Datenmanagement für die Industrie
Veränderung ist Herausforderung und Chance zugleich. Gerne werden beim Thema Datenmanagement als erstes die Herausforderungen und Hürden gesehen. Dabei lohnt es sich, mit den Chancen zu beginnen, die ein durchdachtes, modernes Datenmanagement bietet. Daten zu erfassen, geeignet zu speichern, sicher in beliebige Kanäle auszuleiten und am Ende nicht nur an Qualität zu gewinnen, sondern auch die wichtigen Ressourcen Zeit und Mensch zu schonen, das ist das Ziel. Dieser Blog soll dabei helfen, das komplexe Thema ein wenig transparenter zu machen.
Konsumentenbedürfnisse rücken in den Fokus
In der Konsumentenwahrnehmung werden Produkte zunehmend austauschbar. Mehr noch: Der Wettbewerb wird größer, der potentielle Kundenkreis nicht. Damit sehen sich die meisten Unternehmen mit der Frage konfrontiert: Was veranlasst die Kunden, mein Produkt zu kaufen und nicht das Produkt des Wettbewerbs? Nach vielen Rabattschlachten reift die Erkenntnis: Das Produkt selber und ein günstiger Preis alleine reichen nicht aus.
Mag diese Veränderung schleichend gekommen sein, aber sie will gelöst werden. Dazu kommt, dass Kunden heute informierter sind als je zuvor. Es herrscht maximale Transparenz über Produkte, Preise und Qualität. Die Customer Experience – das Kundenerlebnis – gewinnt damit immer mehr an Bedeutung. Die Fokussierung auf den Kunden, die Fähigkeit, das Kundenerlebnis individuell auszugestalten, wird zum Alleinstellungsmerkmal. Eine der wichtigsten Voraussetzungen für eine gute Customer Experience ist eine vorteilhafte Produktpräsentation durch bessere, verwertbare und durchgängige Informationen.
Die darüber hinausgehende Erwartung der Kunden ist die "Einbettung" der Produkte in ein abgestimmtes Dienstleistungsgefüge. Unternehmen, die die Erwartungen ihrer Kunden verstehen, positive Erlebnisse über ihre Produkte und Services erzielen und bestätigen, heben sich von anderen Marktteilnehmern ab und sind langfristig kommerziell erfolgreicher. Das gilt für das Kauferlebnis, die Informationssuche, den Servicekontakt und jede weitere Interaktion, die ein Kunde mit einem Unternehmen hat. In einem gelungenem Zusammenspiel von Produktmanagement, Marketing, Vertrieb und Kundenservice zeigt sich, wie kundenzentriert Organisationen wirklich sind.
Modulare Systemarchitektur ermöglicht schnellere Anpassungen an den Wandel
Die technische Entwicklung ermöglicht heute ein kluges wie effizientes Informationsmanagement als Basis für eine schnellere technische Anpassung an die sich verändernden Anforderungen. Entgegen den Versprechen vieler Software-Unternehmen gibt es jedoch keine konsistente "All-in One-Solution".
In einer klassischen monolithischen Architektur sind die Funktionen und Services innerhalb einer Anwendung miteinander verbunden und agieren als Einheit. Wenn die Anwendung erweitert oder verändert wird, führt dies dazu, dass die Architektur komplexer wird. Das erschwert, eine einzelne Funktion der Anwendung zu verbessern, ohne gleichzeitig die gesamte Anwendung zu betrachten und zu verändern. Monolithischen Systemarchitekturen fehlt damit die notwendige Flexibilität für schnellen Anpassungen.
Damit Unternehmen schnell innovieren können, wird eine modulare und jederzeit erweiterbare Architektur benötigt. Sogenannte Microservices helfen, komplexe Anwendungen in kleinere Anwendungen aufzubrechen und schneller in ein Gesamtgefüge zu integrieren. Um sich verändernden Geschäftsanforderungen anpassen zu können, ist jede Komponente verknüpfbar, skalierbar sowie austauschbar und kann durch agile Entwicklung kontinuierlich verbessert werden. Voraussetzung ist eine Basis, die über flexible Schnittstellen eine einfache und schnelle Integration der Microservices ermöglicht.
Datenmanagement für die Industrie
Viele Industrieunternehmen haben viele Produkte und sind mit diesen Produkten rund um den Globus vertreten. Damit ist den Unternehmen das gelungen, was man sich in der Vergangenheit vorgenommen hat: Präsenz auf dem Weltmarkt. Um das zu schaffen, haben die Unternehmen ihre Produkte für die Zielmärkte angepasst oder sogar spezifisch entwickelt, inklusive notwendiger Zertifizierungen und anderen begleitenden Maßnahmen. Dazu sind für den erfolgreichen Vertrieb neue Strukturen in Form von Händlernetzen oder eigenen Niederlassungen aufgebaut worden.
Diesen Erfolg teilen sich nahezu alle Unternehmen mit einem Berg an Daten und Informationen, der schneller wächst, als er in Schach gehalten oder gar reduziert werden kann. Neben den Produkten, den Märkten, dem Vertrieb hat sich das dazugehörige Datenmanagement schleichend zu einer entscheidenden Komponente entwickelt, die über Erfolg und Misserfolg entscheidet.
Immer nah am Standard
Beginnen wir mit dem Nutzen von Datenmanagement für industrielle Unternehmen. Was gehört eigentlich alles dazu und was bestimmt den "industriellen" Charakter? In unserem Fall bezieht sich das Datenmanagement nicht auf die Daten für die Produktion, sondern auf die Verwaltung von Produktinformationen, ihre Anreicherung und Verknüpfung mit anderen Daten. Das Ziel ist ein Datenbestand, der für den vielfältigen Einsatz im Marketing, dem Ein- und Verkauf im Bereich der Kundenbindung und des Handels geeignet ist.
Der Fokus "Industrie" produziert beim Datenmanagement weniger spezifische Anforderungen als vermutet. Das ist eine grundsätzlich erfreuliche Feststellung, lässt sie uns doch bei Lösungen näher an Standards bleiben. Standard bedeutet eine größere Auswahl an Software und mehr erprobte Prozesse. Anders formuliert: Standard bedeutet weniger unliebsame Überraschungen und mehr Ressourcen für die Besonderheiten. Auch die Industrie selber hält eine Fülle von Standards für uns bereit, die wir für unser Projekt "Datenmanagement in der Industrie" nutzen können.
Eine einzige Quelle der Wahrheit
Die Verwaltung von Daten in Unternehmen ist in den meisten Fällen historisch gewachsen, die Nutzung von Daten folgt selten einem übergeordneten Konzept, sondern eher dem kurzfristigen Bedarf. Dafür werden die benötigten Daten irgendwo abgegriffen, für den jeweiligen Einsatzzweck angepasst und dort abgelegt, wo es für sinnvoll gehalten wird. Im Ergebnis finden sich Daten an verschiedenen Stellen in uneinheitlicher Ausprägung im gesamten Unternehmen: Datenfreestyle statt Datenmanagement.
Das erste große Etappenziel ist deshalb die Schaffung einer gemeinsamen Datenquelle, die "Single Source of Truth. Bei dieser Single Source of Truth (oder auch "Single Spot of Truth") handelt es sich um eine zentrale Datenplattform im Unternehmen, auf die alle anderen Systeme grundsätzlich zugreifen können. Optimaler weise geschieht dies über eine bidirektionale Verbindung, damit Datenanpassungen aus anderen Systemen übernommen werden können. Die Single Source of Truth ist eine der Grundlagen, um die Konsistenz von Daten in Unternehmen zu gewährleisten.
Daten sammeln
Die dafür benötigten Basisdaten befinden sich in den meisten Fällen im ERP-System. Anders formuliert: das ERP-System ist das führende System, in dem Artikel angelegt und mit den entscheidenden Informationen wie Produktbezeichnung, Artikelnummer usw. geführt und verwaltet werden. Folgerichtig werden diese Rohdaten aus dem ERP-System in die Single Source of Truth überführt. Darüber hinaus werden die darüber hinaus existierenden Datenquellen auf verwertbare Daten überprüft. Dabei kann es sich um weitere Systeme – intern wie extern – handeln oder auch Einzeldokumente wie Exceldateien. Die Daten aus diesen
Quellen werden ebenfalls in die Single Source of Truth überführt und dort konsolidiert, d. h. zusammengeführt und vereinheitlicht. Dieser Schritt folgt einem klaren Konzept mit definierten Datenqualitätsprüfungen. Als Ergebnis erhält das Unternehmen den für alle weiteren Schritte benötigten sauberen, zentralen Datenbestand.
Daten verwalten
Wer große Informationsmengen transparenter gestalten und Prozesse vereinfachen möchte, muss sich auf die Suche nach Gemeinsamkeiten bei den Einzelteilen machen. Die Rede ist von Datenmodellen, die in der Lage sind, Produkte einheitlich zu beschreiben. Jedes physikalische Produkt verfügt über Merkmale wie z. B. Abmessungen und Gewicht. Diese Merkmale werden in einem Datenmodell zusammengefasst und beschrieben. Sollte es keine oder zu wenig Überschneidungen geben, wird ein weiteres Datenmodell erstellt, das die Produktgruppe passend repräsentiert. Damit werden die Produktinformationen in einen definierten, auswertbaren Standard (siehe Klassifizierung) überführt.
Diese Arbeit bildet die Basis für alle weiteren Prozesse, die richtige Analyse und Umsetzung ist für das gesamte Gelingen unverzichtbar
Daten anreichern
Nach der Datenklassifizierung und der Schaffung einer zentralen Datenstelle werden die Daten um weitere Informationen angereichert. Datenanreicherung ist die Ergänzung der nackten Produktdaten mit zusätzlichen Informationen. Jede sinnvolle Ergänzung dieser Daten erhöht deren Verwertbarkeit und macht sie damit wertvoller. Die Daten können dabei auf unterschiedliche Weise angereichert werden.
Die manuelle Anreicherung
Die Daten werden von Mitarbeitern/Redakteuren manuell um weitere Informationen ergänzt. Die manuelle Anreicherung wird häufig im Marketingbereich benutzt, um die Produkte mit passenden Marketingtexten zu versehen. Die Anreicherung selber richtet sich nach dem Zweck, zu welchem die angereicherten Daten letztendlich dienen sollen. Auch diese Art der Bearbeitung sollte definierten Abläufen folgen, die Qualitätsprüfungen und Freigaben beinhalten.
Verknüpfung mit anderen Daten
Innerhalb von Unternehmen gibt es viele Daten, deren Verknüpfung mit den zentralen Daten lohnenswert sind. Von zentraler Bedeutung sind Daten aus dem ERP-System wie Artikelnummer, EAN-Code, aber auch aus dem DAM-System, in dem Bilder, PDFs und weitere Assets verwaltet werden. Auch innerhalb der Single Source of Truth können Daten verknüpft werden, um Produkte untereinander in Beziehung zu bringen. Diese Beziehungen sind wichtig, um z. B. Cross- und Up-Sellings im Shop zu realisieren. Bei der Datenvererbung werden zugunsten eines effizienten Datenmanagements Eigenschaften und Funk‐ tionen von Haupt- auf Variantenprodukte vererbt.
Einbindung von KI-Diensten
Künstliche Intelligenz kann bei der Anreicherung von Daten eine unschätzbare Hilfe sein. KI-Modelle, die sich auf die Mustererkennung spezialisiert haben, analysieren Bilder und helfen so, Assets wie Bilder mit Tags oder Beschreibungen zu versehen. Die KIs werden aus der Single Source of Truth bedient und dorthin fließen auch wieder die Ergebnisse der KIs. Wie automatisiert oder teilautomatisiert der Vorgang abläuft und ggf. manuelle Qualitätssicherung integriert wird, ist im Prozess definiert.
Übersetzungsmanagement
Internationalität beinhaltet notwendigerweise andere Sprachen. Die Übersetzung von Inhalten für die jeweiligen Märkte ist deshalb eine bekannte Aufgabe, jedoch mit drei konkreten Herausforderungen: Aktualität. Qualität. Kosten. Jede dieser Herausforderungen beantworten Unternehmen am Besten an der Quelle, also bei ihrer Single Source of Truth, sowie durch ein hohes Maß an Automatisierung. Am einfachsten, schnellsten und kostengünstigsten übernimmt eine KI wie DeepL die Übersetzungsaufgaben. Wer nativen Übersetzungen den Vorzug gibt, kann Übersetzungsdienstleister in die Prozesse einbinden.
Daten verteilen
Der Handel, der eigene Webshop, der gedruckte Katalog, die Montageanleitung folgen einem gemeinsamen Diktum: sie möchten mit ihren spezifischen Daten/Inhalten versorgt werden. Dabei werden die Kanäle zwar aus einer Quelle bedient, aber ausschließlich mit den Informationen, die für den entsprechenden Kanal bzw. Medium relevant sind. Gleiches gilt für die Verfügbarkeit von Daten in CRM[1]Systemen zur Unterstützung der Marketing-Automation. Beratung oder Empfehlung, automatisiert oder teilautomatisiert – alles benötigt aktuelle Produktinformationen mit ihren zahlreichen Beziehungen untereinander.
Fazit
Datenmanagement mag im Unsichtbaren arbeiten, aber das richtige Datenmanagement ist Dreh- und Angelpunkt für viele erfolgskritische Abläufe in Unternehmen bis hin zur Einbindung von KI-Services. Damit ist Datenmanagement eine der entscheidenden Komponenten für die Digitalisierung und den ‐ zukünftigen Erfolg von Unternehmen.
