Stammdaten-Harmonisierung ist keine Nebenaufgabe für jedes Team. Sie ist ein zentraler Prozess.

Warum eine Datenbereinigung Team für Team ins Stocken gerät – und wie ein Service, der findet, entscheidet, sich merkt, anreichert und nachweist, die Datenbasis deutlich schneller aufbaut.

Die meisten Stammdaten, die wir übergeben bekommen, erzählen dieselbe Geschichte: Altavex Electronics (alle Firmennamen sind fiktiv) taucht in drei Schreibweisen auf, eine davon in zwei Dutzend Zeilen. Ein Kunde ist sowohl als „Halvren Automation AG“ als auch als „Halvren Automation“ angelegt. Mehrere hundert Bauteile stecken in einer Produktfamilie namens „Sonstige“, und wichtige Felder sind zur Hälfte leer.

Daran ist niemand schuld. Stamm- und Bewegungsdaten werden von vielen Händen, in vielen Systemen und über viele Jahre gepflegt. Vieles stammt aus Altsystemen und Unternehmenszusammenschlüssen. Doch jedes Tool, das darauf aufsetzt, erbt die Fehler. Ein Vertriebsreport verteilt das Geschäft mit Altavex Electronics auf drei Hersteller. Die Historie eines Kunden ist auf zwei Accounts aufgeteilt. Eine Cross-Selling-Suche über Produktfamilien übersieht alles, was unter „Sonstige“ abgelegt ist. Und ein Bauteil ohne Angaben zu Gehäuse oder Parameter lässt sich keiner Alternative zuordnen.

Warum Bereinigungen Team für Team ins Stocken geraten

Saubere Daten beginnen mit Data Governance – und dazu gehört eine Referenzliste der vereinbarten Namen und Kategorien. Diese Referenz ist die Grundvoraussetzung für jede Harmonisierung und muss auf Unternehmensebene festgelegt werden.

Die Anwendung dieses Standards bleibt meist den einzelnen Teams überlassen. Produkt- und Applikationsmarketing, Sales Operations und IT bereinigen jeweils ihren eigenen Bereich – manuell, in ihren eigenen Systemen und in ihrem eigenen Tempo. In einer Organisation, in der Hunderte Personen dieselben Datensätze bearbeiten, stößt das an drei strukturelle Grenzen.

Die erste Grenze ist die Geschwindigkeit. Jedes Team hat andere Prioritäten, also zieht sich die Bereinigung hin. Fragen Sie einen beliebigen Process Owner: Das kann Jahre dauern. Ohne akuten Druck verliert das Thema schnell an Priorität: Gartner erwartet, dass bis 2027 80 % aller Data-&-Analytics-Governance-Initiativen scheitern, weil keine Krise zum Handeln zwingt. Gleichzeitig entwickeln sich die Daten ständig weiter: neue Hersteller, neue Teilenummern und neue Schreibweisen kommen laufend hinzu.

Die zweite Grenze: Der neue Standard verändert zunächst einmal nur neue Einträge, nicht die Vergangenheit. Auch wenn alle „Altavex Electronics“ abgesegnet haben, stehen die falsch geschriebenen Datensätze weiterhin in den Systemen – und jeder einzelne davon muss manuell geändert werden.

Die dritte Grenze ist die erforderliche Koordination des Prozesses: Jedes Team entscheidet dieselben oder ähnliche Fälle erneut, nicht immer gleich, und die offenen Entscheidungen stapeln sich. Was wir selbst beobachtet haben: Als Tausende Entscheidungen zur Datenharmonisierung Menschen zur Freigabe vorgelegt wurden, wurde fast keine getroffen. Eine Organisation, die alles einzeln reviewen und ggf. freigeben muss, gibt am Ende fast nichts frei.

Das alles soll nicht heißen, dass der Mensch aus dem Prozess entfernt werden soll. Es spricht für einen reibungsloseren, effizienteren Prozess: weniger, dafür bessere Fragen stellen – und jede Antwort auf den gesamten Datenbestand anwenden.

So funktioniert der zentrale Ansatz

Mit FASTND ENGINEERING findet die Harmonisierung an einer Stelle und weitgehend automatisiert statt. Kunden übergeben ihre unbereinigten Daten und erhalten sie bereinigt, angereichert und mit der Referenzliste abgeglichen zurück. Die Struktur bleibt unverändert, und ein lückenloses Änderungsprotokoll zeigt, was sich geändert hat und warum. Die Arbeit läuft in fünf Schritten ab – KI-gestützt dort, wo feste Regeln nicht ausreichen.

Nur die unsicheren Fälle landen bei einem Menschen, und jede Entscheidung wird bei jedem späteren Upload erneut angewendet.

Finden: deterministische Prüfungen. Der erste Schritt arbeitet mit festen Regeln, nicht mit KI. Er normalisiert Namen: Groß- und Kleinschreibung, Satzzeichen, Umlaute und Rechtsformzusätze wie „GmbH“ oder „Inc.“. Anschließend gleicht er jeden Namen mit der Referenzliste ab. Er markiert Dubletten, Schreibfehler, ähnlich lautende Namen und Taxonomie-Konflikte – etwa einen Produktfamilien-Namen, der zugleich als Kategorie auftaucht. Jeder Befund wird zu einem Konflikt zwischen konkurrierenden Varianten, mit Korrekturvorschlag und Konfidenzwert. Die Ähnlichkeitsschwellen werden anhand bekannter Paare kalibriert: „Ondralink Technology“ und „Ondrion Technology“ sind zu 79 % ähnlich, aber zwei verschiedene Unternehmen – deshalb wird die Schwelle für Hersteller bewusst darüber (z. B. 80 %) angesetzt. Weil jeder Name gegen die Referenzliste geprüft wird und nicht gegen die übrigen Zeilen, wird selbst ein Schreibfehler erkannt, der sich durch den gesamten Datensatz zieht.

Entscheiden: drei Sicherheitsgrade. Ist sich das System sicher, wendet es die Korrektur direkt an. Das betrifft reine Varianten in Groß-/Kleinschreibung oder Zeichensetzung sowie bereits gespeicherte Entscheidungen. Ist es sich weitgehend, aber nicht vollständig sicher, prüft ein KI-Agent den Konflikt und entscheidet. Die verbleibenden unsicheren Fälle gehen an einen Menschen – an die Fachexperten des Unternehmens, wo Domänenwissen gefragt ist. Deren Prüfansicht zeigt die Kandidaten, die betroffenen Zeilen und den Grund, warum der Fall aufkam. Die Schwellenwerte sind konfigurierbar. Weil eine falsche Zusammenführung genauso aussieht wie saubere Daten, handelt das System nur dort eigenständig, wo seine Konfidenz das rechtfertigt. Das letzte Wort behält der Mensch: Jede Entscheidung, auch die des Agenten, kann geprüft und rückgängig gemacht werden.

Merken: Jede Entscheidung wird nur einmal getroffen. Dieser Schritt verändert die Wirtschaftlichkeit grundlegend. Jede Auflösung wird dauerhaft im Gedächtnis des Unternehmens gespeichert, dem die Daten gehören. Es hält Regeln fest wie „diese Schreibweise steht für jenen Hersteller“, „diese beiden sind tatsächlich verschieden“ oder „dieser Wert ist ein Platzhalter, nie wieder markieren“. Das Gedächtnis übersteht Löschungen und Re-Importe. Das System lernt aus jeder Entscheidung und behebt dasselbe Problem automatisch, wo immer es erneut auftritt. Der nächste Datensatz mit „Altavex Eletronics“ wird korrigiert, bevor ihn jemand zu Gesicht bekommt. Auch die Referenzliste wächst: Namen, die zu keinem bekannten Eintrag passen, werden aufgenommen – ebenso Beinahe-Dubletten, die ein Prüfer als tatsächlich neu bestätigt. Das Vokabular muss also nicht vollständig vorab ausgehandelt werden; ausgehend von der Referenzliste wächst es mit den Daten und den Entscheidungen, die darüber getroffen werden.

Anreichern: recherchiert und mit Quelle belegt. Die Anreicherung beginnt erst, wenn alle Konflikte aufgelöst sind – denn wer die Lücken einer Dublette füllt, verdoppelt Aufwand und Fehler. Spezialisierte Agenten greifen dann auf mehrere Datenquellen zurück, um Lücken zu schließen, leere Felder zu befüllen und Datensätze aus Sammelkategorien wie „Sonstige“ herauszuholen. Bei Produktdaten beginnt das mit den Websites und Datenblättern der Hersteller selbst. Andere Felder lassen sich gar nicht nachschlagen, wohl aber aus verwandten Feldern ableiten. Das Branchensegment eines Unternehmens und die gekauften Produkte etwa weisen auf die wahrscheinlichste Applikation seines Projekts hin. Ein Wert, der sich weder finden noch mit ausreichender Sicherheit ableiten lässt, bleibt leer. Für jeden recherchierten Wert speichert die Pipeline die Quelle, die Textstelle, die den Wert belegt, und das Datum.

Nachweisen: protokolliert und nachvollziehbar. Die Originaldaten werden nie überschrieben. Jede Änderung wird zusätzlich protokolliert: der alte Wert, der neue, wer oder was ihn geändert hat und – bei recherchierten Werten – woher er stammt. Jeder Wert lässt sich bis zu seinem Ursprung zurückverfolgen, und jede Entscheidung kann rückgängig gemacht werden.

Was die Agenten nie zu sehen bekommen

Bei alldem müssen Datenschutz und Vertraulichkeit jederzeit gewährleistet sein. Die Agenten erhalten daher nie aggregierte Datensätze wie Projekt-Daten, die eine Applikation, einen Kunden und die gekauften Produkte zusammenfassen. Für sich genommen ist keines dieser Elemente vertraulich: Teilenummern allein sind öffentlich, und auch eine Applikation oder ein Firmenname allein verrät nichts, solange beides nicht miteinander verknüpft ist. Das Risiko entsteht erst, wenn die Teile zusammenkommen und eine konkrete Geschäftschance abbilden. Deshalb arbeiten die Agenten auf einzelnen Entitäten. Nur abgeleitete Werte benötigen mehrere zusammenhängende Felder gleichzeitig. In diesem Fall werden einige Felder vorab anonymisiert, sodass der Agent das Muster zwar erkennt, aber keine Rückschlüsse auf das Projekt ziehen kann.

Was sich für die Organisation ändert

Der grundlegende Unterschied liegt darin, womit der Aufwand skaliert. Bereinigt jedes Team seinen eigenen Bereich, wachsen die Kosten für saubere Daten mit der Anzahl der Teams und der Zeilen, die bereinigt werden müssen. Beim zentralen Ansatz hängen sie nur von der Anzahl der Fragen ab, die nach der automatischen Bereinigung offen bleiben – und jede davon wird nur einmal beantwortet, von jemandem mit Fachkenntnis. Genau das macht die Harmonisierung so viel schneller. Und es werden auch bestehende Zeilen korrigiert, nicht nur neue.

Für alle, die mit den bereinigten Daten arbeiten, heißt das: ein Altavex Electronics statt drei in jedem Report. Alle Daten zu einem Kunden erscheinen konsistent unter einem Account statt unter zweien. Bauteile lassen sich wieder nach Produktfamilie finden. Produkte lassen sich sauber Alternativen und Cross-Selling-Potenzialen zuordnen, und Projekte sind mit ihrer wahrscheinlichsten Applikation getaggt. Zudem lernt das System selbstständig und wendet frühere Erkenntnisse automatisch an. Jeder Upload hinterlässt weniger Arbeit für den nächsten: Neue Namen wandern in die Referenzliste, und frühere Entscheidungen werden wiederverwendet.

Die bereinigten Daten bilden damit eine solide Grundlage für jedes CRM- oder ERP-System, jede Recommendation Engine und jeden KI-Assistenten.

Bisher hat jedes Team dieselben Fragen zu seinen Daten immer wieder neu beantwortet. Jetzt wird jede Entscheidung einmal getroffen – und gilt danach für den gesamten Datenbestand.