Viele Unternehmen kennen das: die Produktsuche liefert unpassende Treffer, Zubehör wird dem falschen Gerät zugeordnet und neue Artikel landen in der falschen Kategorie. Solche Probleme zeigen sich häufig, wenn Unternehmen KI in E-Commerce, Vertrieb oder Produktmanagement einsetzen. Die Ursache liegt dabei nicht zwangsläufig im KI-Modell. Häufig fehlen die Produktinformationen, die eine automatisierte Anwendung für verlässliche Ergebnisse benötigt. Attribute sind unvollständig, Bezeichnungen uneinheitlich oder technische Zusammenhänge nur in Beschreibungen enthalten.
KI ist nur so gut wie ihre Datengrundlage
KI-Systeme können Zusammenhänge in großen Datenmengen erkennen. Sie können ähnliche Begriffe zuordnen, Texte analysieren und auf Basis vorhandener Informationen Vorschläge erstellen. Sie können jedoch keine verlässlichen Schlüsse aus Daten ziehen, die fehlen oder widersprüchlich gepflegt sind.
Für automatisierte Anwendungen sind vor allem vier Faktoren entscheidend:
- vollständige Attribute
- einheitliche Werte und Maßeinheiten
- eindeutige Produktbeziehungen
- aktuelle und geprüfte Informationen
Fehlt beispielsweise bei einem technischen Bauteil der Durchmesser, ist die Materialangabe uneinheitlich oder wurde die Gerätekompatibilität nur im Fließtext erwähnt, kann eine KI das Produkt nicht sicher zuordnen.
Das Problem betrifft nicht nur die Qualität einer einzelnen Antwort. In automatisierten Prozessen können ungenaue Daten direkt weitere Aktionen auslösen. Ein Produkt wird falsch kategorisiert, unpassendes Zubehör ausgespielt oder ein Artikel in einem Vertriebskanal veröffentlicht, obwohl Pflichtinformationen fehlen. Datenqualität ist deshalb keine vorbereitende Nebenaufgabe. Sie entscheidet darüber, ob Automatisierung verlässlich funktioniert.
Praxisbeispiel 1: KI-gestützte Produktsuche
Ein Kunde sucht in einem B2B-Shop nach einem Dichtungsring für eine bestimmte Maschinenserie. Er benötigt einen Innendurchmesser von 40 Millimetern, ein hitzebeständiges Material und eine Freigabe für einen definierten Temperaturbereich.
Eine semantische Suche kann erkennen, dass Begriffe wie „hitzebeständig“, „temperaturfest“ oder „für hohe Temperaturen geeignet“ inhaltlich ähnlich sind. Für die exakte Auswahl reichen solche sprachlichen Ähnlichkeiten jedoch nicht aus. Die Anwendung benötigt strukturierte Werte:
- Innendurchmesser: 40 mm
- Material: FKM
- Temperaturbereich: bis 200 °C
- kompatible Maschinenserie: Modell X
Sind diese Angaben nur in einer Beschreibung enthalten oder je nach Lieferant unterschiedlich aufgebaut, kann die Suche relevante Produkte übersehen oder ungeeignete Treffer anzeigen. Strukturierte Attribute ergänzen die Fähigkeiten semantischer Suchsysteme. Die KI versteht die Suchanfrage, während klar definierte Produktdaten für die fachlich korrekte Filterung sorgen.
Praxisbeispiel 2: Empfehlungen und Produktbeziehungen
Auch Empfehlungssysteme benötigen mehr als ähnliche Produkttexte. Wer Ersatzteile, Zubehör oder ergänzende Produkte automatisiert vorschlagen möchte, muss Beziehungen zwischen den Artikeln eindeutig abbilden.
Ein Empfehlungssystem sollte beispielsweise erkennen:
- welches Ersatzteil zu welchem Gerät gehört
- welches Zubehör mit einer Produktvariante kompatibel ist
- welche Komponenten gemeinsam eingesetzt werden können
- welche Produkte sich gegenseitig ausschließen
Fehlen diese Beziehungen, orientiert sich die KI möglicherweise an ähnlichen Bezeichnungen oder Beschreibungen. Das kann zu Empfehlungen führen, die sprachlich plausibel, technisch aber falsch sind.
Ein PIM kann solche Verknüpfungen strukturiert verwalten. Dadurch muss die KI Kompatibilität nicht aus unklaren Texten ableiten, sondern kann auf geprüfte Produktbeziehungen zugreifen.
Das PIM als Brücke zu sauberen Produktdaten
Diese Beispiele zeigen, dass sich Datenqualität nicht nachträglich per KI-Algorithmus reparieren lässt. Sie entsteht an der Quelle. Ein Product Information Management System, kurz PIM, kann hier helfen. Im PIM werden Produktdaten aus verschiedenen Quellen, etwa ERP, Lieferanten und Marketing, an einem zentralen Ort gebündelt. Es sorgt für einheitliche Attributstrukturen, macht Vollständigkeit und Konsistenz messbar und kontrollierbar. Statt Daten in unterschiedlichen Formaten und Qualitätsstufen über mehrere Systeme verteilt zu pflegen, entsteht eine einzige verlässliche Quelle, die Single Source of Truth. Erst auf dieser Grundlage können KI-Anwendungen wie Suche, Empfehlungen oder Kategorisierung zuverlässig arbeiten. Ein PIM ist damit kein zusätzliches Werkzeug neben der KI-Strategie, sondern schafft dafür die belastbare Grundlage.
Konkrete nächste Schritte für Unternehmen
Der Weg zu KI-fähigen Produktdaten lässt sich in konkrete Schritte fassen:
Datenaudit durchführen: Vollständigkeitsrate der Pflichtattribute, Duplikate, einheitliche Bezeichnungen und Formate sowie die Aktualität der Datensätze prüfen, um den Ist-Zustand ehrlich einzuordnen.
Attributstruktur definieren: Eine klare, für alle Produktkategorien und Abteilungen verbindliche Struktur schaffen, statt Attribute je nach Team oder Quelle unterschiedlich zu pflegen.
Mit einem Pilotbereich starten: Eine Produktkategorie oder einen konkreten Anwendungsfall auswählen, dort Struktur und Qualität herstellen und die Erkenntnisse anschließend auf weitere Bereiche übertragen.
PIM-Einführung prüfen: Wer noch kein PIM im Einsatz hat, sollte die Einführung als strategische Investition betrachten, nicht als reines IT-Projekt.
Bestehendes PIM überprüfen: Wer bereits ein PIM nutzt, sollte regelmäßig prüfen, ob Struktur und Datenqualität den Anforderungen künftiger KI-Anwendungen tatsächlich standhalten.
Fazit
KI kann Suche, Empfehlungen und Kategorisierung automatisieren, wenn die Produktdaten mitspielen. Unstrukturierte, unvollständige oder inkonsistente Daten bremsen jedes Automatisierungsvorhaben, bevor es beginnt. Unternehmen, die ihre Produktdaten über ein PIM zentral, strukturiert und konsistent pflegen, schaffen die Voraussetzung dafür, dass KI-Anwendungen zuverlässig arbeiten. Im Gespräch ordnen wir ein, welche Systeme in der eigenen Systemlandschaft betroffen sind und was der nächste Schritt ist.
