In vielen Unternehmen entscheidet nicht zuletzt die Qualität der Produktdaten über Erfolg oder Flop im Markt: War diese Schraube wirklich dieselbe Schraube wie die aus dem Lieferantenkalender, oder hat sich nur der Name geändert? Seit Jahren sammeln sich Dubletten, unterschiedliche Einheiten und widersprüchliche Varianten in den Stammdaten – mit spürbaren Folgen für Einkauf, Konstruktion, Lager und Onlineshop. Die Executive Summary eines Vorhabens spricht eine klare Sprache: Eine Erweiterung von TL Match von der Adress- zur universellen Matching-Plattform für Produkt- und Materialstammdaten könnte genau hier ansetzen. TL Match soll fehlertolerant, scorebasiert und erklärbar arbeiten, Unterschiede zwischen echten Dubletten, Varianten und Wiederverwendungskandidaten sichtbar machen und so eine belastbare Grundlage für Konsolidierung, Standardisierung und Datenpflege liefern. Warum das heute relevant ist, zeigt sich direkt in den täglichen Abläufen: E-Commerce-Kataloge, Lieferantenfeeds, interne ERP- und PIM-Systeme – sie liefern vielfach uneinheitliche Datensätze, die sich erst bei genauer Prüfung als identisch herausstellen oder auch als verwandt erkennbar bleiben. Gerade weil Unternehmen heute global agieren, liefern Partner und Systeme Daten mit eigenen Konventionen, Schreibweisen und Maßeinheiten. Wenn man hier keinen gemeinsamen Blick auf Identität und Ähnlichkeit hat, wachsen Kosten, statt zu sparen.
Am Morgen betritt ein Team aus Einkauf, IT und Produktmarketing einen Besprechungsraum, der voll ist mit Monitoren, Tabellen und bunten Post-its. Eine neue Monitorwand zeigt plötzlich, wie viele unterschiedliche Bezeichnungen es für dasselbe Produkt gibt: GTINs, Lieferanten-Artikelnummern, interne IDs – alle scheinen sich gegenseitig zu ignorieren. Der Data-Scientist erklärt, dass TL Match nicht mehr nur Adressen verbindet, sondern über Produkt- und Materialstammdaten hinweg arbeitet. Die Idee ist, Datensätze fehlertolerant zu vergleichen, ihnen Scores zuzuordnen und daraus Golden Records oder Cluster zu bilden. Statt Ja-Nein-Entscheidungen gibt es eine nachvollziehbare Skala: identisch, wahrscheinlich identisch, ähnlich, und klare Erklärungen, warum der Score so ausfiel. Die Konsequenz ist eine konsolidierte Sicht auf das Sortiment: Dubletten schrumpfen um eine spürbare Bandbreite, Varianten werden sauber gruppiert, und Wiederverwendung wird erkennbar – ohne bestehende Systeme zu ersetzen.
Im Laufe des Tages passiert ein kleines, aber eindrückliches Szenario: Ein Lieferantenfeed kommt herein, der dasselbe Produkt mit drei unterschiedlichen Namen beschreibt. Ein anderes System führt dazu, dass Größenangaben variieren oder Maßeinheiten mischen. Über TL Match wandern diese Datensätze in ein gemeinsames Profil, das zwei Dinge liefert: eine Score-basierte Einschätzung, welche Datensätze wirklich zusammengehören, und eine transparente Begründung, welche Attribute die Trennung nötig machen oder eine Zusammenführung rechtfertigen. Am Bildschirm entstehen plötzlich Golden Records: klare, harmonisierte Produktdarstellungen mit konsistenten Identifikatoren, die sich anschließend in ERP- und PIM-Systeme zurückspielen lassen. Für den Fachbereich bedeutet das weniger Dubletten, eine stabilere Katalogstruktur und eine verlässlichere Wiederverwendung vorhandener Komponenten. Für den Einkauf resultieren bessere Konditionen durch reduziertem Variantenchaos und gestärkte Repeat-Buy-Ergebnisse; für die Konstruktion wird Wiederverwendung greifbar, statt neue Teile zu erfinden.
Die Roadmap für TL Match geht nicht von einem riesigen, disruptiven Großprojekt aus, sondern von klaren, use-case-orientierten Schritten. Phase 1 ist das MVP, das in sechs bis neun Monaten das Produkt- und Artikeldaten-Umfeld adressiert: Dublettenerkennung, Zusammenführung mehrerer Lieferantenfeeds, konsolidierte Variantenclustern und die Erzeugung eines Golden Product Record. Zentral sind die MVP-Merkmale wie harte Merkmale GTIN, Hersteller-Artikelnummer, Lieferanten-Artikelnummer sowie weiche Merkmale wie standardisierte Produktnamen, Kategorien und Attribute. Der Schlüssel zum Erfolg liegt in Blocking Keys, gewichteten Matching-Profilen und einer überzeugenden, nachvollziehbaren Entscheidungslogik. Künftig soll TL Match schrittweise zu einer Plattform werden, die als Matching Engine as a Service fungiert – domänenunabhängig, API-first und mit vorkonfigurierten Packs für Produkt-, Material- und Vendor-Daten. Die Vorteile sind deutlich: Duplizierte Produktbestände können um 30 bis 60 Prozent reduziert werden; die Produktsuche wird präziser, die Retourenquote sinkt; gleichzeitig lässt sich Materialstammwachstum in der Industrie deutlich dämpfen, Einkaufskosten senken und die Wiederverwendung bestehender Teile fördern.
Am Ende des Projekts steht keine Umkonstruktion der bestehenden Systeme, sondern eine neue, ergänzende Schicht, die fachlich entscheidet, welche Datensätze zusammengehören. MDM- und PIM-Systeme behalten ihre Governance- und Distributionsrollen, TL Match liefert die fehlende Intelligenz für das Erkennen fachlicher Zusammengehörigkeiten auch bei unvollständigen oder uneinheitlichen Daten. Die eine, klare Erkenntnis lautet: Datenqualität ist kein reines IT-Thema, sondern ein messbarer Kostenfaktor. TL Match macht diese Qualität beherrschbar – als Product Edition und später als Material Edition – und sorgt dafür, dass Product Data Quality zu einer konkreten, wirtschaftlich greifbaren Größe wird. Wer heute in Datenqualität investiert, investiert in Zuverlässigkeit, Effizienz und Wettbewerbsfähigkeit – und zwar ohne das bestehende Systemgefüge zu destabilisieren. TL Match ergänzt – es ersetzt nichts, es ergänzt das, was schon existiert, und schafft die Ordnung, die langfristig wirklich zählt. Wir finden identische Produkte, auch wenn sie verschieden heißen. Wir reduzieren den Artikeldaten-Chaos, ohne ERP oder PIM zu verdrängen. Und wir machen aus Produktdaten wieder kaufbare Daten. Das ist der Take-away: Mit der Produkt-Edition von TL Match wird aus Datenchaos eine belastbare, wirtschaftlich messbare Datenqualität.