Een mijnbouwgroep bracht 500.000 productrecords samen

De mijnbouwgroep kreeg één productcatalogus door het datamodel, het platform en de verrijking als één opdracht aan te pakken. De groep werkt in 12 of meer regio's. Tientallen jaren groei en overnames lieten meer dan 500.000 productrecords achter, verspreid over ERP-instanties, inkoopplatforms en lokale spreadsheets, in verschillende talen en met verschillende classificatielogica. PIMvendors ontwierp een UNSPSC-model, deed de PIM/MDM-selectie en zette industriële AI op de opschoning, met een mens die de uitvoer controleert.

De situatie

Dezelfde hydraulische pomp kon als vijf beschrijvingen voorkomen, in drie talen, onder twee UNSPSC-codes, zonder koppeling ertussen. Voor een groep die jaarlijks miljarden uitgeeft aan MRO-materiaal is die versnippering een kostenprobleem, een veiligheidsprobleem en een stilstandprobleem.

Onderhoudsmonteurs vonden de juiste onderdelen niet. Inkoop zag dubbele uitgaven niet. Strategische inkoop kon leveranciers niet samenvoegen. Regionale teams hadden geleerd om de catalogus heen te werken. Eerdere opruimacties met generieke AI en bulkherclassificatie waren mislukt. Brekervoeringen, segmenten van transportbanden en gespecialiseerde filtermedia staan niet in databases van consumentenproducten, dus generieke verrijking leverde uitvoer op die de monteurs niet konden gebruiken.

De groep vroeg PIMvendors om drie werkstromen: een uniform productdatamodel, een PIM/MDM-platform, en AI-opschoning en verrijking gebouwd voor industriële MRO.

Werkstroom 1: het productdatamodel

Geen twee regio's beschreven een product op dezelfde manier. Sommige vestigingen hielden technische specificaties bij. Andere leunden op vrije tekst die magazijnmedewerkers hadden ingetypt. Er was geen gedeelde taxonomie, geen afgesproken attributenset, en geen definitie van een compleet record.

PIMvendors zette het model op UNSPSC, de classificatie die het meest wordt gebruikt voor indirecte materialen en MRO. Regionale structuren werden tegen dat model gelegd om gaten, conflicten en dubbelen te vinden. Elke categorie kreeg verplichte en optionele attributen, standaard eenheden, en naamgevingsregels die in meer dan één taal werken.

Het model is getest met inkoopleiders, onderhoudsingenieurs en magazijnmanagers in vier pilotregio's. De test was operationeel. Als een monteur een draagrol van een transportband niet binnen drie klikken vond vanuit de nieuwe classificatie en attributen, ging het model terug naar de tekentafel.

Het resultaat is één UNSPSC-model dat 100 procent van de MRO-categorieën van de groep dekt. Elke categorie heeft een attribuutsjabloon en validatieregels, zodat kwaliteit wordt gecontroleerd op het moment dat een record wordt aangemaakt.

Werkstroom 2: de platformkeuze

Er was geen centraal leidend systeem. De masterdatamodules in de ERP's verwerkten transacties, maar boden geen workflow, governance of verrijking. Datastewards hielden hun eigen golden records bij in Excel. Een centraal platform moest overweg kunnen met governance over regio's, meerdere talen, en het volume van een industriële MRO-catalogus.

PIMvendors bracht een longlist van meer dan 15 PIM- en MDM-platforms terug tot een shortlist van 3. De criteria waren specifiek: UNSPSC-hiërarchieën op deze schaal, onboarding vanuit ERP's die niet op elkaar lijken, een aansluiting op de AI-tools voor de derde werkstroom, en de IT-architectuur en beveiligingsregels van de groep.

Elke aanbieder op de shortlist demonstreerde op de data van de klant, met een draaiboek. Generieke demodata kwamen er niet aan te pas. In de beoordelingsgroepen zaten IT, inkoop, onderhoud en datagovernance. PIMvendors leverde een onafhankelijke score en een advies, met de totale eigendomskosten over vijf jaar.

Binnen 10 weken was het platform geselecteerd en lag de implementatieroadmap er. Die is gespecificeerd voor meer dan 500.000 SKU's, 12 of meer regionale datafeeds en 8 talen, met workflow voor databeheer, goedkeuringsroutes en het onboarden van leveranciers.

Werkstroom 3: opschoning en verrijking

Ook nadat het model en het platform waren gekozen, bleef de historische data een puinhoop. Meer dan 40 procent van de records was vrije tekst zonder gestructureerde attributen. De classificatienauwkeurigheid over de catalogus werd geschat op minder dan 60 procent. Dubbelen zaten overal. Algemene taalmodellen, getraind op consumentenproducten, konden een vlinderklep type 3 niet van type 5 onderscheiden, en een voering van een kogelmolen niet van generiek metaalwerk.

PIMvendors zocht, beoordeelde en zette AI-tools in die voor industriële en MRO-verrijking zijn gebouwd. Die tools zijn getraind op miljoenen industriële productrecords en technische datasheets. Dat is de woordenschat die generieke modellen missen.

De pijplijn had drie fasen. Classificatie kende een UNSPSC-code toe op basis van de beschrijving, de attributen die er al waren, en de context rond het record. Attribuutextractie haalde materiaal, afmetingen, bedrijfsspecificaties en OEM-onderdeelnummers uit vrije tekst en zette ze in het model. Duplicaatdetectie gebruikte probabilistische matching over regio's en markeerde clusters voor samenvoeging.

Een datasteward beoordeelde elke AI-suggestie in batches: accepteren, corrigeren of afwijzen. Die terugkoppeling verbeterde het model en hield de groep eigenaar van zijn masterdata.

Vrije-tekstrecords daalden van meer dan 40 procent naar minder dan 10 procent. De classificatienauwkeurigheid steeg tot boven 95 procent. Dubbele clusters werden samengevoegd, en de actieve catalogus kromp met naar schatting 15 tot 20 procent. Het onboarden van een nieuw product, voorheen weken van handmatige invoer en kruiscontroles, duurt nu dagen.

Het gecombineerde effect

Het model levert de structuur. Het platform levert de governance. De AI levert de snelheid op honderdduizenden records. Alle 12 of meer regio's werken nu vanuit één catalogus. Inkoop kan een spendanalyse draaien, en kan leveranciers bundelen en op volume onderhandelen, wat met de oude versnippering onmogelijk was. Onderhoud vindt onderdelen sneller, wat de stilstand van machines verkort. Een nieuw product, een nieuwe leverancier of een nieuwe regio voedt hetzelfde model, hetzelfde platform en dezelfde pijplijn.

Bij MRO-uitgaven van deze omvang levert 1 tot 2 procent inkoopvoordeel tientallen miljoenen per jaar op. Eén betrouwbare catalogus is de voorwaarde voor dat voordeel.

Wat samen moest bewegen

Regel je het model en sla je de tooling over, dan krijg je een taxonomie die niemand invult. Zet je AI in zonder het model, dan is de uitvoer snel en fout. Kies je een platform zonder de data en de verrijkingsworkflow, dan betaal je voor een systeem dat niet past. De drie bewogen samen, met onafhankelijk advies over het model, de selectie en de AI, en dat leverde de verschuivingen hierboven op.

De keerzijde is de menselijke controle. Een steward die elke suggestie controleert, is trager dan het model zonder toezicht de catalogus laten vullen. Juist daardoor is een classificatienauwkeurigheid boven 95 procent een cijfer waar je als koper op kunt bouwen. Een andere industriële koper kan de volgorde overnemen: UNSPSC en de attribuutsjablonen, dan het platform, dan domein-AI met een mens die de uitvoer controleert.

Wat MDM is gaat over het ontbrekende leidende systeem, dat de regio's met Excel opvingen. Een PIM selecteren beschrijft de route van 15 platforms naar 3, gedraaid op de eigen data van de klant. AI-ready productdata beschrijft wat het record nodig heeft voordat een model het classificeert, en waarom generieke consumentenmodellen op een vlinderklep stukliepen. Productdatakwaliteit en governance beschrijft de controle door stewards bovenop de AI, en de definitie van een compleet MRO-record die de groep niet had.