// DEEP DIVE | PRODUKTDATENANREICHERUNG
Automatisches Attribut-Mapping und Schema Matching
Attribut-Mapping ist die Übersetzungsschicht zwischen Systemen. Jeder Lieferant schickt seine Daten in eigener Struktur, jedes Zielsystem erwartet sie anders. Wo manuell stundenlang gemappt und normalisiert wird, erkennt KI-gestütztes Schema Matching die Struktur und mappt selbstständig. Aus "Farbe: Karmesinrot" beim Lieferanten wird "color_code: #Red" im Shop, automatisch und nachvollziehbar.
DAS PROBLEM
Wenn jeder Lieferant seine eigene Sprache spricht
Sie binden einen neuen Lieferanten an. Der schickt eine Excel-Liste mit 87 Spalten in seiner eigenen Logik: "art_nr", "bezeichnung_lang", "farbcode_intern", "vk_brutto", "gewicht_g". Ihr PIM heißt die gleichen Felder "sku", "product_name", "color", "price_eur", "weight_kg". Damit aus der Excel etwas wird, das ins PIM passt, muss jemand jede einzelne Spalte zuordnen. Bei 50 Lieferanten ist das ein Vollzeitjob.
Schlimmer wird es bei den Werten selbst. Der Lieferant schreibt "Karmesinrot", "Bordeaux" und "Rotwein". Ihr Shop kennt nur "Rot". Gewicht kommt in Gramm, der Shop will Kilogramm. Preise inklusive Mehrwertsteuer, Ihr System rechnet netto. Jede dieser Umformungen muss irgendwo passieren, sonst landet Unsinn in der Produktdatenbank.
Die Lösung ist KI-gestütztes Mapping, das Schema (welche Spalte gehört wohin) und Werte (welche Bezeichnung bedeutet was) gleichzeitig löst. Was beim ersten Lieferanten 2 Stunden Vorarbeit braucht, geht beim 50. Lieferanten in 5 Minuten, weil das System aus jeder neuen Datei lernt.
Was ist Schema Matching?
Schema Matching ist der KI-gestützte Prozess, der automatisch erkennt, welche Spalten in einer Quelldatei welchen Feldern in einem Zielsystem entsprechen. Anders als ein fest verdrahteter Import erkennt das System per Mustererkennung (Spaltennamen, Datentypen, Beispielwerte), dass "art_nr" eine SKU ist und "vk_brutto" der Bruttopreis. Ergänzt wird das durch Value Mapping ("Karmesinrot" wird zu "Rot") und Transformationen wie ETL-Schritte (Gewicht von Gramm in Kilogramm, Preise von brutto auf netto). Das alles passiert auf einer normalisierten Pipeline, sodass ein neues Lieferantenformat keine Code-Änderung mehr braucht.
Vier Schichten der Übersetzungslogik
/ UNSER ANSATZ
01
Schritt 01
Schema Matching mit KI
Die KI bekommt die Quelldatei und das Ziel-Schema, schlägt eine Spalten-Zuordnung mit Confidence Scores vor. "art_nr" wird mit 98 Prozent Wahrscheinlichkeit zu "sku", "vk_brutto" mit 95 Prozent zu "price_gross". Die hochwahrscheinlichen Treffer werden automatisch übernommen, die unsicheren gehen zur manuellen Prüfung. Pro Lieferanten-Format wird das Mapping einmal aufgesetzt und dann als Template gespeichert.
02
Schritt 02
Value Mapping über Lookup-Tables
Schema gemappt ist nur die halbe Miete. Werte müssen normalisiert werden. Wir bauen Lookup-Tables: "Karmesinrot", "Bordeaux" und "Rotwein" mappen alle auf den Zielwert "Rot". Diese Tables werden initial KI-gestützt vorgeschlagen und vom Data Steward bestätigt. Im Betrieb pflegen sich neue Varianten als Vorschläge ein, der Steward klickt sie frei.
03
Schritt 03
Transformationen und Berechnungen
Manche Felder brauchen Berechnung, nicht nur Zuordnung. Gewicht von 1500 Gramm wird zu 1,5 Kilogramm. Preis von 119 Euro brutto bei 19 Prozent USt. wird zu 100 Euro netto. Datum von "15.03.2026" wird zu "2026-03-15". Diese Transformationen laufen als ETL-Schritte (Extract Transform Load), über reguläre Ausdrücke (Regex) für Mustertransformationen oder Skript-Funktionen für komplexere Fälle.
04
Schritt 04
Supplier Onboarding als wiederholbarer Prozess
Der erste Lieferant kostet ein paar Stunden Setup. Der zweite kostet die Hälfte, weil das System die Felder schon mal gesehen hat. Ab dem zehnten Lieferanten ist ein neues Onboarding eine Sache von Minuten: Datei hochladen, Vorschläge des Systems bestätigen, fertig. Aus einem zeitintensiven Integration-Projekt wird ein Routine-Vorgang im Tagesgeschäft.
Der Babelfisch für Datenbanken
Stellen Sie sich vor, jedes Quellsystem spricht eine andere Sprache und Ihr Zielsystem versteht nur Deutsch. Attribut-Mapping ist der Babelfisch, der dazwischen sitzt: liest die fremde Sprache, kennt die idiomatischen Eigenheiten, übersetzt nach den Regeln Ihres Hauses. Was beim ersten Mal noch ein Wörterbuch braucht (Lookup-Tables, manuelle Bestätigung), wird zum erlernten Reflex (Templates, automatische Erkennung). Lieferanten-Onboarding wird vom Engpass zum Routinevorgang.
Minuten
statt Stunden für ein neues Lieferanten-Format
Klassisches Lieferanten-Onboarding mit manuellem Mapping einer 80-Spalten-Excel kostet 2 bis 4 Stunden Vorarbeit eines Integration Managers, bevor die erste Datei sauber im PIM landet. Mit KI-gestütztem Schema Matching und vorhandenen Lookup-Tables aus früheren Lieferanten fällt das auf 5 bis 30 Minuten. Skaliert auf 50 Lieferanten pro Jahr sind das gesparte Wochen an Integration-Aufwand.
Wo der Aufwand verschwindet
Schritt
Manuelles Mapping
Xanevo KI-Mapping
Spalten zuordnen
Pro Lieferant 1 bis 2 Stunden
Vorschlag mit Confidence Score, manuelle Bestätigung
Werte normalisieren
Manuelle Pflege für jeden Wert
Lookup-Tables mit KI-Vorschlägen
Einheiten umrechnen
Excel-Formeln pro Datei
ETL-Schritte einmal definiert, wiederverwendet
Neues Lieferanten-Format
Komplett neuer Mapping-Lauf
Template, falls Format bekannt; Minuten statt Stunden
Pflegeaufwand laufend
Hoch, weil keine Lerneffekte
System lernt aus jeder Bestätigung
Drei Fragen, die Integration Manager und IT-Architekten stellen
Wenn die KI keine eindeutige Zuordnung mit ausreichender Confidence findet, wird die Spalte als "unklar" markiert und der Integration Manager kann sie manuell zuordnen. Die manuelle Entscheidung wird als neue Regel gespeichert, sodass beim nächsten Lieferanten mit ähnlichem Spaltennamen die Zuordnung automatisch erkannt wird. Das System lernt aus jeder Entscheidung.
Ja. Bestehende Regeln aus Talend, Informatica, AWS Glue oder eigenen ETL-Skripten können als Startpunkt importiert werden. Wir bauen darüber die KI-Schicht, die neue Lieferanten gegen die bestehenden Regeln prüft und nur die Differenzen meldet. Bestehende Investments gehen nicht verloren.
Jedes Mapping liegt als versioniertes Konfigurationsfile vor (YAML oder JSON), nachvollziehbar und in Ihr Git-Repository einbindbar. Änderungen sind diffbar, Rück-Rollouts möglich. Lookup-Tables werden über eine UI gepflegt, sodass auch nicht-technische Data Stewards Werte ergänzen oder korrigieren können, ohne Code zu ändern.
Verwandte Deep Dives
Golden Records
Attribut-Mapping ist die Vor-Arbeit für Golden Records. Erst wenn die Felder vergleichbar sind, können Survivorship-Regeln greifen.
Taxonomie und Klassifikation
Mapping zwischen Standards (ETIM zu ECLASS, oder Lieferanten-eigene Kategorien zu Branchen-Taxonomien) ist ein Spezialfall des Attribut-Mappings.
// ATTRIBUT-MAPPING
Wir räumen Ihre CSV in Sekunden auf.
Geben Sie uns eine typische Lieferanten-CSV oder Excel und das Schema Ihres PIM oder ERP. Wir lassen unsere Mapping-Pipeline drüberlaufen und zeigen Ihnen konkret, welche Felder automatisch erkannt werden, wo Lookup-Tables greifen würden und wo manuelle Entscheidungen nötig bleiben. Pseudonymisiert, in einer Woche.