PIMvendors

Kunskapsbank · Signal

Signal

Tillbakablick: datatvätt, folksonomi och dataordböcker

· 2026-09-29 · 5 min läsning

Bolag som förbereder sig för AI investerar i rätt grund. De väljer plattformar för produktinformationshantering (PIM) och masterdatahantering (MDM). De sätter upp strukturer för datastyrning (data governance), utser dataförvaltare och bildar dataråd. Ett lager hamnar ändå sist i kön: kvaliteten på själva produktdatan. Organisationer har levt med samma datakvalitet i åratal, så få ser det som ett problem. När AI är med i loopen blir den blinda fläcken dyr. Skräp in ger skräp ut gäller mer än någonsin, och ett ”ganska bra” modellutfall knäcker fortfarande processer i storföretagsskala.

I den här sessionen pratar Stephan Spijkers med Isak Marais, grundare av AICA Data International, om vad som krävs för att bygga produkt- och MRO-data som du faktiskt kan lita på, och hur du tar dig dit med ett affärscase i handen.

Talare

Slutsatser

Tilliten börjar med deterministiska regler

Generella språkmodeller kan tvätta ett litet dataset på ett övertygande sätt, men i storföretagsvolym driver de iväg. Isak beskriver flera projekt där kunderna först provade vanliga LLM och sedan slog i taket för tid, arbetsinsats och jämnhet. AICA:s svar är en golden record byggd på deterministiska regler. En central hjärna, isolerad för varje kund, arbetar bredvid en global hjärna som är tränad på år av MRO-data. En dataordbok för produkter validerar varje AI-beslut. Varje post bär sin källa, ett konfidensvärde och bevisen bakom varje ändring. För datateam är den spårbarheten det som gör AI-utfall till data som en verksamhet kan agera på.

AI är en uppsättning verktyg, ett per steg

Stephan formulerar en punkt som många köpare missar: AI är många förmågor, och varje förmåga passar ett eget steg i dataresan. Klassificering och berikning kräver ett arbetssätt, datatvätt ett annat, och fältfångst ett tredje. AICA:s portfölj speglar det. Atlas sköter klassificering och berikning. Smart Capture är en mobilapp som känner igen en del från ett foto och uppdaterar posten, så att ingen behöver resa till ett lager på andra sidan jorden. Den praktiska slutsatsen är att du mappar AI till konkreta processteg innan du väljer verktyg.

Ett lager ovanpå systemen du redan kör

AICA ersätter inget i den stack som redan finns. Det arbetar bredvid ERP, system för anläggningstillgångar (EAM), PIM och MDM, och ser till att den data som går in i dem är korrekt. Det spelar störst roll vid migreringar. Projekt från SAP ECC till HANA stannar på datavolym och svag datakvalitet, och flyttar från ett PIM till ett annat bär samma risk. Isak ser att kunder i allt högre grad kräver att deras systemleverantörer av EAM och PIM integrerar specialverktyg för datakvalitet. Han nämner en stor gruvkoncern och en europeisk PIM-migrering som färska exempel.

Människor och process bär fortfarande tyngden

En del dataproblem börjar innan någon programvara kan hjälpa. Isak beskriver ett projekt som spänner över fler än 70 platser, där lager höll ostrukturerat gods i säckar och användbar data knappt fanns. I sådana fall ställer AICA:s verifierade partnernätverk folk på plats för att införa process och datafångst. Stephan lägger till att AI flyttar rollen för implementationspartner, medan förändringsledning och processledarskap är lika viktiga som förr.

Visa avkastningen innan projektet startar

För ett och ett halvt år sedan visste AICA att smutsig och oberikad data kostade pengar, men de kunde inte sätta en siffra på det. I dag sätter kalkylatorer för avkastning (ROI) och ekonomiskt mervärde, med stöd i publicerade kundcase, siffror på återvinningsbar årsintäkt, värdeexponering och rangordnade åtgärder innan en pilot börjar. Isak ser det som en tydlig fördel mot traditionella projekt inom ERP, EAM och PIM, där beviset på värde kommer senare och vilar på antaganden.

Hans råd till dig som ska börja är att först förstå din kostnadsstruktur och vad dataproblemet kostar. Därifrån tar uppdragen veckor snarare än månader, och de börjar med en prototyp på kundens egen data. AICA erbjuder fem uppdragsmodeller: helhetsåtagande, självservice, API-åtkomst, white label och inköp via AWS Marketplace.

Marknaden rör sig långsammare än AI

Båda talarna är överens om att införandet släpar efter tekniken. Stora programvaruhus och storföretag rör sig i en oljetankers takt, medan AI-släpp kommer med några månaders mellanrum. Stephan drar en parallell till PIM självt: 25 år efter e-handelns genombrott är kalkylbladet fortfarande PIM-systemets största konkurrent. Utbildning fyller luckan, och därför startade AICA AICA Academy och ett kvartalsvis benchmarkcenter. Regler driver också på efterfrågan. Krav på digitalt produktpass (DPP) blottar svag klassificering, och det ger förfrågningar från både PIM-team och tjänsteleverantörer kring DPP.

Det viktigaste för dig som leder produktdata

Behandla datakvalitet som ett eget lager, med egen budget, bredvid system, process, datastyrning och människor. Kräv spårbarhet av varje AI-verktyg för data, alltså en källa, ett konfidensvärde och bevis på varje post. Sätt en siffra på vad dålig data kostar innan du väljer en lösning, för den siffran styr både affärscaset och omfattningen.

👉 Hitta rätt PIM eller partner för produktdata till din organisation på pimvendors.com

Diagnos

Behöver du faktiskt ett PIM?

Kör komplexitetsindexet innan du budgeterar programvara eller tar in en systemintegratör.

Starta bedömningen

Mötet hålls på engelska.

Budget

Gör en första TCO

Översätt katalogens form till ett kostnadsintervall över tre år, på under tio minuter.

Öppna kostnadskalkylen

Mötet hålls på engelska.