Product Sphere — Multi-Standard-Produktdaten
Produktdaten normgerecht klassifizieren, anreichern und integrieren — auf unserem Stack umsetzbar: Quellen (Texte, PDFs, Bilder, URLs) → Klassifikation gegen GS1 GPC, MIGEL, FEDAS, ETIM, UNSPSC, NOGA → Pflichtfeld-Anreicherung gegen das Zielprofil → Integration in GDSN, BMEcat, SAP-MM. Eine RAG-Pipeline über pgvector / HANA Cloud Vector Engine verbindet semantische Suche mit einem urteilenden Sprachmodell — begründet, versioniert, revisionssicher. Stack: BTP-CAP + AI Hub + Vector Engine, Clean-Core-konform.
Ausgangslage
Produktdaten normgerecht aufzubereiten ist teure Handarbeit: Fachleute durchsuchen tausendseitige Kataloge, raten fehlende Pflichtfelder zusammen und treffen Entscheidungen, die selten dokumentiert werden. Jeder Zielkanal verlangt sein eigenes Format.
Was Product Sphere macht
Eine durchgängige Pipeline führt jedes Produkt von der Quelle zum lieferfertigen Zieldatensatz:
- Klassifikation gegen mehrere Standards parallel — GS1 GPC, MIGEL, FEDAS, ETIM, UNSPSC, NOGA. Ein vorgeschalteter Prüfschritt entscheidet pro Standard, ob er überhaupt zutrifft.
- Anreicherung der Pflichtfelder gegen das passende Zielprofil — über semantische Vektorsuche (pgvector / HANA Cloud Vector Engine), ohne Trainingsläufe.
- Integration lieferfertig in GDSN, BMEcat und SAP-MM.
Nachvollziehbar statt Blackbox
Das Ergebnis ist eine begründete Empfehlung mit Kandidaten, Konfidenz und Feld-Provenienz — keine geratene Zahl. Jeder Durchlauf wird mit Quellen, Entscheidung und Ergebnis versioniert und lässt sich exakt so wieder ansehen, wie er lief. Der Ablauf setzt auf BTP auf und bleibt Clean Core-konform.
Die vollständige Übersicht öffnet sich auf dieser Seite.
Stand: 2026-06-07
