Von PDF zum PIM: KI für fehlerfreie Produktdaten

Digitalisierung allein reicht nicht mehr

Die digitale Transformation hat fast alle Branchen erfasst, doch ihre Ausprägung reicht von „Excel-Wildwuchs“ bis hin zu vollautomatisierten Datendrehscheiben. Spätestens seit der KI-Boom 2023 Fahrt aufgenommen hat, ist klar: wer mit veralteten Prozessen agiert, riskiert von der Konkurrenz überholt zu werden. Gerade im Handel genügt es nicht, Artikelstammdaten rudimentär im ERP zu speichern. Kunden, Marktplätze und Suchalgorithmen verlangen heute detail­reiche,​​ konstant gepflegte Informationen – von Materialangaben und Größen über branchenspezifische Werte, bis hin zu hochauflösenden Bildern. Oft liegt dieses Wissen längst im Unternehmen vor: in Produktdatenblättern, Katalogen oder Preislisten. Das Problem? Es steckt in PDFs, Scans oder Präsentationen statt in einem performanten PIM-System. So ist es nicht möglich, die Daten strukturiert und schnell verarbeitbar weiterzugeben.

Manuelle Datenerfassung – ein teurer Weg

Die scheinbar naheliegendste Lösung wäre es, die Werte abzutippen und händisch in eine Datenbank zu kopieren. Doch selbst kleine Sortimente verschlingen so wertvolle Stunden – ganz zu schweigen von dem Fehler­potenzial, das mit jeder Copy-&-Paste-Aktion steigt. Online-Händler, die Tausende SKU (Stock Keeping Unit) pro Saison anlegen, schließen Artikel schlicht aus, wenn das Onboarding zu langsam oder zu fehleranfällig ist. Wer seine Ressourcen smarter einsetzt, gewinnt dagegen Time-to-Market, reduziert Retouren und stärkt seine Preis- und Lieferfähigkeit.

KI-gestützte Daten¬extraktion: So gehst du vor

1. Datenlage analysieren

Bevor du automatisierst, prüfst Du, welche Dokumenttypen vorliegen, wie groß das Volumen ist und wie häufig Neuzugänge entstehen. Händler verarbeiten täglich neue Lieferantenkataloge, Hersteller dagegen oft nur beim initialen PIM-Aufbau. Diese Einschätzung bestimmt, ob Du eine einmalige Migration oder einen wiederkehrenden Pipeline-Prozess aufsetzt.

2. Datenmodell definieren

Im zweiten Schritt legst Du fest, welche Attribute dein PIM tatsächlich speichern und später an Shop, Marktplatz oder Printkatalog ausspielen soll. Produktfilter, Variantenlogik, SEO-Felder, Zoll­informationen – je klarer die Struktur, desto zielgerichteter kann die KI-Attribute erkennen, validieren und konvertieren.

3. Dokumente vorbereiten

Sind deine Quell­dokumente „echte“ PDFs, also mit eingebettetem Text, liest ein Skript die Zeichen direkt aus. Befinden sich die Informationen jedoch nur als Bild im PDF oder gar auf Papier, kommt Optical Character Recognition (OCR) zum Einsatz. Moderne Modelle erzielen hier menschliche Trefferquoten: Statt einer Speisekarte – das kennst Du vielleicht von Google Lens – kannst Du ebenso gut 300-seitige Industriekataloge scannen und maschinell aufschlüsseln lassen.

4. Intelligente Extraktion mit ML-Modellen

Regelbasiertes Parsing stößt schnell an Grenzen, wenn Maßeinheiten, Datumsformate oder Bezeichner nicht durchgängig verwendet werden. Machine-Learning-Modelle lernen deshalb anhand annotierter Beispiele, relevante Tokens im Kontext zu erkennen: Steht „12 kg“ direkt neben „Gewicht“, identifiziert das System den Wert als numerisches Feld in Kilogramm – auch wenn einmal „12 Kilogramm“ oder „Gewicht 12 kg“ geschrieben steht. Semantische Vektoren erfassen Beziehungen zwischen Wörtern und entschlüsseln sogar mehrsprachige Texte.

5. Daten in PIM-Systeme integrieren

Nach der Extraktion folgt die Normalisierung. Gewichtsangaben lassen sich in eine einheitliche Einheit umrechnen, Farben auf Standardpaletten mappen, Datumsangaben in ISO-Formate überführen. Anschließend schreibt ein Connector die geprüften Felder via API in Dein PIM – inklusive Mediadateien, SKU-Verknüpfungen und Single- sowie Multiselect-Relations. Ein Quality-Gate mit Plausibilitäts­regeln verhindert, dass fehlerhafte Records in dein Live-System gelangen.

Praxisbeispiel: MILE AI und EIKONA Media – ein starkes Duo

Gemeinsam mit unserem Technologiepartner MILE AI setzen wir auf spezielle Large-Language-Modelle (LLMs) von OpenAI, Meta und offenen Frameworks. Anders als generische Chatbots sind die Modelle mit Hunderten realer Katalogseiten, technischen Datenblättern und Marketingtexten vortrainiert – selbstverständlich DSGVO-konform.

Ein typischer Workflow:

1. Upload & OCR: Der Kunde lädt 50 Lieferantenkataloge hoch. Automatisch wird geprüft, ob OCR nötig ist, und legt Rohtexte ab.
2. In-Context-Training: Fünf Prozent der Seiten werden von unseren Data Engineers manuell annotiert. Die KI lernt, welche Passagen Gewichte, Maße, Zertifikate oder EAN-Codes enthalten.
3. Batch-Extraktion: Innerhalb weniger Stunden werden tausende Attribut-Paare extrahiert, mit Confidence-Scores bewertet und in ein JSON-Schema exportiert.
4. PIM-Import & Mapping: Über einen Connector schreiben wir die Daten mit Feld- und Einheitentransformation direkt in Dein PIM – beispielsweise Akeneo.

Das Ergebnis: Wo zuvor mehrere Personen drei Wochen tippten, reichen heute zwei Nachmittage für Validierung und Freigabe.