In einer mittelständischen Firma, die Handelsware und industrielle Bauteile gleichermaßen bewegt, stand zuletzt eine nagtige Frage im Raum: Warum finden unsere Kunden nicht das, was sie suchen, obwohl der Katalog doch scheinbar komplett sortiert ist? Seit Jahren wuchs der Produktbestand, und mit ihm die Dopplungen, inkonsistente Bezeichnungen, unterschiedliche Lieferantenkennungen und eine Varianz an Maßen, die niemand mehr eindeutig überblickte. Die Belegschaft sprach von Chaos in den Tabellen, von endlosen Excel-Listen, in denen dieselben Produkte unter verschiedenen Namen oder Nummern herumirrten. Dabei ließen sich die Kosten nicht einfach ausrechnen: Höhere Einkaufspreise, aufgeblähte Lagerbestände, fehlerhafte Suchergebnisse im Onlineshop, Rücksendungen, Verzögerungen in der Konstruktion, all das schnitt sich in die Marge. Erst wenn man die Augen öffnete, sah man, dass das eigentliche Problem nicht der Wille zur Verbesserung war, sondern die fehlende Brücke zwischen den einzelnen Systemen: ERP, PIM, PLM und die vielen Lieferantenfeeds, die jeder Bereich für sich hegte.
An diesem Punkt trat eine Lösung in den Blick, die mehr versprach als ein weiteres Reinigungsprojekt: TL Match – Product Edition. Die Idee war simpel und doch radikal: Eine fehlertolerante Matching-Schicht, die nicht nach dem strengen Prinzip „Gehört zusammen oder nicht“ arbeitet, sondern anhand eines nachvollziehbaren Score-Modells bewertet, wie eng zwei Datensätze beieinanderliegen. In unserer Erzählung begegnet man einer Data-Governance-Mitarbeiterin namens Lena, die das Projekt von Anfang an federführend begleitet. Sie erklärt einem skeptischen Einkaufsteam, dass TL Match nicht ERP oder PIM ersetzt, sondern eine ergänzende Intelligenz liefert, die erkennt, welche Datensätze fachlich zusammengehören – auch wenn Schreibweisen, Einheiten oder Lieferantenkennungen voneinander abweichen.
Der Einstieg geschieht wie bei einer Reise: nicht mit einem großen Umbruch, sondern in klar abgegrenzten Use Cases. Zunächst einmal soll der Blick auf den Handel und E-Commerce fallen, wo Dubletten oft die Kundenerfahrung trüben. Lena und das Team wählen eine überschaubare Datenbasis aus ERP-Extrakten, PIM-Feeds und Lieferantenkatalogen. Sie starten mit einem sogenannten MVP, einem ersten, gut abgegrenzten Anwendungsfall: Dubletten im Produktkatalog erkennen, Produkte aus mehreren Feeds zusammenführen und Varianten sauber clustern. Die Ergebnisse erscheinen nicht als abstrakte Zahlen, sondern als konkrete Entscheidungen mit Erklärungen: Ein Datensatz, der GTIN-exakt übereinstimmt, erhält eine hohe Punktzahl; ein Artikelname, der nur ähnlich klingt, bekommt eine niedrigere, aber nachvollziehbare Bewertung. Und dort, wo das System eine Übereinstimmung vorschlägt, liefert es gleich die Begründung mit: „GTIN identisch; Name 0,82 Ähnlichkeit; Abweichung bei der Maßeinheit innerhalb Toleranz.“ Dadurch fühlt sich die Entscheidung nicht wie ein Schwarz-Weiß-Rausch an, sondern wie eine nachvollziehbare Prüfung.
Schon nach wenigen Wochen zeigen sich die ersten Effekte. In der Showroom-Wand des Konferenzraums hängt ein kleines Dashboard, das den Fortschritt sichtbar macht: Die Dublettenquote sinkt merklich, der Textvergleich stabilisiert sich, und der Golden Product Record beginnt, aus mehreren Quellen eine klare, harmonisierte Produktidentität zu formen. Ein Lieferant liefert denselben Artikel unter zwei unterschiedlichen Bezeichnungen; TL Match erzeugt einen konsolidierten, eindeutigen Katalogeintrag, der sofort in das PIM zurückgespielt werden kann. Die Vorteile sind greifbar: bessere Suchergebnisse im Shop, höhere Conversion, weniger Rückläufer. Die Geschäftsführung fragt nach Zahlen, und Lena präsentiert erste Kennzahlen: Die Reduktion von Dubletten im Handel liegt im Bereich von 30 bis 60 Prozent; die Produktsuche wird spürbar präziser, Retouren fallen, Onboarding neuer Lieferanten geht schneller. Der ROI tritt zutage, noch bevor man das System global ausrollt.
Doch das, was TL Match wirklich auszeichnet, liegt in der Art, wie es Entscheidungen trifft. Es arbeitet scoring-basiert statt Ja/Nein, es erklärt, warum zwei Datensätze zusammengehören oder nicht, und es berücksichtigt bewusst Varianten und Wiederverwendungskandidaten. Einfache Regeln reichen selten, denn Produktdaten tragen eine Komplexität in sich, die von einzelnen Tabellen nicht mehr eingefangen werden kann. Die Mechanik wird einerseits transparent, andererseits robust: harte Merkmale wie GTIN, Hersteller-Artikelnummer oder Lieferanten-Artikelnummer gewinnen gegen alles Andere an Sicherheit, doch Text- und Klassifikationsmerkmale geben dem System die nötige Feintönung, wenn Größen, Kategorien oder Maße variieren. In unserem erzählerischen Setting werden diese Beziehungen zu einer Art Geschichte der Daten, in der jedes Feld eine Rolle spielt: GTINs als Schlüssel, Produktnamen als Klangbild, Maße als Maßeinheiten, Lieferanten als Erzähler, die neue Versionen der gleichen Geschichte liefern.
Die Erzählung führt weiter in eine zweite Phase: das Unternehmen erkennt, dass Produktdaten nur der Anfang sind. In der Roadmap wird deutlich, dass TL Match künftig auch Materialstammdaten adressieren soll – den reinen Industriebereich, der oft ähnliche Datenherausforderungen hat, aber mit anderen Intensitäten. Hier gilt es, Formate wie Normen, DIN- oder ISO-Bezeichnungen, Werkstoffarten und technische Abhängigkeiten zu berücksichtigen. Die Herausforderung verändert sich: statt Dubletten im Produktkatalog soll nun bewertet werden, ob zwei Komponenten wirklich identisch sind oder ob sie als Wiederverwendungskandidaten taugen. Die Logik wird dort noch differenzierter: identisch, ähnlich und reuse-kandidat – ein Clustern von Teilen nach Normfamilien, Gewinde-Typen oder Werkstoffen wird zur praktischen Bibliothek für Konstruktion und Einkauf. Der Nutzen ist derselbe wie zuvor, nur auf einer breiteren Basis: Kostenreduktion, standardisierte Prozesse, bessere Wiederverwendung, weniger Neuanlagen – und das ohne eine komplette Systemlandschaft zu ersetzen.
Am Ende bleibt eine klare Erkenntnis: Datenqualität ist kein reines IT-Thema, sondern ein erheblicher Kosten- und Wettbewerbsvorteil. TL Match fungiert als spezialisierte Matching-Schicht, die über bestehenden ERP-, PIM- oder PLM-Systemen liegt, deren Stärken ergänzt und gezielt dort ansetzt, wo exakte Regeln an ihre Grenzen stoßen. Die Geschichte endet mit einem einfachen Takeaway, das in jeder weiteren Entscheidung wiederkehrt: Wir finden identische Datensätze, auch wenn sie unterschiedlich heißen, und wir nutzen diese Erkenntnis, um Kataloge zu konsolidieren, Teile Wiederverwendung zu ermöglichen und Kosten zu senken – ohne über Nacht die Grundstruktur der Systeme umzubauen. Wenn man will, ist das der wahre Wert von TL Match: Ordnung in komplexe Produkt- und Materialdaten zu bringen, damit Geschäftsprozesse schneller, transparenter und wirtschaftlich sinnvoll arbeiten können.