Il software per la qualità dei dati era una volta qualcosa che l'IT acquistava dopo un audit negativo. Nel 2026, decide se i progetti AI raggiungono la produzione. Questo articolo spiega cosa fanno ora questi strumenti e dove hanno lacune per i dati di prodotto. La seconda metà copre come PIM mantiene i dati di prodotto accurati prima della pubblicazione.
Punti Chiave
- I dati scadenti sono la ragione principale per cui i progetti AI si fermano. Gartner ha collegato direttamente l'abbandono dei progetti AI alla mancanza di dati pronti per l'AI.
- Il software moderno per la qualità dei dati abbina regole per i problemi noti con l'osservabilità per i cambiamenti inaspettati. Entrambi generano avvisi, quindi qualcuno deve esserne responsabile.
- Gli agenti AI riparano e rompono i dati alla stessa velocità. Trattali come produttori di dati con passaggi di approvazione e log di controllo.
- Un punteggio di completezza mostra che i campi sono riempiti. Non mostra se i valori sono corretti.
- Per i dati di prodotto, PIM è il luogo dove bloccare gli errori prima che raggiungano un canale. Gli strumenti a valle possono solo segnalarli.
- I produttori dell'UE affrontano date fisse. I passaporti delle batterie diventano obbligatori a febbraio 2027, e altri gruppi di prodotti seguiranno.
Perché la Qualità dei Dati è Diventato un Problema AI
Un sondaggio Gartner su 1.203 leader della gestione dei dati nel luglio 2024 ha rilevato che il 63% delle organizzazioni non disponeva delle giuste pratiche di gestione dei dati per l'AI o non era sicuro di averle. Da ciò, Gartner ha previsto che nel corso del 2026, le organizzazioni abbandonerebbero il 60% dei progetti AI non supportati da dati pronti per l'AI.
La logica è semplice. Un dashboard mostra un numero strano e qualcuno aggotta la fronte. Un agente AI prende un peso sbagliato o un prezzo obsoleto e agisce. Nessuno aggotta la fronte finché non lo fa un cliente.
L'analista di Gartner lo ha riassunto nella stessa comunicazione:
"Se i dati hanno problemi, allora i dati non sono pronti per l'AI."
La comunicazione tratta anche i dati pronti per l'AI come una pratica continua. Raccomanda l'osservabilità dei dati e una migliore gestione dei metadati, e si aspetta che i requisiti dei dati cambino con ogni nuovo caso d'uso AI. Quindi un progetto di pulizia una tantum non durerà a lungo.
Cosa Fa il Software per la Qualità dei Dati nel 2026
Regole e Osservabilità Catturano Problemi Diversi
I controlli basati su regole coprono ciò che conosci già. Un GTIN ha 14 cifre. Un prezzo non può essere negativo. Un valore di tensione ha bisogno di un'unità. Scrivi la regola una volta e lo strumento evidenzia ogni record che la viola.
L'osservabilità copre ciò per cui nessuno ha scritto una regola. Lo strumento impara i modelli normali per la freschezza, il volume, lo schema e la distribuzione dei valori, quindi avvisa quando qualcosa cambia. Un feed del fornitore che di solito fornisce 4.000 righe arriva con 400. Una colonna cambia tipo dopo un aggiornamento ERP.
La maggior parte dei team maturi esegue entrambi. Il solito fallimento è l'eccesso di avvisi. Attiva ogni rilevatore e il team smette presto di leggere gli avvisi. Decidi chi riceve quale avviso e sintonizza le soglie nelle prime settimane, oppure lo strumento si trasforma in rumore di fondo costoso.
L'AI si è Trasferita Dentro gli Strumenti
La creazione di regole in linguaggio naturale è diventata una caratteristica comune. Un data steward scrive "ogni cavo ha bisogno di una sezione trasversale in mm²" e lo strumento genera il controllo. Molti strumenti suggeriscono anche regole dai risultati della profilazione, propongono correzioni e rispondono a domande sui risultati della qualità in chat. Alcuni fornitori ora forniscono "data steward" in stile agente che lavorano attraverso backlog di problemi.
Questo abbassa la barriera di abilità per scrivere controlli. Qualcuno deve comunque sapere quale dovrebbe essere la regola, perché lo strumento scriverà volentieri un controllo perfetto per un requisito sbagliato.
La Qualità Viene Definita da Chi Usa i Dati
I buoni dati ora significano dati che si adattano a un consumatore specifico. Un record di prodotto può funzionare bene per l'ERP e fallire su un marketplace che richiede dodici attributi che l'ERP non ha mai memorizzato. I contratti di dati formalizzano questo. Il team che produce i dati e il team che li consuma concordano su campi, formati, proprietari e livelli di servizio, e lo strumento verifica rispetto a tale accordo.
I dati non strutturati sono ora in ambito. Schede tecniche, PDF e immagini alimentano sistemi AI, quindi i strumenti devono estrarre attributi da essi e verificare i risultati.
I Controlli Si Avvicinano alla Fonte
Pulire i dati nel warehouse ogni notte ripete le stesse correzioni per sempre. Quindi le organizzazioni inseriscono i controlli nei sistemi in cui vengono creati i dati. MDM gestisce i record master. PIM gestisce il contenuto del prodotto.
Rischi da Pianificare
Il rischio più grande è che i piani AI corrano avanti rispetto alla disponibilità dei dati. I numeri di Gartner sopra lo descrivono abbastanza bene. La soluzione è noiosa: valuta la disponibilità dei dati prima di finanziare un progetto AI, e fallo prima del pilot piuttosto che dopo che fallisce.
Gli agenti AI portano un rischio più nuovo. Creano dati alla stessa velocità con cui li riparano. Nel gennaio 2026, Bloomberg ha riferito che lo strumento Buy For Me sperimentale di Amazon aveva generato automaticamente annunci per prodotti da negozi indipendenti, compresi negozi che non hanno mai scelto di vendere su Amazon. Alcuni annunci indicavano l'elemento sbagliato. Un negozio di cartoleria ha ricevuto richieste di rimborso dopo che i clienti hanno ordinato una palla antistress più grande che il negozio non ha in magazzino e hanno ricevuto quella più piccola che ha. Altri commercianti hanno visto immagini di prodotto sbagliate e prezzi all'ingrosso mostrati agli acquirenti. Amazon ha detto che i venditori potevano rinunciare e che il programma copriva più di 500.000 articoli, dai circa 65.000 al lancio.
Quando un brand non pubblica dati di prodotto strutturati, l'AI di qualcun altro li indovinerà. Il brand gestisce comunque i reclami.
Il consolidamento dei fornitori è un rischio più lento. Informatica ora appartiene a Salesforce, e Talend appartiene a Qlik. Gli strumenti acquisiti possono essere uniti, ripprezzati o deprioritizzati. Se un fornitore ha cambiato proprietario di recente, inserisci nel contratto i formati di esportazione dei dati e i termini di uscita.
L'ultimo rischio si trova nel business case. Molte statistiche pubblicate sulla qualità dei dati provengono da sondaggi dei fornitori che citano altri sondaggi dei fornitori, spesso senza una data o una dimensione del campione. Prima che un numero entri in una richiesta di budget, trova la fonte e verifica l'anno e chi è stato interrogato.
Come PIM Applica la Qualità dei Dati di Prodotto
Gli strumenti per la qualità dei dati nel warehouse osservano le pipeline. Nel momento in cui uno segnala un peso di prodotto sbagliato, quel peso può già trovarsi in diversi feed del distributore. PIM si siede prima, dove i dati di prodotto vengono creati, arricchiti e approvati. Quella posizione gli permette di bloccare un record errato prima della pubblicazione.
I nostri clienti spesso vengono da noi dopo che i dati di prodotto hanno superato l'ERP. Per un tipico produttore, l'item master ERP contiene ciò di cui hanno bisogno la produzione e la logistica. Gli attributi di marketing, le traduzioni e i certificati vivono in fogli di calcolo mantenuti da chiunque avesse tempo quella settimana. Ogni distributore vuole il suo template, quindi lo stesso prodotto viene ridigitato per ognuno, e ogni ridigitura aggiunge nuovi errori.
Nei progetti implementati, la correzione ha iniziato con un modello di dati condiviso. Poi i controlli si sono trasferiti in quel modello. Questi controlli fanno la maggior parte del lavoro:
- Attributi tipizzati con unità fisse e valori consentiti. Un campo di peso accetta un numero in chilogrammi, quindi "circa 2 kg" non viene mai inserito.
- Regole di validazione per canale e lingua. Un marketplace può richiedere un GTIN e dimensioni della confezione, mentre il catalogo tedesco richiede un avviso di sicurezza tradotto.
- Punteggi di completezza e disponibilità per canale, quindi il team vede quali prodotti possono andare online dove.
- Onboarding dei fornitori tramite template convalidati o un portale. I fornitori correggono i propri errori al caricamento, prima che qualcuno del tuo team tocchi i dati.
- Estrazione e arricchimento AI con approvazione umana. L'AI estrae attributi da schede tecniche e bozza descrizioni, e una persona approva il risultato.
- Un tracciato di controllo completo. Ogni modifica registra chi l'ha fatta, quando e il valore precedente, comprese le modifiche apportate dall'AI.
- Controlli rispetto alla specifica di ogni canale prima dell'esportazione, quindi un feed che interrompe le regole di un rivenditore non lascia mai il sistema.
I Punteggi di Completezza Possono Ingannare
La completezza è il numero più facile in PIM. Conta i campi obbligatori riempiti e li trasforma in una percentuale. È anche facile da manipolare.
Un campo riempito con un valore errato ottiene lo stesso punteggio di uno corretto.
La dashboard rimane verde mentre i distributori rimandano indietro i prodotti. Vediamo regolarmente cataloghi che sembrano quasi completi, dove un controllo spot contro le schede tecniche originali trova ancora dimensioni sbagliate e certificati scaduti.
Le regole di disponibilità vanno oltre. Chiedono se un prodotto soddisfa le esigenze di un consumatore specifico: la specifica articolo di un distributore, le regole di categoria di un marketplace, lo schema di dati di un regolatore o un assistente di shopping AI che filtra per attributi. Ogni consumatore ha il suo set di regole.
Quindi aggiungi il campionamento dell'accuratezza. Ogni mese, estrai 20 record casuali per famiglia di prodotti e confrontali con schede tecniche e certificati. Il tasso di errore da quel campione ti dice più del punteggio di completezza.
Tratta gli Agenti AI Come un Nuovo Fornitore
I fornitori PIM ora forniscono agenti che mappano i dati dei fornitori, scrivono descrizioni, traducono e classificano i prodotti. Lavorano veloce. Un agente che arricchisce 10.000 prodotti in un'ora può anche ottenere 10.000 prodotti sbagliati in un'ora.
Gestiscili come un nuovo fornitore i cui dati non ti fidi ancora. Gli agenti propongono modifiche e una persona le approva. I permessi rimangono limitati, quindi un agente può modificare descrizioni ma non prezzi o dati di sicurezza. Ogni azione dell'agente ottiene una voce di log. Il testo generato dall'AI porta un'etichetta in modo che i revisori e gli auditor possano trovarlo in seguito.
I clienti che iniziano l'arricchimento AI con noi di solito iniziano con campi a basso rischio come copia di marketing e traduzioni. Mantengono l'approvazione su ogni modifica all'inizio. Una volta che i tassi di errore campionati rimangono bassi, ampliano l'ambito agli attributi tecnici. Questo è più lento che accendere tutto contemporaneamente. Evita anche un progetto di pulizia sei mesi dopo.
Pubblica Dati Strutturati Prima che Qualcun Altro li Indovini
Gli assistenti di shopping AI filtrano i prodotti per attributi, unità e categorie. Un prodotto con una tensione mancante o un campo di materiale in testo libero esce dall'insieme di candidati prima che chiunque legga la copia di marketing. Il caso Amazon mostra l'altro lato. Quando i dati strutturati mancano, un'AI di terze parti riempie il divario con i suoi indovini.
Quindi pubblica dati di prodotto autorevoli in formati che le macchine possono leggere: feed strutturati e markup per i canali e API per partner e strumenti AI. PIM è la fonte naturale, poiché i suoi dati hanno già superato la validazione.
Il Passaporto Digitale del Prodotto Lo Trasforma in Conformità
Il Regolamento UE Ecodesign per i Prodotti Sostenibili (ESPR) è entrato in vigore nel luglio 2024. Il suo Passaporto Digitale del Prodotto (DPP) è un record digitale, solitamente accessibile tramite codice QR, che segue un prodotto attraverso la sua catena di valore. Secondo una panoramica dello studio legale Krogerus, conterrà informazioni come materiali, origine, impronta di carbonio, durabilità, riparabilità e riciclabilità.
Il registro DPP centrale dell'UE è andato online nel luglio 2026, ma le aziende devono registrare i dati del prodotto solo quando l'atto delegato per il loro gruppo di prodotti si applica. I passaporti delle batterie diventano obbligatori il 18 febbraio 2027 per batterie di veicoli elettrici, trasporto leggero e batterie industriali superiori a 2 kWh. L'atto delegato per i tessili è previsto nel 2027, con conformità probabilmente circa 18 mesi dopo. Nel tempo, il regime dovrebbe coprire quasi tutti i prodotti immessi sul mercato dell'UE, che attrae produttori, importatori e distributori anche al di fuori dell'UE.
La maggior parte dei dati del passaporto proviene da fornitori e ingegneria. I produttori che si preparano per il DPP di solito scoprono che la composizione dei materiali esiste solo nei certificati dei fornitori e nei PDF, in nessun sistema che possa esportarlo. Nei progetti implementati, abbiamo modellato gli attributi del passaporto come un gruppo di attributi separato e li abbiamo raccolti attraverso lo stesso flusso di onboarding del fornitore convalidato degli altri dati di prodotto. In questo modo, i dati arrivano in un formato controllato, con un record di chi li ha forniti.
I requisiti esatti dei dati DPP dipendono da atti delegati che non sono tutti ancora pubblicati. Costruisci il modello in modo che gli attributi possano essere aggiunti senza una riprogettazione.
Dove Finisce PIM e Inizia Altro Software per la Qualità dei Dati
PIM gestisce il contenuto del prodotto per la vendita: attributi, descrizioni, risorse, traduzioni e requisiti del canale. MDM costruisce record golden across domini come prodotto, cliente e fornitore, con corrispondenza e unione di duplicati. Gli strumenti per la qualità e l'osservabilità dei dati monitorano le pipeline che alimentano analitiche e AI.
Molte aziende li eseguono tutti. Una configurazione comune utilizza l'ERP o MDM come fonte di verità tecnica e PIM come layer di arricchimento e disponibilità, con osservabilità sulle pipeline. I confini si sfumano, poiché diversi fornitori ora coprono sia PIM che MDM. Mappa le capacità di cui hai bisogno e ignora le etichette di categoria.
Come Scegliere il Software per la Qualità dei Dati per i Dati di Prodotto
- Prova con i tuoi dati. Carica un file fornitore disordinato e un vero esportazione ERP durante la prova, poiché i dati demo sono sempre puliti.
- Controlla come lo strumento gestisce unità, varianti e attributi multilingue. Gli strumenti costruiti per tabelle analitiche spesso trattano i dati di prodotto come righe piatte.
- Scopri cosa possono cambiare le funzioni AI senza approvazione e se ogni modifica AI viene registrata.
- Salta la media delle stelle nelle recensioni e leggi i reclami. Mostrano le curve di apprendimento e i limiti di integrazione più velocemente di una demo.
- Se il fornitore ha cambiato proprietario di recente, chiedi informazioni sulla roadmap e ottieni i formati di esportazione e i termini di uscita per iscritto.
- Chiedi la fonte di ogni statistica nel business case del fornitore.
Inizia con una famiglia di prodotti e un canale. Definisci la disponibilità per quella coppia e misura l'accuratezza su un campione. Poi espandi.