Stell dir eine Welt voller Tabellen, Felder und Tabellenkürzel vor, in der jede Zeile eine andere Geschichte erzählt – und in der viele Geschichten vom selben Produkt handeln, nur mit leicht anderem Namen, einer anderen Teile-Nummer oder einem anderen Lieferantenkennzeichen. Genau da setzt die Erzählung an: TL Match – Product Edition, eine Erweiterung der bekannten TL-Matching-Technologie, die sich nicht als Ersatz für ERP, PIM oder MDM versteht, sondern als eine spezialisierte Matching-Schicht darüber legt. In unserem Unternehmen ist Lea diejenige, die solche Geschichten hört, ordnet und schließlich zu einer verständlichen Lösung bündelt. Lea arbeitet in einem mittelgroßen, datengetriebenen Handels- und Industrieunternehmen, in dem der Einkauf, die Konstruktion und der Online-Vertrieb jeden Tag mit denselben Artikeln zu kämpfen haben, aber verschiedene Systeme und Feeds ihnen widersprüchliche Hinweise geben. Ihre Mission ist klar: Stück für Stück eine klare, fehlertolerante Logik zu bauen, die erkennt, wann zwei Datensätze dasselbe Produkt beschreiben, wann es sich um eine Variante handelt und wann einfach um ähnliche Komponenten.
Am Anfang einer Wochenkonferenz sitzt Lea mit dem Einkaufsleiter, dem E-Commerce-Verantwortlichen und dem PLM/IT-Vertreter an einem runden Tisch. Die Luft ist von Jira-Tickets, Exporten und einer Handvoll Excel-Fallen geprägt. Es geht um nichts Geringeres als Kosten, Reichweite und Kundenzufriedenheit: Dubletten im Produktkatalog treiben Einkaufskosten und Bestand unnötig hoch, während Kunden über eine unübersichtliche Produktauswahl stolpern und die Suche zu einer frustrierenden Insel wird. Die Führungskraft fragt: Wie viel Potenzial steckt in einer intelligenten, erklärbaren Matching-Schicht, die über die bestehenden Systeme hinausgeht und dennoch deren Datenqualität verbessert? Lea lächelt und erklärt, dass TL Match genau hier ansetzt: Es wird nicht das ERP ersetzt, sondern die Frage beantwortet, welche Datensätze fachlich zusammengehören – selbst wenn Namen, Maße oder Zuordnungen nicht konsistent sind. Das Ziel ist messbar: weniger Dubletten, klarere Kataloge, bessere Wiederverwendung von Teilen – und das mit einer kurzen Time-to-Value, nicht mit einem Großprojekt, das Jahre dauert.
Zusammen mit dem Team führt Lea sofort einen Probelauf durch: Produktdaten aus dem ERP, PIM-Feeds der Lieferanten und Marktplatz-Feeds wandern in TL Match – Product Edition. Die ersten Schritte sind klar: Daten laden, eine vordefinierte Matching-Profile analysieren, Ergebnisse verstehen und schließlich Gold-Datensätze zurückspielen oder Cluster bilden. Lea erklärt, dass TL Match fehlertolerant arbeitet und kein Ja/Nein-Entscheidungskonzept verwendet. Stattdessen liefert es Scores, Erklärungen und klare Unterscheidungen zwischen identischen Produkten, Varianten und Wiederverwendungskandidaten. In der Praxis bedeutet das, dass identische Produkte trotz unterschiedlicher Bezeichnungen oder Lieferantenkennungen als Golden Record zusammengeführt werden können, während ähnliche, aber nicht identische Teile als potenzielle Wiederverwendungskandidaten gekennzeichnet werden. Das Team sieht eine Liste von Dubletten, die mit einem einfachen Blick nicht mehr zu unterscheiden waren, plötzlich als Cluster erscheinen: ein Parent-Child-Verbands, bei dem Mama-Produktnamen, GTINs und MPNs sich ergänzen, während das System die beste Bezeichnung für den Golden Record vorschlägt.
Der nächste Tag bringt die Feinjustierung. Blocking Keys werden genutzt, um den Abgleich effizienter zu machen: GTIN-Exakt-Übereinstimmung, MPN plus Hersteller-Exaktheit, dann robuste Text- und Kategorienvergleiche. Lea erklärt, wie diese Blocking-Strategien helfen, die Rechenlast zu verringern, bevor der Algorithmus ins tiefere Matching geht. Die Ergebnisse zeigen, dass harte Identifikatoren, wie GTIN oder MPN, oft die klarsten Signale liefern, doch Text, Kategorien und Attribute stabilisieren, wenn die IDs fehlen. In der Retail-Welt, erläutert sie, lässt sich der Nutzen besonders schnell zeigen: Dublettenquote sinkt spürbar, Suchergebnisse werden sauberer, Retouren gehen zurück. In der Industrie wiederum hilft die Lösung, Materialstämme zu harmonisieren, Wiederverwendung zu erkennen und Kosten zu senken, weil Teile leichter gefunden und wieder genutzt werden können.
Die Pilotphase macht deutlich, dass TL Match nicht als Big-Bang-Projekt gedacht ist. Es beginnt klein, mit einem klar umrissenen Use Case – etwa dem Dubletten-Check in einem bestimmten Produktsegment oder der Konsolidierung von Lieferantenfeeds nach einer Übernahme. Die Roadmap, die Lea skizziert, reicht von einem MVP mit Fokus auf Produktdaten über den späteren Ausbau auf Materialstamm mit Norm- und Maßbezug bis hin zur späteren Plattformisierung als Matching Engine as a Service. Wichtig zu betonen ist der Lerncharakter: der Nutzen wird sichtbar, noch bevor man das gesamte Kataloguniversum berührt hat. Der Vertrieb bekommt klare Argumente: Wir finden identische Produkte auch dann, wenn sie verschieden benannt sind; wir reduzieren den Artikelbestand ohne das ERP anzutasten; wir machen aus Chaos wieder kaufbare Daten. Für die IT bedeutet TL Match eine Ergänzung – kein Ersetzen, kein Umbruch, sondern ein sauber integrierbares Add-on mit API- und Batch-Fähigkeit.
Am Ende des ersten Projekts stehen zwei greifbare Outputs: eine Duplicate List mit hochpräzisen Treffern (IDENTICAL/MATCH) und eine zweite Liste mit Ähnlichkeiten, die zu einer Wiederverwendung oder Konsolidierung anregen. Lea zeigt dem Team eine Golden-Record-Merge-Logik: Prioritäten, welche Quelle bevorzugt wird, wie Felder zusammengeführt werden, welche Attribute priorisiert werden. Damit ist der Weg frei für die nächste Iteration – Phase 2, der Ausbau auf Großhandel und Industrie, Phase 3 mit vertikalen Adaptationen, Phase 4 schließlich als Plattformlösung.
Die Moral von der Geschichte lautet klar: Datenqualität ist kein rein technisches Thema, sondern ein unternehmerischer Kostentreiber und ein echter Hebel für Effizienz. Die Erweiterung von TL Match auf Produkt- und Materialstammdaten macht diese Qualität sichtbar, greifbar und nachhaltig nutzbar. Es ist die fehlende Brücke zwischen Erfassung, Governance und operativer Nutzung – eine Brücke, über die jedes Unternehmen schneller, besser und wirtschaftlicher gehen kann. Der Takeaway ist eindeutig: Start small, think score-based and explainable, und lass TL Match die fachliche Frage beantworten – welche Datensätze beschreiben dasselbe Objekt, eine Variante oder nur ein ähnliches Objekt? Dann ergibt sich der wirtschaftliche Nutzen fast von selbst.