Als Lena an einem Montagmorgen den Laptop aufklappte, wirkte der Bildschirm zuerst harmlos: ein Produktkatalog mit ein paar tausend Artikeln, Lieferantenfeeds, Preisen, Kategorien und technischen Merkmalen. Doch nach wenigen Minuten wurde klar, warum saubere Produkt- und Materialstammdaten heute so wichtig sind. Denn hinter jeder unscheinbaren Zeile verbarg sich ein kleines Stück Realität des Unternehmens: ein Produkt, das verkauft, bestellt, gelagert, verbaut oder erneut gesucht werden musste. Und wenn diese Daten ungenau, doppelt oder widersprüchlich sind, wird aus einem digitalen Katalog schnell ein kostspieliges Durcheinander. Genau hier setzt TL Match an – und genau deshalb ist die Erweiterung von einer adresszentrierten Lösung hin zu einer Matching-Plattform für Produkt- und Materialstammdaten so relevant.
Lena arbeitete in einem Handelsunternehmen, das Produkte aus verschiedenen Quellen zusammenführte. Ein Lieferant nannte einen Artikel „USB-C Kabel 1 m schwarz“, der nächste schrieb „USB C Ladekabel 100 cm, schwarz“, und im ERP stand noch „Kabel Typ C, 1 Meter, sw“. Für Menschen war sofort zu erkennen: Das ist wohl dasselbe Produkt. Für klassische Systeme jedoch waren es drei verschiedene Datensätze. Das eine System vertraute auf exakte Schlüssel, das andere auf Kategorien, ein drittes auf manuell gepflegte Artikelnummern. Ergebnis: Dubletten im Shop, doppelte Pflege, unklare Bestände und Suchergebnisse, die Kunden ratlos zurückließen. Wer dann noch mehrere Hundert oder Tausend solcher Fälle hat, verliert nicht nur Übersicht, sondern messbar Umsatz.
Am Nachmittag zeigte ihr Kollege aus der Industrie den anderen Teil der Geschichte. Dort ging es nicht um Shop-Besucher, sondern um Materialstämme, Konstruktion und Einkauf. In der Fertigung war eine Schraube mit zehn leicht unterschiedlichen Bezeichnungen angelegt worden, obwohl technisch eigentlich nur drei Varianten existierten. Einmal war die Länge in Millimetern, einmal in Zentimetern angegeben, einmal fehlte die Normbezeichnung, einmal stand sie im Freitext. So wurde dieselbe Sache mehrfach neu angelegt, nur weil sie nicht sauber wiedererkannt wurde. Das klingt nach einem kleinen Detail, ist in der Praxis aber teuer: mehr Teile, mehr Lagerbindung, mehr Einkaufspreise, mehr Aufwand in der Konstruktion. Saubere Produktdaten sind deshalb kein ästhetisches Projekt für Datenliebhaber, sondern ein handfester Wirtschaftsfaktor.
Genau an dieser Stelle verändert TL Match die Perspektive. Bisher waren viele Matching-Lösungen vor allem auf Adressen spezialisiert: Straße, Hausnummer, Ort, vielleicht noch Schreibweisen und Umzüge. Bei Produkten ist die Welt anders. Dort reicht der bloße Name nicht aus. Es zählen GTIN, EAN, Hersteller- und Lieferantenartikelnummern, aber auch Maße, Gewicht, Packungsinhalt, Farbe, Material, Normen und Varianten. Ein Produkt ist nicht einfach „ähnlich“ oder „gleich“; es kann identisch sein, eine Variante darstellen oder nur ein Wiederverwendungskandidat sein. Diese Unterscheidung ist fachlich entscheidend. Eine Schraube M8 × 30 ist eben nicht dasselbe wie M8 × 35, auch wenn beide auf den ersten Blick aus derselben Familie stammen. TL Match muss also lernen, nicht nur zu vergleichen, sondern zu verstehen, was in welchem Kontext wirklich zusammengehört.
Der eigentliche Clou liegt dabei nicht in einem starren Ja-oder-Nein-Urteil, sondern im Scoring. TL Match bewertet Merkmale gewichtet, erklärt seine Entscheidungen und bleibt fehlertolerant. Wenn die GTIN exakt gleich ist, ist die Sache meist klar. Wenn keine saubere ID existiert, helfen Name, Hersteller, Kategorien und technische Attribute weiter. Einheitennormalisierung wird wichtig: 1 m, 100 cm und 1000 mm müssen als dieselbe Länge erkennbar werden. Auch Schreibweisen, Abkürzungen und Synonyme dürfen nicht in die Irre führen. So wird aus scheinbarem Datenchaos ein nachvollziehbares Bild. Die Plattform sagt nicht nur: „Diese Datensätze gehören zusammen“, sondern auch: „Warum?“
Für das Management ist das attraktiv, weil sich der Nutzen schnell zeigt. Weniger Dubletten bedeuten weniger Einkauf, weniger Lager, weniger Retouren und bessere Suchergebnisse. Für Fachbereiche bedeutet es weniger manuelle Pflege und eine höhere Wiederverwendungsrate vorhandener Produkte oder Teile. Die IT wiederum muss kein neues führendes System einführen, denn TL Match ersetzt weder ERP noch PIM noch MDM. Es sitzt als intelligente Schicht darüber und beantwortet die eigentliche Frage, die diese Systeme oft offenlassen: Welche Datensätze beschreiben tatsächlich dasselbe Objekt?
Lena sah schließlich, wie die Plattform in der Praxis arbeitet. Zuerst werden Daten aus ERP, PIM, Feeds oder Excel-Dateien geladen. Dann analysiert TL Match die Datensätze, bildet Kandidatenpaare, vergibt Scores und erzeugt Cluster. Am Ende entstehen Dublettenlisten, Ähnlichkeitsgruppen und Golden Records, also bereinigte, belastbare Datensätze. Das geschieht schrittweise, ohne Big-Bang-Projekt, ohne radikalen Systemumbau, aber mit klar sichtbarem Effekt. Besonders wertvoll ist das in typischen Einstiegsszenarien wie Dublettenanalysen, der Konsolidierung nach einer Firmenübernahme oder der Bereinigung von Lieferantenkatalogen.
Am Ende des Tages formulierte Lena die Erkenntnis für ihr Team ganz schlicht: Datenqualität ist kein Nebenthema und auch kein rein technisches Detail. Sie ist ein Kosten-, Qualitäts- und Wettbewerbsthema. Wer Produkte und Materialien sauber matchen kann, reduziert Komplexität, spart Geld und schafft Vertrauen in die eigene Datenlandschaft. TL Match wird dabei vom Adress-Spezialisten zur universellen Matching-Plattform – und genau darin liegt sein strategischer Wert.