Ein PIM Projekt ist ein guter Anlass für die Einführung einer Data Governance

Beim diesjährigen Akeneo PIM Summit in Paris klärte Adam Beatty, einer unserer Akeneo PIM functional Consultants, über Data Governance im Rahmen eines PIM Projekts auf. Wir fassen seine Tipps und Anregungen für Sie zusammen.

Adam Beatty beim Akeneo PIM Summit 2019 in Paris

Im digitalen Zeitalter sehnen sich die Kunden nach Informationen. Die ständige Verfügbarkeit und Abrufbarkeit von Informationen über das Internet und dies über immer mehr Endgeräte, ermöglicht es Käufern sich jederzeit und überall zu informieren, zu vergleichen zu diskutieren und teilweise zu hinterfragen, bevor sich sie für oder gegen einen Kauf entscheiden.

Doch was wenn diese Informationen oder nicht passend sind?

Die Bereitstellung genauer und überzeugender Informationen für Verbraucher ist der wichtigste Zweck und die wichtigste Aufgabe von Produktinformationsmanagement-Software. Die Daten, aus denen sich diese Informationen zusammensetzen, bieten die Grundlage für Bewertung und spielen eine große Rolle im Kaufentscheidungsprozess. Sind diese Informationen falsch oder unbefriedigen, können sich Verbraucher gegen einen Kauf entscheiden, sich einem Anbieter zuwenden oder Falschkäufe tätigen, was die Retourenquote erhöht.

Schaffen Sie es allerdings, gelungene Produkterlebnisse zu bieten, unter anderem indem Sie akkurate, verständliche und ansprechende Informationen zur richtigen Zeit am richtigen Ort liefern, können Sie Falschkäufe minimieren, sich gegenüber anderen Anbietern einen Vorteil verschaffen bzw. differenzieren und Absätze steigern.

Hochwertige und gut strukturierte Daten sind hier der Schlüssel zum Erfolg. Eine Governance über diese Daten zu etablieren ist keine leichte oder schnelle Aufgabe, denn oftmals stellen jene Daten Unternehmen vor große Herausforderungen. In diesem Beitrag wollen wir darauf eingehen, was dies im Kontext eines PIM-Projekts bedeutet.

Nehmen Sie keine Abkürzungen bei Data Governance

Ein PIM-Projekt bietet die ideale Möglichkeit, Data Governance zu implementieren und Ihre Daten zu bereinigen. Während einer PIM-Implementierung werden die funktionsübergreifenden Teams und technischen Ressourcen, die zur Lösung Ihrer Datenprobleme benötigt werden, bereits in das Projekt investiert. In diesem Zuge geht es also „nur“ darum, die Datenverwaltung konsequent zu priorisieren.

Zugegebenermaßen ist dies oft einfacher gesagt als getan, da PIM-Projekte oft im Rahmen von größeren E-Commerce-Projekten umgesetzt werden, bei dem Zeit- und Ressourceneinschränkungen eine Rolle spielen. Ein häufiges Szenario, das wir in Projekten sehen, ist die Entscheidung des Integrators oder Kunden, die Daten aus dem ERP einfach direkt in das PIM zu übertragen, ohne sie zu bereinigen. Dies liegt in der Regel daran, dass der Integrator oder Kunde sich mehr um greifbare „deliverables“ im Zusammenhang mit Konnektoren, Anpassungen oder der Migration in die E-Commerce-Plattform sorgt und fokussiert. Hier wird dann nicht selten die Entscheidung getroffen, bei der Bereinigung Abstriche zu machen.

Dies ist nicht zu empfehlen, denn das Team, das mit diesen Produktdaten arbeitet wird zwar ein gutes, neues System verwenden, aber mit den gleichen Fehlerhaften, ungenauen oder unstrukturierten Daten arbeiten, die vor dem Projekt schon zu Problemen oder geführt haben.

Wie können Sie also bei der Umsetzung Ihres PIM-Projekts eine angemessene Data Governance etablieren? Nachfolgend wollen wir auf einige wichtige Schritte eingehen, die es Ihnen ermöglichen werden, Ihren Kunden die bestmöglichen Produkterlebnisse zu bieten.

1. Identifizieren Sie fehlende oder falsche Daten

Bevor Sie Ihre Daten anreichern bzw. verbesser können, müssen Sie zunächst feststellen, welche Informationen fehlen oder falsch sind.

Dies mag einfach und offensichtlich erscheinen, kann aber schwieriger sein als es scheint, insbesondere bei größeren Katalogen mit Millionen von Zeilen von Produktinformationsdaten. Katalog- / Produktmanager – oder wie wir sie bei uns nennen, „Julias“ – sind oft diejenigen, denen es am ehesten und am schnellsten auffällt, da sie sich am besten mit Produkten und Produktattributen auskennen.

Ihre Julias können einen guten Ausgangspunkt für die Verbesserung und Anreicherung der Daten bieten. Julia kann zum Beispiel wissen, dass es mehrere Variationen eines Dimensionsattributs gibt (3X5, 3 mal 5, drei mal fünf, etc…). Sie kann dann einen Entwickler im IT/Integrator-Team darüber informieren, der die Daten daraufhin schnell exportieren und Abfragen durchführen kann, um diese Datensätze zu isolieren und alle möglichen Varianten zu identifizieren.

2. Etablierung einer Data Governance-Richtlinie

Sobald die Probleme in Ihren Daten offen gelegt haben, können Sie festlegen, welche Werte und Standards die richtigen sind können hier Richtlinien festlegen, um die Konsistenz in Ihrem Katalog sicherzustellen.

So kann sich beispielsweise das Produktteam in dem oben genannten Dimensionsbeispiel zusammensetzen und gemeinsam entscheiden, dass der zu verwendende Standard im gesamten Katalog als „3X5“ abgebildet werden soll.

Ein weiteres Beispiel kann sich auf Geschäftsprozess selbst beziehen: wenn Lieferant A ausgezeichnete Produktbilder liefert, während Lieferant B schlechte Bilder mit niedriger Auflösung liefert, könnte eine Richtlinie festlegen, dass alle Bilder von Lieferant B neu zu erfassen sind, während automatisch alle Bilder von Lieferant A verwendet werden.

Die Festlegung solcher Richtlinien ist für die Standardisierung Ihrer Daten von entscheidender Bedeutung.

3. Beheben Sie Ursachen der Probleme

Sobald problematische Datensätze identifiziert wurden, ist es an der Zeit, die Ursache des Problems zu beheben.

Das Produktökosystem kann durchaus komplex sein, und die Behebung der Ursache erfordert, dass Sie genau verstehen, aus welchen Quellen welche Produktinformationen stammen und zusammensetzen. Es kann sehr unterschiedliche Ursachen für Probleme in Produktinformationen geben, darunter schlechte Lieferanteninformationen, falsch abgebildete Daten aus einem anderen System wie einem ERP-System oder schlicht und einfach „menschliches Versagen“, wie die inkonsistente Verwendung eines Attributwertes innerhalb eines Produktteams.

Die Lösung der Probleme hängt vom Problem selbst ab. Ein Mapping-Problem wird vom IT-Team gelöst, menschliche Fehler müssen durch die Standardisierung der Dateneingabeprozesse behoben werden, und externe Probleme, wie schlechte Lieferanteninformationen, können eine Eskalation bzw. Absprache mit der Einkaufsabteilung erfordern.

4. Bestehende Daten korrigieren

Haben Sie Ursachen identifiziert und adressiert, ist es an der Zeit, Ihren bestehenden Katalog zu aktualisieren. Eine Datenmigration bietet hier den idealen Anlass, um Daten zu korrigieren. Sobald das zuständige bzw. involvierte Team alle Datenprobleme identifiziert und die richtigen Werte ermittelt hat, kann die IT / der Integrator große Datenmengen vor der Migration in das neue PIM programmatisch korrigieren.

5. Data Governance Richtlinien pflegen und aktualisieren

Produktinformationen sind dynamisch. Neue Produkte und Technologien werden in regelmäßigen Abständen eingeführt oder laufen aus – das sollte Ihre Governance-Politik ebenfalls berücksichtigen. Wenn Sie eine neue Produktlinie einführen, sollten Sie die Produktinformationen der neuen Linie überprüfen und Ihre bestehenden Richtlinien und Verfahren anpassen.

Bedenken Sie auch, dass immer wieder Daten bzw. Datensätze irrelevant oder obsolet werden – auch das Löschen dieser Daten trägt zur Datenhygiene bei. Wenn beispielsweise eine Marke in Ihrem Katalog nicht mehr existiert, empfehlen wir Ihnen, sie rechtzeitig aus Ihren Systemen zu löschen. Ein großes B2B- oder B2C-Unternehmen, das Hunderte von Marken anbietet, könnte nach einigen Jahren schnell Dutzende von veralteten „Ghost“-Marken im System haben…

Ein PIM Projekt zur Einführung einer Data Governance nutzen
Adam Beatty, functional consultant bei Akeneo

Sauberkeit und Vollständigkeit stets im Blick behalten… und iterativ vorgehen

Denken Sie ebenfalls an ein Monitoring über Vollständigkeit der Daten, so dass Sie alle Attribute im Blick behalten, die nicht fehlen dürfen, bevor Produkte in Kanäle distribuiert werden. Dies hilft ebenfalls dabei im Unternehmen Prozesse so zu strukturieren, dass Kanäle und Gebietschemata ordentlich befüllt werden.

Auch außerhalb eines PIM-Systems gibt es Wege, den manuellen Aufwand im Zaum zu halten und Richtlinien schneller umzusetzen: Entwickler können Skripte schreiben, um Daten auf bestimmte Muster hin zu analysieren und die Standardisierung teilweise zu automatisieren. Doch auch die altbekannten Methoden kommen hier zum Einsatz: Ab- und Rücksprachen oder Aufklärung bei Lieferanten können Ihnen einiges an Arbeit abnehmen.

Es ist meistens nicht realistisch bis unmöglich zu erwarten, dass die Bereinigung und Vervollständigung der Daten „in einem Abwasch“ geschehen kann. Setzen Sie hier auf einen iterativen Ansatz. Die Implementierung eines PIMs ist ein hervorragender Anlass, diese Prozess in Gang zu setzen. Dabei können Sie die wichtigsten Kriterien und Probleme festlegen, die behoben werden sollen, und weitere Optimierungen für einen späteren Zeitpunkt einplanen.

Nach und nach können Sie sich im Zuge eines PIM-Projekts in die Richtung entwickeln, die es Ihnen ermöglichen wird, mit sauberen, strukturierten, vollständigen und ansprechenden Daten die neuesten Technologien effizienter und schneller einzusetzen, Expansionen effizienter vorantreiben und Ihren Kunden immer das Produkterlebnis bieten, dass sie erwarten und Sie und Ihrem Unternehmen den Erfolg garantiert.

Sie wollen mehr über PIM erfahren? Dann kontaktieren Sie uns gerne oder lesen Sie sich weiter bei uns ein.

Kommentare sind geschlossen.

Lesen Sie auch...

[VIDEO] Goupil Experience #2: Social Selling Struggles

Welcome to episode 2 of our summer comedy video series, The Goupil Experience! Last time we left our friends Ake and Julia, Ake was desperately trying to find a replacement to his Goupil time travel controller so he can return to his home time period — but he’s having some difficulty. After initially hoping to…

Weiterlesen