Von fragmentierten Anlagendaten zu einer verlässlichen Basis: Bereinigung von über 200.000 Datensätzen für SPIE Building Solutions
Das Anlagenregister von SPIE wurde über Jahre aus verschiedenen Instandhaltungssystemen, von Subunternehmern und durch manuelle Eingabe gespeist. Pearstop glich jeden Hersteller mit SPIEs eigener freigegebener Liste ab, vergab für jeden Datensatz einen Konfidenzwert und lieferte dem Team eine priorisierte Liste, wo zuerst zu prüfen ist.
Ein Hersteller, ein Dutzend Schreibweisen
SPIE Building Solutions verwaltet ein umfangreiches Portfolio an Gebäudeanlagen über viele Standorte hinweg. Über die Jahre wurde das Register aus unterschiedlichen Instandhaltungssystemen, Subunternehmer-Uploads und manueller Eingabe befüllt.
Das Ergebnis: derselbe Hersteller unter einem Dutzend Schreibweisen, und Anlagentypen, die fehlten oder falsch erfasst waren. Die Listen funktionierten für einen Techniker vor Ort. Sie funktionierten nicht, um Instandhaltung zu planen oder Angebotsrisiken über das gesamte Portfolio hinweg zu bepreisen.
Jede Anlage trägt einen Hersteller und einen Typ, genauso wie jede Bestellzeile einen Lieferanten und eine Beschreibung trägt. Die Engine, die Ausgabendaten bereinigt, funktioniert ohne Anpassungen auch auf einem Anlagenregister.
Abgeglichen mit der Liste, der SPIE bereits vertraut
Schon früh sahen wir, wie allgemeine KI-Modelle Lieferantennamen rieten oder erfanden. Deshalb wurde jede Zeile ausschließlich mit SPIEs eigener freigegebener Lieferantenliste abgeglichen.
2 · Gegenprüfung mit einem Sprachmodell
3 · Konflikte an eine Person weiterleiten
Zuerst deterministischer Abgleich
Exakter Abgleich, Präfix-, Edit-Distance- und Tippfehlerkorrektur-Matching gegen SPIEs freigegebene Lieferanten, überall dort, wo eine Regel entscheiden konnte.
Eine unabhängige zweite Meinung
Ein Large Language Model prüfte jeden Treffer eigenständig. Stimmten beide überein, stieg die Konfidenz.
Menschen entscheiden die schwierigen Fälle
Widersprüchliche Treffer gingen an SPIEs Master-Data-Team, und jede Entscheidung floss in die nächste Iteration ein.
Fünf Schreibweisen eines Pumpenherstellers, aufgelöst
Eine Familie von Umwälzpumpen tauchte unter fünf Lieferantenschreibweisen auf, eine davon ein reiner Tippfehler. Das Typfeld war noch unübersichtlicher: in einer Zeile ein bloßer Familienname, in der nächsten ein vollständiger Modellcode.
Namen geändert. Die Struktur entspricht dem echten Register. Ein Lieferantenteam sieht jetzt genau diese Pumpenfamilie, in genau diesen Konfigurationen, statt „Pumpen, alle möglichen“.
Eine priorisierte Prüfliste statt einer Wand aus Zeilen
Jeder Datensatz erhielt drei Werte: Lieferantenkonfidenz, Typkonfidenz und Prüfpriorität. SPIEs Team begann oben auf der Liste und arbeitete sich nach unten vor.
Das Confidence Scoring gab unserem Team Klarheit, wo es seine Prüfzeit zuerst einsetzen sollte, statt bei 200.000 Zeilen wieder bei null anzufangen.
Bart van PeijHead of Master Data Management, SPIE Building SolutionsHat ein Kunde eine freigegebene Liste, gegen genau diese abgleichen
Der Abgleich ausschließlich gegen SPIEs validierte Lieferanten erhöhte sowohl die Genauigkeit als auch das Vertrauen des Teams in das Ergebnis. Das ist inzwischen Standard bei jedem Pearstop-Projekt mit einer definierten Lieferantenbasis.
Von der Anlagenwartung zur Beratung darüber
Mit einem strukturierten Register kann SPIE eine ganze Anlagenfamilie betrachten und wiederkehrende Ausfälle über das gesamte Kundenportfolio hinweg erkennen. Ein Techniker kann dann sagen:
“Diese Pumpenfamilie fällt mit dieser Rate an all Ihren Standorten aus. Das empfehlen wir.”
“Der Herstellerabgleich von Pearstop hat uns den richtigen Ausgangspunkt gegeben, um die Daten zurück ins ERP zu laden. Dieses Projekt hat uns viel über Data Cleaning mit KI gelehrt.”
Dasselbe Problem in Ihrem Anlagenregister?
Senden Sie uns eine Stichprobe Ihrer Anlagen- oder Ausrüstungsdaten. Wir gleichen sie mit Ihrer eigenen Referenzliste ab und senden sie bewertet zurück, damit Sie einen ersten Durchlauf an Ihren eigenen Daten sehen.
