Bessere Produktdaten sind weit mehr als die Vorbereitung auf die nächste Verordnung. Dieselbe Grundlage macht die tägliche Arbeit leichter, gibt AI etwas Sinnvolles an die Hand und bereitet deine Produkte auf das vor, was als Nächstes kommt: ESPR, den digitalen Produktpass und alles, was daran hängt. Dein nächster Vorsprung steckt vielleicht schon in deinen Daten. Die Frage ist nur, ob du ihn auch nutzen kannst.
Ein falscher Farbcode klingt nicht nach einem großen Problem. Eine fehlende Faserzusammensetzung, ein veraltetes Maß oder ein Lieferantendetail, das irgendwo in einem E-Mail-Verlauf steckt, auch nicht. Bis diese Informationen anfangen zu wandern. Das falsche Maß landet im Sample Room. Eine alte BOM geht an den Lieferanten. Einkauf und Design arbeiten mit zwei verschiedenen Versionen desselben Styles. Oder jemand verbringt einen halben Nachmittag damit, das Zertifikat zu suchen, das belegt, was ohnehin alle zu wissen glauben.
Genau hier zeigen sich die wahren Kosten schlechter Produktdaten. Sie führen zu zusätzlichen Samples, doppelter Arbeit, mehr E-Mails, langsameren Entscheidungen und zu Fehlern, die umso teurer werden, je weiter ein Produkt in der Entwicklung fortgeschritten ist. Und es gibt einen weiteren Kostenfaktor, der sich schwerer messen lässt: Vertrauen. Wenn Teams ständig prüfen müssen, ob die Information vor ihnen überhaupt stimmt, bringen die Daten selbst wenig.
Gutes Produktdatenmanagement heißt deshalb nicht, eine schön aufgeräumte Datenbank zu bauen. Es heißt, die tägliche Arbeit leichter zu machen und eine Grundlage zu schaffen, auf die du dich wirklich verlassen kannst.
Daten zu haben ist das eine. Zu wissen, was sie bedeuten, das andere. Jemand schreibt dir: „Es ist 42.“ Okay ... 42 was? Eine Schuhgröße? Ein Maß? Ein Preis? Die Zahl der Samples, die gerade auf Freigabe warten? Ergänze „Schuhgröße“ und plötzlich bedeutet die Zahl etwas. Diese Information drumherum ist Kontext, und mit Produktdaten verhält es sich genauso.
„100 % Baumwolle“ ist ein Datenpunkt. Verknüpfe ihn mit einem konkreten Material, einem Lieferanten, einer Zertifizierung, einer Farbvariante (Colourway) und den Styles, die ihn verwenden, und daraus wird etwas deutlich Nützlicheres. Du weißt, wozu die Information gehört, woher sie kommt und wo sie sonst noch eine Rolle spielt. Das wird besonders wichtig, je mehr Informationen Marken zu jedem einzelnen Produkt sammeln. Tausende Datenpunkte einfach zu speichern ist nicht das Ziel. Sie brauchen Beziehungen und Struktur, damit Menschen verstehen, was sie vor sich haben, und es auch nutzen können. Genau hier wird PLM-Compliance relevant: Sie verbindet die Produktentwicklungsdaten, mit denen du ohnehin arbeitest, mit den wachsenden Informationsanforderungen rund um deine Produkte.
Und immer öfter brauchen nicht nur deine Kolleginnen und Kollegen diesen Kontext. AI braucht ihn auch.
Wenn du für eine Modemarke arbeitest, hat die Geschäftsführung vermutlich schon gefragt, wo ihr mehr AI einsetzen könnt. Wahrscheinlich sogar mehrfach. Sich für AI zu entscheiden ist allerdings der einfache Teil. Bei AI im PLM wird es erst dort interessant, wo es darum geht, womit sie eigentlich arbeiten soll.
Frag AI ohne jeden Kontext, ob ein Style produktionsreif ist, und die Frage ist fast bedeutungslos. Was heißt produktionsreif? Ist die BOM vollständig? Sind die Maße freigegeben? Welcher Lieferant produziert? Gib AI Zugriff auf diesen Kontext, und die Möglichkeiten sehen mit einem Mal ganz anders aus.
AI kann keine fehlende Faserzusammensetzung erfinden und nicht wissen, welches Maß stimmt, wenn drei Versionen im Umlauf sind. Aber mit verlässlichen, strukturierten Produktdaten kann sie Informationen auswerten, Lücken erkennen und vorhandenes Wissen viel leichter nutzbar machen. Vielleicht lautet die Frage also nicht einfach: Wo können wir AI einsetzen?Sondern: Womit lassen wir sie arbeiten?
Und dann ist da der digitale Produktpass (Digital Product Passport, DPP), eine der großen Veränderungen, die mit der ESPR kommen.
Man stellt sich den DPP schnell als den QR-Code vor, den Kundinnen und Kunden irgendwann scannen. Spannend ist aber alles, was hinter diesem kleinen Quadrat liegt. Denk an ein T-Shirt. Physisch hast du ein fertiges Produkt. Digital steckt darin eine viel größere Geschichte: Faserzusammensetzung, Materialien, Lieferanten, Angaben zur Produktion, Zertifizierungen, Pflegehinweise und später auch Informationen zu Reparatur, Recycling und Lebensende. Anders gesagt: ein digitaler Zwilling (Digital Twin) des Produkts, gebaut aus Daten, die auf dem gesamten Weg entstehen.
Das Problem: Diese Informationen tauchen nicht plötzlich auf, wenn der Produktpass erstellt werden soll. Vieles davon entsteht Jahre früher und an ganz verschiedenen Stellen. Design kennt einen Teil, Sourcing einen anderen, Lieferanten liefern wieder etwas anderes, und Compliance sammelt die Dokumentation womöglich noch einmal separat.
Sind diese Teile von Anfang an verknüpft, ist der DPP einfach die nächste Verwendung von Daten, die du längst hast. Liegen sie verstreut in Spreadsheets, Postfächern und Ordnern, wartet ein deutlich größeres Stück Arbeit.
Jeden Monat veranstalten wir ein Webinar, oft gemeinsam mit unseren IT-Solution-Partnern und führenden Marken der Branche. Die Themen wechseln, eines bleibt gleich: Wir wollen die Herausforderungen der Modebranche greifbarer machen und unsere Sicht auf praxisnahe Lösungen teilen.
Das Webinar dieses Monats findest du über den Button unten.