Produktmatching im grossen Massstab: Die richtige SKU unter Millionen finden

Transparenzhinweis: Dieser Leitfaden stammt von Scalera, einem Anbieter von KI-Software für das Produktmatching in Ausschreibungen. Was wir über Scalera schreiben, ist auf Produktseite und FAQ belegt; Kennzahlen stammen aus veröffentlichten Case Studies. Hinweise gerne an info@scalera.ai.

Dieser Leitfaden behandelt nur den Zuordnungsschritt. Was vorher im Leistungsverzeichnis passiert, also Positionsarten, Kurztexte und Vorbemerkungen, beschreibt Leistungsverzeichnis mit KI analysieren. Wie Sie Artikelstammdaten für das Matching aufbereiten, steht in Produktdaten für Ausschreibungen aufbereiten.

Was ist Produktmatching im grossen Massstab?

Produktmatching im grossen Massstab ist die Zuordnung jeder Ausschreibungsposition zum passenden Artikel aus einem Katalog mit Hunderttausenden oder Millionen Einträgen. Frauenthal etwa ordnet Positionen gegen einen Katalog mit mehr als 1,6 Millionen Artikeln zu (Case Study Frauenthal).

Mit der Katalogsgrösse wächst vor allem die Zahl ähnlicher Kandidaten. Je mehr Artikel es gibt, desto mehr von ihnen erfüllen fast alle Anforderungen und unterscheiden sich nur in einem Merkmal wie Abmessung, Klasse oder Ausführung. Gutes Matching muss genau diese letzte Unterscheidung treffen.

Laut Produktseite ordnet Scalera fachlich statt per Keyword zu und berücksichtigt dabei Spezifikation, Einsatzbereich und Norm (Produktseite Produktmatching). Zu jedem Vorschlag zeigt das System eine Begründung und einen KI-Konfidenzwert.

Was vergleicht das Matching eigentlich?

Das Matching vergleicht die Anforderungen einer Position mit den Merkmalen eines Artikels. Dafür lohnt es sich, Anforderungen in zwei Gruppen zu trennen, bevor man einen Vorschlag beurteilt.

Welche Kriterien sind Muss-Kriterien?

Muss-Kriterien sind Anforderungen, deren Verletzung einen Artikel unbrauchbar macht. Dazu gehören geforderte Normen, Klassen wie Brandschutz- oder Belastungsklasse, Nennmasse und Anschlussgrössen. Ein Vorschlag, der ein Muss-Kriterium nicht erfüllt, ist falsch, egal wie gut der Rest passt.

Welche Kriterien sind Kann-Kriterien?

Kann-Kriterien beschreiben Präferenzen, die sich verhandeln oder später klären lassen, etwa Farbe, Oberfläche oder eine bevorzugte Verpackungseinheit. Weicht ein Vorschlag nur hier ab, kann er ein brauchbarer Treffer sein, ergänzt um einen Hinweis an den Kunden.

Für die Prüfung heisst das: Lesen Sie zuerst die Begründung des Vorschlags und kontrollieren Sie, ob sie die Muss-Kriterien der Position nennt. Fehlt dort die geforderte Norm oder Klasse, ist das ein stärkeres Warnsignal als ein niedriger Konfidenzwert.

Welche Treffertypen gibt es beim Produktmatching?

Beim Produktmatching gibt es vier Treffertypen, und jeder verlangt eine andere Prüfung. Wer sie im Team gleich benennt, spart Rückfragen und misst sauberer.

Wann ist es ein exakter Artikel?

Ein exakter Treffer liegt vor, wenn die Position einen Artikel eindeutig beschreibt, etwa über Artikelnummer, Typbezeichnung oder vollständige Merkmale. Hier genügt eine kurze Sichtprüfung der Begründung.

Wann ist es eine Variante eines konfigurierbaren Produkts?

Bei konfigurierbaren Produkten muss das Matching die richtige Ausprägung wählen, nicht nur die Produktfamilie. Die FAQ nennt dafür als Rahmen konfigurierbare Produkte mit bis zu 30 Merkmalen, neben Standardartikeln mit fester Nummer (FAQ). Prüfen Sie bei Varianten gezielt das Merkmal, in dem sich die Kandidaten unterscheiden.

Wann ist es eine eigene Alternative zu einem Fremdprodukt?

Nennt das Leistungsverzeichnis ein Produkt eines anderen Herstellers, schlägt Scalera laut FAQ passende Artikel aus Ihrem Sortiment vor (FAQ). Ob Sie die Alternative als gleichwertig anbieten dürfen und wie Sie das begründen, behandelt Mit Alternativen gewinnen.

Was, wenn es keinen passenden Artikel gibt?

Manche Positionen passen schlicht nicht zum Sortiment. Ein gutes System zeigt das mit niedriger Konfidenz statt mit einem erzwungenen Vorschlag. Wie Sie solche Positionen schon bei der LV-Analyse erkennen, steht in Leistungsverzeichnis mit KI analysieren.

Wie liest man einen Konfidenzwert richtig?

Ein Konfidenzwert sagt, wie sicher das System bei einem Vorschlag ist, und er ist nur nützlich, wenn diese Sicherheit zur tatsächlichen Trefferquote passt. In der Statistik heisst das Kalibrierung: Von allen Vorhersagen mit einem Wert um 0,8 sollten etwa 80 % zutreffen (scikit-learn, Probability calibration).

Laut FAQ blendet Scalera Vertrauenswerte ein; unsichere Treffer werden markiert, damit jemand sie prüft (FAQ). Die englische FAQ ergänzt, dass Sie bei niedriger Konfidenz entscheiden können, wo Sie Zeit investieren oder beim Kunden nachfragen (FAQ, englische Fassung).

Für niedrige Konfidenz gibt es typische Ursachen. Bevor Sie den Vorschlag ändern, lohnt sich ein Blick darauf, welche vorliegt:

• Unvollständige Position: Das LV nennt ein Muss-Kriterium nicht, etwa die Klasse. Hier hilft eine Rückfrage beim Kunden mehr als eine andere Auswahl.
• Mehrere gleichwertige Kandidaten: Zwei Artikel erfüllen alle genannten Anforderungen. Entscheiden Sie nach Kann-Kriterien oder Ihrer Angebotsstrategie.
• Merkmal fehlt im Artikelstamm: Die Anforderung ist klar, aber Ihr Artikel führt das Merkmal nicht. Das ist ein Datenthema, kein Matching-Fehler.
• Einheit ohne Umrechnung: Laut FAQ rechnet Scalera um, wenn ein Umrechnungsfaktor vorhanden ist, und informiert Sie sonst (FAQ).

Ein ehrlich unsicherer Vorschlag kostet eine Minute Prüfung. Ein selbstsicherer Fehltreffer kostet im schlimmsten Fall den Auftrag.

Welche Fehlerbilder treten beim Produktmatching auf?

Die folgenden acht Fehlerbilder sind typische Muster von Fehlzuordnungen bei grossen Katalogen. Die Tabelle zeigt, woran Sie sie erkennen und was dagegen hilft.

Funktionsangaben zu Scalera: Produktseite Produktmatching und FAQ (Abruf 8.11.2026). Positionsarten erklärt Leistungsverzeichnis mit KI analysieren.

Das letzte Fehlerbild kann das teuerste sein, weil es keine Aufmerksamkeit auslöst. Darum gehören auch Positionen mit hoher Konfidenz in eine kleine Stichprobe, besonders in den ersten Wochen und nach jeder Katalogänderung.

Wie bleibt Matching bei Millionen Artikeln beherrschbar?

Beherrschbar bleibt Matching bei grossen Katalogen, wenn Sie die Prüfung aufteilen und klein anfangen. Laut FAQ sortiert Scalera Positionen nach Warengruppen, damit Teams gezielt arbeiten können (FAQ). So prüft die Fachperson für Sanitär nur Sanitär und erkennt Fehlerbilder ihres Bereichs schneller.

Ausserdem müssen Sie nicht mit dem ganzen Katalog starten. Laut FAQ beginnen viele mit Standard- oder Volumenartikeln und erweitern später (FAQ). Die Produktseite beschreibt Matching auf grosse Produktkataloge sowie einen Validierungs-Workflow, in dem Sie nur noch die Produktempfehlungen der KI validieren (Produktseite Produktmatching).

Wie lernt das Matching aus Korrekturen?

Das Matching lernt, indem es sich merkt, welche Artikel Sie in abgeschlossenen Angeboten tatsächlich für welche Anfragen gewählt haben. So beschreibt es die FAQ von Scalera (FAQ). Jede Korrektur, die Sie bei der Prüfung vornehmen, ist deshalb auch Trainingsmaterial für Ihr eigenes Konto.

Frauenthal nennt als Erfolgsfaktoren unter anderem Feedback-Schleifen mit echten Ausschreibungen und eine strukturierte Produktlogik (Case Study Frauenthal). Für Ihr Team folgt daraus: Korrigieren Sie im System, nicht nachträglich in Excel, sonst geht die Information für das Lernen verloren.

Vorlage: Wie prüfen Sie jede Position in fünf Schritten?

Diese Routine eignet sich als feste Reihenfolge für die Validierung. Sie dauert bei sicheren Treffern Sekunden und lenkt die Zeit auf die unsicheren.

1. Konfidenz ansehen: Unsichere Treffer zuerst, sichere nur in der Stichprobe.
2. Begründung gegen Muss-Kriterien lesen: Norm, Klasse, Masse und Anschlüsse müssen genannt und erfüllt sein.
3. Treffertyp bestimmen: exakter Artikel, Variante, Alternative oder kein passender Artikel.
4. Ergänzungen prüfen: Fehlt Zubehör, das der Hauptartikel braucht? Stimmen Einheit und Menge?
5. Im System korrigieren oder nachfragen: Alternative wählen, selbst suchen oder die Lücke beim Kunden klären.

Häufige Fragen

Was bedeutet «Top 1» bei einer Trefferquote?

Top 1 heisst: gezählt wird nur, ob bereits der erste Vorschlag des Systems der richtige Artikel ist. Bei der JMS-Gruppe liegt diese Quote laut veröffentlichter Fallstudie bei 99 % (Case Study JMS-Gruppe). Eine Top-3-Quote wäre grosszügiger, weil auch der zweite oder dritte Vorschlag zählt.

Ist ein hoher Konfidenzwert eine Garantie für einen richtigen Treffer?

Nein, ein hoher Konfidenzwert ist eine Wahrscheinlichkeitsaussage, keine Garantie. Ob man ihm trauen kann, zeigt erst der Abgleich mit tatsächlich geprüften Positionen; das Prinzip heisst Kalibrierung (scikit-learn, Probability calibration).

Wie viele abgeschlossene Angebote braucht das System, um gut zu lernen?

Scalera empfiehlt in der englischen FAQ 50 bis 150 abgeschlossene Angebote für optimale Ergebnisse, abhängig von Sortiment und Anfragen (FAQ, englische Fassung). Nützliche Vorschläge sind laut derselben Quelle oft schon ab dem ersten Angebot möglich.

Fliessen unsere Korrekturen in das Training für andere Kunden ein?

Nein. Die FAQ hält fest, dass Ihre Daten ausschliesslich Ihrem eigenen Konto dienen und Scalera nicht über Kunden hinweg trainiert (FAQ).

Kann ich während der Prüfung selbst im Katalog suchen?

Ja. Neben den Alternativen der KI bietet Scalera laut englischer FAQ eine Produktsuche, die während der Eingabe passende Artikel aus dem gesamten Portfolio findet (FAQ, englische Fassung).

Warum ist die Präzision bei strukturierten LVs höher als bei unstrukturierten?

In strukturierten Leistungsverzeichnissen stehen Menge, Einheit und Beschreibung in getrennten Feldern, bei Freitext oder Scans muss das System sie erst herauslösen. Frauenthal berichtet über 80 % Präzision insgesamt und über 90 % bei strukturierten LVs (Case Study Frauenthal). Wie Formate den Import beeinflussen, beschreibt GAEB, ÖNORM und NPK.

Sollten wir Schwellen für automatische Übernahme sofort festlegen?

Besser nicht vor dem ersten Messlauf. Legen Sie Schwellen erst fest, wenn Sie für einige Dutzend geprüfte Positionen wissen, wie oft hohe Konfidenz tatsächlich richtig war. Wie Schwellen und Review-Queue organisatorisch zusammenspielen, steht im Leitfaden Angebote automatisieren.

Wie messe ich die Trefferquote im eigenen Pilot?

Zählen Sie pro geprüfter Position, ob der erste Vorschlag ohne Änderung übernommen wurde, und führen Sie unsichere Treffer als eigene Kategorie. Ablauf, Stichprobe und Kennzahlen beschreibt KI-Software für Ausschreibungen im Pilot testen.

Wichtigste Erkenntnisse

• Grosse Kataloge erzeugen viele fast passende Kandidaten; entscheidend ist das eine unterscheidende Merkmal.
• Muss-Kriterien gehen vor Kann-Kriterien, und die Begründung eines Vorschlags muss sie nennen.
• Konfidenzwerte steuern die Prüfung, ersetzen sie aber nicht; messen Sie ihre Kalibrierung.
• Korrekturen im System machen das Matching für Ihr Konto mit jedem Angebot genauer.

Nächste Schritte

1. Für zehn aktuelle Positionen Muss- und Kann-Kriterien notieren und mit den Vorschlägen vergleichen.
2. Trefferquote und Kalibrierung im Pilot messen (Pilot-Leitfaden).
3. Funktionen auf der Produktseite Produktmatching und in den FAQ nachlesen oder eine Demo vereinbaren.