde filtratiemedia, verschijnen niet in databases met consumentenproducten. Generieke verrijkingstools produceerden afval.

De organisatie schakelde PIM-leveranciers in om een ​​oplossing voor drie werkstromen te ontwerpen en te leveren: het bouwen van een uniform productdatamodel, het selecteren en implementeren van het juiste PIM/MDM-platform, en het inzetten van AI-gestuurde opschonings- en verrijkingstools die speciaal zijn gebouwd voor industriële MRO-gegevens.

Werkstroom 1: Ontwerp van productgegevensmodellen

Het probleem dat moet worden opgelost: Geen twee regio's beschrijven producten op dezelfde manier. Attribuutstructuren varieerden enorm. Sommige sites gebruikten gedetailleerde technische specificaties; anderen vertrouwden op beschrijvingen in vrije tekst die door magazijnbeheerders waren ingevoerd. Er was geen gedeelde taxonomie, geen overeengekomen attributenset en geen bestuurskader dat definieerde hoe ‘volledige’ productgegevens eruit zouden moeten zien.Wat we deden: PIM-leveranciers ontwierpen een uniform productgegevensmodel gebaseerd op de UNSPSC-classificatie (United Nations Standard Products and Services Code), de meest algemeen aanvaarde taxonomie voor indirecte materialen en MRO. We hebben bestaande regionale datastructuren aan de hand van dit model in kaart gebracht om lacunes, conflicten en overtolligheden te identificeren. Het model definieerde verplichte en optionele attributen per productcategorie, gestandaardiseerde maateenheden en gevestigde naamgevingsconventies die in verschillende talen werken.

Cruciaal was dat dit geen theoretische gegevensmodelleringsoefening was. We werkten samen met inkoopleiders, onderhoudsingenieurs en magazijnmanagers in vier pilotregio's om het model te testen aan echte operationele scenario's. Als een onderhoudstechnicus die op zoek was naar een transportrol deze niet binnen drie klikken kon vinden met behulp van de classificatie en kenmerken van het nieuwe model, moest het model worden herzien.

Het resultaat: Eén enkel, op de UNSPSC afgestemd productdatamodel dat 100% van de MRO-categorieën van de organisatie bestrijkt. Elke categorie heeft een gedefinieerd attribuutsjabloon met validatieregels, zodat de gegevenskwaliteit wordt afgedwongen op het punt van binnenkomst in plaats van achteraf te worden opgeschoond.

Werkstroom 2: PIM/MDM-platformselectieHet probleem dat moet worden opgelost: De organisatie had geen centraal registratiesysteem voor productgegevens. ERP-masterdatamodules werden gebruikt voor transactionele doeleinden, maar boden geen mogelijkheden voor workflow, governance of verrijking. Datastewards in elke regio hielden hun eigen 'gouden records' bij in Excel. Elke poging tot centralisatie vereiste een platform dat multiregionaal bestuur, meertalige ondersteuning en de specifieke datavolumes en complexiteit van industriële MRO-catalogi aankon.

Wat we deden: PIM-leveranciers voerden een gestructureerd leveranciersselectieproces uit, beginnend met een lange lijst van meer dan 15 PIM- en MDM-platforms en beperkend tot een shortlist van 3 op basis van geschikte criteria. Deze criteria gingen verder dan standaard checklists voor functies. We hebben platforms geëvalueerd op hun vermogen om op UNSPSC gebaseerde hiërarchieën op schaal te ondersteunen, de onboarding van gegevens uit meerdere bronnen vanuit heterogene ERP's te verwerken, te integreren met de AI-verrijkingstools die we voor Workstream 3 hadden gepland, en te opereren binnen de IT-architectuur en beveiligingsvereisten van de organisatie.

We hebben bij elke leverancier op de shortlist scriptdemo's gefaciliteerd met behulp van de eigen gegevens van de klant, en niet van generieke demodatasets. In de evaluatiepanels zaten belanghebbenden op het gebied van IT, inkoop, onderhoud en databeheer. PIM-leveranciers leverden een onafhankelijke scorematrix en aanbeveling, met projecties van de totale eigendomskosten over een horizon van vijf jaar.Het resultaat: Binnen 10 weken een PIM/MDM-platform geselecteerd en een implementatieroadmap opgeleverd. Het gekozen platform ondersteunt de schaal van de organisatie (500.000+ SKU's, 12+ regionale datafeeds, 8 talen) met ingebouwde workflow voor databeheer, goedkeuringsroutering en onboarding van leveranciersgegevens.

Werkstroom 3: AI-gestuurde reiniging en verrijking

Het probleem dat moet worden opgelost: Zelfs met een uniform datamodel en een centraal platform waren de bestaande gegevens nog steeds een puinhoop. Ruim 40% van de records bestond uit beschrijvingen in vrije tekst zonder gestructureerde attributen. De nauwkeurigheid van de classificatie in de hele catalogus werd geschat op minder dan 60%. Duplicaten waren wijdverbreid. En generieke AI-tools, waaronder grote taalmodellen die zijn afgestemd op gegevens over consumentenproducten, faalden consequent op industriële MRO-items omdat ze de domeincontext ontbeerden om onderscheid te maken tussen een Type 3 vlinderklep en een Type 5, of om een ​​kogelmolenvoering correct te classificeren als mijnbouwspecifiek in plaats van generiek metaalwerk.

Wat we deden: PIM-leveranciers identificeerden, evalueerden en implementeerden niche-AI-tools die specifiek waren ontworpen voor industriële en MRO-gegevensverrijking. Deze tools zijn getraind op basis van miljoenen industriële productrecords en technische gegevensbladen, waardoor ze de domeinvocabulaire en classificatie-intelligentie krijgen die AI voor algemene doeleinden mist.De AI-pijplijn werkte in drie fasen. Ten eerste de geautomatiseerde classificatie: elk record werd toegewezen aan de juiste UNSPSC-code op basis van de beschrijving, bestaande attributen en contextuele signalen. Ten tweede, attribuutextractie: gestructureerde attributen (materiaal, afmetingen, bedrijfsspecificaties, OEM-onderdeelnummers) werden ontleed uit vrije tekstbeschrijvingen en in het datamodel ingevuld. Ten derde, duplicaatdetectie: probabilistische matchingalgoritmen identificeerden dubbele en bijna dubbele records in verschillende regio's en markeerden deze voor consolidatie.

Elke door AI gegenereerde output heeft een human-in-the-loop-validatiestap doorlopen. Datastewards beoordeelden AI-suggesties batchgewijs en accepteerden, corrigeerden of verwierpen deze. Deze feedbackloop verbeterde de nauwkeurigheid van het model voortdurend en zorgde er tegelijkertijd voor dat de organisatie de volledige controle over de masterdata behield.

Het resultaat: Vrije-tekstrecords daalden van ruim 40% naar minder dan 10%. De nauwkeurigheid van de classificatie steeg tot boven de 95%. Dubbele clusters werden geïdentificeerd en geconsolideerd, waardoor de actieve catalogus met naar schatting 15-20% werd verminderd. Het onboarden van nieuwe producten, wat voorheen weken van handmatige invoer en kruisverwijzingen kostte, duurt nu dagen.

De gecombineerde impact

De drie werkstromen leverden toegevoegde waarde op. Het datamodel zorgt voor de structuur. Het PIM/MDM-platform biedt de governance en operationele ruggengraat. De AI-tooling biedt de snelheid en schaal om honderdduizenden records te transformeren in een tijdsbestek dat handmatige inspanningen nooit zouden kunnen evenaren.Alle 12+ regio's werken nu vanuit één vertrouwde productcatalogus. Inkoop voert voor het eerst een betrouwbare uitgavenanalyse uit, waardoor consolidatie van leveranciers en volumegebaseerde onderhandelingen mogelijk worden die voorheen onmogelijk waren. Onderhoudsteams vinden sneller de juiste onderdelen, waardoor de uitvaltijd van apparatuur wordt verminderd. En de organisatie heeft een schaalbare basis: elk nieuw product, elke nieuwe leverancier en elke nieuwe regionale operatie wordt gevoed met hetzelfde model, hetzelfde platform en dezelfde AI-verbeterde datapijplijn.

Voor een organisatie van deze omvang vertegenwoordigt zelfs een verbetering van 1-2% in de inkoopefficiëntie van MRO-uitgaven tientallen miljoenen aan jaarlijkse besparingen. Eén enkele bron van waarheid voor productgegevens is een voorwaarde voor het vastleggen van die waarde.

Waarom PIM-leveranciers

De meeste PIM-adviesbureaus adviseren over software. PIM-leveranciers hebben alle drie de lagen ontworpen en geleverd: de data-architectuur, de technologieselectie en de door AI aangedreven datatransformatie. Die geïntegreerde aanpak heeft deze betrokkenheid tot een succes gemaakt, waar eerdere geïsoleerde inspanningen hadden gefaald. Het repareren van het datamodel zonder de tooling te repareren levert een prachtige taxonomie op die niemand vult. Het inzetten van AI zonder een gedegen datamodel levert snelle, zelfverzekerde verkeerde output op. Als je een platform selecteert zonder de gegevens en de verrijkingsworkflow te begrijpen, ontstaat een duur systeem dat niet past.

PIM-leveranciers brachten onafhankelijke, leveranciersneutrale expertise op alle drie de dimensies met zich mee en leverden meetbare resultaten binnen maanden, niet jaren.