In den meisten mittelständischen Unternehmen sind Produktdaten über Jahre gewachsen: ein ERP-System als Ausgangspunkt, dazu Excel-Listen, ein Shop, Datenblätter für Handelspartner, Übersetzungen per Mail. Solange das Sortiment überschaubar bleibt, funktioniert das über Fleiß. Mit jedem neuen Kanal, jedem neuen Markt und jedem neuen Anspruch an Datenqualität kippt dieses Gleichgewicht.
Wir setzen an der Struktur an, nicht am Werkzeug. Ein PIM- oder MDM-System löst kein Problem, das im Datenmodell und in den Zuständigkeiten liegt. Deshalb steht am Anfang immer die Frage, welche Informationen wo entstehen, wer sie verantwortet und wohin sie fließen müssen — und erst danach die Frage nach dem System.
Im Kern ist das Prozessberatung: Der Gegenstand sind Produktdaten, die Arbeit besteht darin, Abläufe und Verantwortlichkeiten so zu ordnen, dass sie tragen. Dieselbe Denkweise wenden wir auch auf andere IT-Prozesse an, etwa beim Aufbau einer KI-Strategie oder bei der Einführung neuer Systeme im Unternehmen.
Wir nehmen die bestehende Datenlandschaft auf: Systeme, Kanäle, Pflegewege, Verantwortlichkeiten. Daraus entsteht ein belastbares Bild des Ist-Zustands — mit Zahlen, nicht mit Vermutungen — und ein Zielbild, das zu Ihrem Geschäft passt und nicht zum Funktionsumfang eines Produkts.
Attributmodelle, Klassifizierungen, Golden Record, Datenflüsse zwischen ERP, PIM, Shop und Handelspartnern. Wir entwickeln die Struktur, die Ihr Sortiment auch dann noch trägt, wenn es doppelt so groß ist und über dreimal so viele Kanäle ausgespielt wird.
Herstellerunabhängig, nach dem Best-of-Breed-Ansatz. Wir begleiten von der Anforderungsaufnahme über die Auswahl bis zur produktiven Einführung — inklusive Datenmigration aus bestehenden Systemen. Erfahrung besteht unter anderem mit Syndigo, Centric PXM (vormals ContentServ), SAP MDG.
Wir übernehmen Verantwortung in der Umsetzung, häufig als Proxy Product Owner zwischen Fachbereich und Entwicklung. Und wir kümmern uns um das, was nach dem Projekt kommt: Pflichtattribute, Freigabeprozesse, Zuständigkeiten. Governance entscheidet darüber, ob eine saubere Datenbasis sauber bleibt.
Datenanalyse, Attributbefüllung, Textgenerierung und Migrationsvorbereitung — dort, wo KI Arbeit tatsächlich abnimmt. Jedes Ergebnis wird fachlich geprüft, bevor es in ein Projekt einfließt.
Für Unternehmen, die weiter vorne stehen, begleiten wir den Aufbau einer KI-Strategie und decken gemeinsam konkrete Anwendungsfälle im eigenen Haus auf.
Wichtig ist uns dabei eine Reihenfolge, die oft übersehen wird: KI heilt keine schlechten Produktdaten. Sie übernimmt vorhandene Fehler und skaliert sie. Eine belastbare Datenbasis ist die Voraussetzung, nicht das Ergebnis einer KI-Einführung.
Das ERP führt die kaufmännischen Stammdaten: Artikelnummer, Preis, Lagerbestand, Einheiten. Ein PIM führt die verkaufenden Informationen: Beschreibungen, technische Merkmale, Klassifizierungen, Übersetzungen, kanalspezifische Angaben. Ein DAM verwaltet die zugehörigen Medien: Bilder, Videos, Datenblätter, Zertifikate. MDM ist der übergeordnete Begriff für die Verwaltung aller Stammdaten eines Unternehmens — Produkte, aber auch Lieferanten, Kunden oder Standorte.
Die entscheidende Frage im Projekt ist nicht, welches System man braucht, sondern welches System für welche Daten führend ist. Wo das ungeklärt bleibt, entstehen genau die Widersprüche, die ein PIM eigentlich verhindern soll.
Ein PIM lohnt sich, sobald dieselbe Produktinformation an mehreren Stellen gepflegt werden muss. Das ist in der Regel dann der Fall, wenn mehr als ein Ausgabekanal bedient wird — etwa Online-Shop und Handelspartner, oder Katalog und Marktplatz.
Die üblichen Auslöser aus unseren Projekten: ein neuer Vertriebskanal, der nicht angebunden werden kann. Die Internationalisierung in weitere Sprachen und Märkte. Handelspartner, die Daten in einem bestimmten Format verlangen. Oder eine regulatorische Anforderung wie die Produktsicherheitsverordnung, die zusätzliche Pflichtangaben in jedem Angebot verlangt.
Die Zahl der Artikel ist dabei weniger entscheidend als die Zahl der Kombinationen aus Kanälen, Sprachen und Märkten. Ein Unternehmen mit 2.000 Artikeln in acht Ländern hat mehr Aufwand als eines mit 20.000 Artikeln in einem Markt.
Die Spanne ist groß und hängt vor allem an drei Faktoren: der Zahl der anzubindenden Systeme und Kanäle, der Komplexität des Datenmodells und daran, wie viel Vorarbeit in der Datenbereinigung nötig ist. Im Mittelstand liegt eine Einführung erfahrungsgemäß im mittleren fünfstelligen Bereich, Lizenzen nicht eingerechnet.
Der größere Posten ist selten die Software. Es sind die Vorarbeiten: Datenmodell, Bereinigung des Altbestands, Klärung der Zuständigkeiten. Wer diese Arbeit vor der Systemauswahl leistet, zahlt am Ende weniger — und bekommt ein System, das zum Geschäft passt statt umgekehrt.
Ein erster produktiver Stand mit einem Ausgabekanal ist im Mittelstand häufig in wenigen Monaten erreichbar. Die realistische Gesamtdauer hängt daran, wie viele Kanäle, Sprachen und Altsysteme angebunden werden und wie belastbar die vorhandenen Daten sind.
Verzögerungen entstehen in unserer Erfahrung selten durch die Technik. Sie entstehen, wenn Daten erst während des Projekts bereinigt werden müssen oder wenn Zuständigkeiten zwischen Fachbereichen ungeklärt sind.
Es gibt kein bestes System, nur ein passendes. Die Auswahl sollte sich aus dem Datenmodell und den Ausgabekanälen ergeben, nicht aus einer Funktionsliste. Relevante Fragen sind: Wie viele Kontexte aus Sprache, Markt und Kanal müssen abgebildet werden? Welche Schnittstellen zu ERP und Shop bestehen bereits? Wird ein Print-Ausgabekanal benötigt? Wie viele Personen pflegen Daten, und mit welchem Vorwissen?
Wir arbeiten herstellerunabhängig und haben Erfahrung unter anderem mit Syndigo und Centric PXM (vormals ContentServ).
Nach unserer Erfahrung fast nie an der Software. Die häufigsten Gründe sind: ein Datenmodell, das die tatsächlichen Anforderungen der Kanäle nicht abbildet. Unklare Zuständigkeiten zwischen Produktmanagement, Marketing und IT. Und Widerstand aus Fachbereichen, deren Mitarbeiter befürchten, dass ihr Erfahrungswissen künftig im System steht.
Der letzte Punkt wird am häufigsten unterschätzt. Er lässt sich nicht durch Argumente für das System lösen, sondern nur dadurch, dass die betroffenen Personen eine erkennbare Rolle in der neuen Struktur bekommen.
Ja. KI-gestützte Anwendungen — Textgenerierung, Produktsuche, Empfehlungen, automatische Klassifizierung — greifen auf die vorhandenen Produktdaten zu. Sind diese unvollständig, widersprüchlich oder über mehrere Systeme verstreut, übernimmt die Anwendung diese Fehler und vervielfacht sie.
Eine belastbare Datenbasis ist deshalb die Voraussetzung einer KI-Einführung, nicht ihr Ergebnis. Umgekehrt lässt sich KI gut einsetzen, um genau diese Basis herzustellen: bei der Attributbefüllung, der Klassifizierung und der Vorbereitung von Datenmigrationen.
Der Nutzen liegt dabei nicht nur in der Vermeidung von Fehlern. Strukturierte Produktdaten machen Arbeitsschritte automatisierbar, die heute extern eingekauft oder von Hand erledigt werden: Übersetzungen über eine Schnittstelle statt über den Versand von Excel-Listen, Produkttexte aus strukturierten Merkmalen, maschinell vorgeschlagene Klassifizierungen nach ETIM oder eCl@ss.
Der Produktdaten-Check beantwortet diese Frage in drei Minuten: zwölf Fragen, keine Anmeldung, Ergebnis sofort. Sie erhalten Ihren Produktdaten-Reifegrad in Prozent, eine Hochrechnung der jährlich für Mehrfachpflege aufgewendeten Arbeitstage und eine Einordnung der betriebswirtschaftlichen Folgen.