Golden Records sind kein Datenprojekt, sondern ein Nebenprodukt
Im letzten Beitrag haben wir fast beiläufig eine These aufgestellt, die einen eigenen Artikel verdient: Die Beziehungen, die in der Beschaffung am meisten zählen (welches Produkt welches ersetzt, welcher Lieferant tatsächlich was liefert, von wo und zu welchem Preis), sind genau die Daten, die eure Stammdatensysteme nur teilweise abbilden. Attributbasierte Systeme sind gut darin, zu beschreiben, was ein Produkt ist. Schlecht sind sie darin, zu erfassen, wie sich Produkte, Lieferanten und Preise tatsächlich verhalten.
Fast jeder große Distributor und Hersteller hat auf dieses Problem dieselbe Antwort, und es ist die falsche: ein Stammdatenprojekt.
Das Projekt, das nie endet
Du kennst das Muster. Es gibt ein Budget, ein Steering Committee, einen Beratungspartner und irgendwo in der Mitte eine Golden-Record-Engine. Es gibt Bereinigungsregeln, Dublettenläufe, eine Data-Governance-Charta und eine Roadmap, die in Jahren gemessen wird. Und nach all dem sind die Daten immer noch falsch, nicht weil das Team unfähig war, sondern wegen eines Fehlers, der schon in der Grundannahme steckt.
Die Grundannahme lautet, dass perfekte Stammdaten ein Zustand sind, den man erreichen kann: einmal alles bereinigen, Sieg verkünden, ab da pflegen. Aber Stammdaten sind kein Zustand. Sie sind ein Fluss. In dem Moment, in dem deine Golden Records sauber sind, zieht die Realität weiter: ein Lieferant benennt eine SKU um, eine Verpackungsgröße ändert sich, eine neue Preisliste trifft ein, ein Produkt wird abgekündigt und ein Ersatz taucht auf. Statische Datensätze beginnen an dem Tag zu verfallen, an dem sie fertig sind. Das Projekt ist also nie wirklich abgeschlossen; es läuft nur, bis das Budget aufgebraucht ist, und dann setzt der Verfall still wieder ein.
Das tiefer liegende Problem: Diese Projekte versuchen, in einem Warehouse eine Wahrheit zu rekonstruieren, die anderswo längst an ihnen vorbeifließt.
Der operative Strom ist der Stammdaten-Strom
Hier der Perspektivwechsel. Die eigentliche Wahrheit über deine Produkte, Lieferanten und Kategorien versteckt sich nicht in einem Data Lake und wartet auf Bereinigung. Sie bewegt sich jeden einzelnen Tag durch deine Beschaffungsprozesse.
Jede Auftragsbestätigung sagt dir etwas Wahres: Dieser Lieferant liefert diese SKU, zu diesem Preis, in dieser Verpackungsgröße, von diesem Ursprung, mit dieser Lieferzeit. Jede Aktualisierung einer Preisliste sagt dir, was aktuell ist und was sich geändert hat. Jede Lieferanten-E-Mail trägt Beziehungen in sich: dieser Artikel ersetzt jenen, diese Linie wird abgekündigt, diese beiden werden meist zusammen gekauft. Die relationale Wahrheit, die kein Attributsystem hält, ist genau die Wahrheit, die durch die operative Ebene fließt.
Ein Agent wie Lisa AI sitzt bereits in diesem Strom. Sie liest Bestätigungen, gleicht sie mit der Bestellung ab, löst die Abweichungen; das ist ihre operative Aufgabe. Doch schau, was diese Aufgabe strukturell ist: ein fortlaufender Abgleich dessen, was der Datensatz behauptet hat, mit dem, was die Realität bestätigt hat. Jeder dieser Abgleiche ist eine kostenlose Stammdatenprüfung. Genau das versucht ein Stammdatenprojekt im Batch zu leisten, im Nachhinein, auf veralteten Extrakten. So gemacht ist es langsam und teuer; im operativen Fluss gemacht, so wie Lisa es tut, ist es weder das eine noch das andere.
Abgleich ist Validierung
Das ist der Mechanismus, und es lohnt sich, konkret zu werden.
Wenn ein bestätigter Preis vom Preis in deinem System abweicht, behandelt der operative Agent das als zu lösende Ausnahme. Aber es ist zugleich ein Signal: Einer der beiden Werte ist veraltet, und jetzt weißt du, welchen Datensatz du hinterfragen musst. Wenn ein Lieferant einen Ersatzartikel liefert, ist das nicht nur ein Erfüllungsereignis; es ist ein Produktbeziehungs-Fakt, der sich gerade selbst geschrieben hat. Wenn eine Bestätigung in einer anderen Verpackungsgröße zurückkommt als die Bestellung annahm, ist das eine Mengeneinheiten-Korrektur, die dir gratis in den Schoß fällt.
Nichts davon erforderte ein Datenprojekt. Es fiel bei der Arbeit ab. Der Agent, der Ausnahmen löst, beobachtet, validiert und korrigiert als Nebeneffekt kontinuierlich genau die Datensätze, die eine Golden-Record-Initiative erzeugen soll. Die sauberen Produkt-, Lieferanten- und Kategoriedatensätze müssen nicht in einem separaten Strom hergestellt werden. Sie sind ein Nebenprodukt eines operativen Agenten, der seine Arbeit gut macht, und weil sie aus dem laufenden Betrieb entstehen, veralten sie nie. Jedes Dokument, das durchfließt, validiert sie neu. Es ist ein Golden Record, der sich selbst heilt.
Die ehrliche Grenze
An dieser Stelle würde ein weniger sorgfältiger Pitch übertreiben, also seien wir präzise, was das Nebenprodukt ist und was nicht.
Der operative Fluss liefert dir Verhaltenswahrheit: wie Produkte, Lieferanten und Preise sich tatsächlich verhalten, fortlaufend mit der Realität abgeglichen. Darin ist er außerordentlich gut, und es ist genau die Ebene, in der klassisches MDM am schwächsten ist. Was er dir nicht gratis liefert, ist die kanonische Identität, die Klempnerfrage, zu entscheiden, dass „Widget-A“ von einem Lieferanten und „Widget A / Rev 2“ von einem anderen tatsächlich dasselbe sind. Das braucht weiterhin bewusste Governance. Und der Strom sieht auch nicht, was nie durch ihn fließt: die Produkte, die du derzeit nicht kaufst, die Lieferanten, die du derzeit nicht nutzt. Seine Abdeckung ist durch deine Aktivität begrenzt.
Die ehrliche Version lautet also: Der operative Agent bündelt den größten Teil des Stammdatenproblems (den relationalen, verhaltensbezogenen, verfallsanfälligen Teil, also den teuren) zu einem Nebenprodukt des Betriebs. Er hebt die Notwendigkeit von kanonischer Identitätsauflösung und Governance nicht auf. Er macht diese verbleibende Aufgabe klein, fokussiert und lohnenswert, statt einer mehrjährigen Ausgrabung, die schon bei Lieferung veraltet ist.
Vom operativen Einkauf zur Kategoriestrategie
Jetzt der Teil, der verändert, mit wem du sprichst.
Sobald du saubere, lebendige, fortlaufend validierte Produkt-, Lieferanten- und Kategoriedatensätze hast (ein Substrat statt einer Momentaufnahme), wird eine ganze Ebene von Arbeit möglich, die zuvor manuell, langsam oder schlicht nicht erledigt wurde. Sortimentsbereinigung. Analyse von Eigenmarken-Substitution. Lieferantenkonsolidierung. Preiskorridor-Analyse über die Kategorie hinweg. Ausgaben-Transparenz, die tatsächlich aktuell ist. Das sind keine Aufgaben des operativen Einkaufs. Es sind die täglichen Themen des Category Managers und des CPO.
Das ist der strategische Hebel. Ein Agent, der ins Unternehmen kommt, um Auftragsbestätigungen zu bearbeiten (ein operatives Cost-Center-Gespräch), erzeugt als Nebenprodukt genau das Substrat, das Category- und Produktmanagement seit Jahren aufzubauen versuchen. Wir nennen dieses Substrat Product Intelligence: die lebendige Schicht relationaler Wahrheit über Produkte, Lieferanten und Kategorien, die sich durch den Betrieb ansammelt und dann strategische Entscheidungen speist. Sie sitzt auf derselben Intelligenzschicht, Recall Intelligence, die auch die operative Arbeit antreibt.
Die kommerzielle Konsequenz ist ein natürlicher Expansionspfad. Du startest operativ, wo der Schmerz offensichtlich und der ROI unmittelbar ist. Du expandierst strategisch, weil die operative Arbeit still ein Asset hervorgebracht hat, das die CPO-Abteilung nicht von der Stange kaufen und nicht leicht selbst bauen kann: ein Kategorie-Datenasset, das schon von seiner Entstehung her aktuell ist.
Der Perspektivwechsel
Hör auf, Golden Records als Ziel zu finanzieren. Sie sind kein Projekt, das man aufsetzt, besetzt und abschließt; die auf diese Weise gebauten verrotten, bevor die Tinte trocken ist. Lass saubere Stammdaten aus einem operativen Agenten abfallen, der ohnehin in dem Strom steht, in dem die Wahrheit fließt, und der Datensätze jedes Mal mit der Realität abgleicht, wenn ein Dokument sich bewegt.
Tu das, und zwei Dinge passieren gleichzeitig. Das Stammdatenproblem hört auf, ein Budgetposten zu sein, und wird zu einem Nebenprodukt. Und das Beschaffungsgespräch dreht sich nicht mehr um gesparte Klicks, sondern um Kategoriestrategie, weil derselbe Agent, der heute Morgen die Ausnahmen gelöst hat, still das Datenasset aufgebaut hat, auf dem eure gesamte kommerzielle Organisation läuft.
Bei Recall Space übernimmt Lisa den operativen Strom (Bestätigungen, Abweichungen, Lieferantenkommunikation), und die sauberen Produkt-, Lieferanten- und Kategoriedatensätze entstehen aus dieser Arbeit als Product Intelligence. Wenn euer Stammdaten-Vorhaben still zu einem dauerhaften Budgetposten geworden ist, ist das ein gutes erstes Gespräch.
