Lieferantendaten-Onboarding mit LLMs: Preislisten, PDFs und Zertifikate

Lieferantendaten-Onboarding ist die Arbeit, Produktdaten externer Lieferanten, also Preislisten, Spezifikationen, Bilder und Zertifikate, korrekt und zugeordnet ins PIM zu bringen und aktuell zu halten, wenn sich Preise und Sortimente ändern. Anders als beim eigenen ERP-PIM-Sync wird das Format verhandelt, nicht kontrolliert: hunderte Lieferanten, keine API, und Excel, CSV, BMEcat und PDF in jeder Mundart.

Große Sprachmodelle machen die PDF-Ebene dieser Arbeit endlich automatisierbar. Dieser Artikel behandelt, wann man sie nicht einsetzt, wie man jede Datei leitet, wie man Preislisten mit Belegen extrahiert, welche Prüfungen vor jedem Mapping laufen müssen, wie man Updates und Neuveröffentlichungen behandelt, wie man Lieferanten bewertet und was schnelleres Onboarding wert ist.

Was umfasst Lieferanten-Onboarding tatsächlich?

Es ist eine Pipeline für drei Eingabeklassen, multipliziert mit drei Rhythmen und mit jedem Lieferanten, mit dem Sie arbeiten. Die Eingabeklassen sind strukturierte Feeds wie BMEcat, CSV und Excel; halbstrukturierte Dokumente wie PDF-Preislisten und Datenblätter; und unstrukturiertes Material wie gescannte Zertifikate. Die Rhythmen sind die Erstbefüllung, das monatliche Preisupdate und die Neuveröffentlichung, wenn sich ein Sortiment ändert.

Die maßgebliche Kennzahl ist die Zeit von „Lieferant schickt Datei“ bis „Artikel ist listbar und korrekt“. GS1 beziffert den manuellen Weg: Händler brauchen 10 bis 15 Interaktionen mit Lieferanten, um einen Artikel zu listen, und 5 bis 10 Stunden, um einen Markenpartner in ihre Datenanforderungen einzuweisen, während Markenhersteller rund 700 Attribute pro Artikel pflegen (GS1; veröffentlichte GS1-Zahlen ohne angegebenes Erhebungsjahr). Jede Interaktion, die aus dieser Schleife verschwindet, zieht das Listungsdatum nach vorn.

Warum strukturierte Feeds ohne Modell parsen?

Weil ein deterministischer Import eines vertraglichen Formats schneller, günstiger, wiederholbar und prüfbar ist und ein Modell dort nur Risiko hinzufügt. Wo es einen Parser gibt, keine Token ausgeben.

Im DACH-B2B ist das vertragliche Format oft BMEcat, aktuell in Version 2005.2, herausgegeben vom Bundesverband Materialwirtschaft, Einkauf und Logistik mit Spezifikation, DTDs und XSDs (BME). BMEcat definiert getrennte Transaktionen für einen neuen Katalog, Produktupdates und Preisupdates, was direkt zu den drei Rhythmen passt. Versionsunterschiede sind aber real: Der Marktplatz Unite schreibt seinen Lieferanten weiterhin BMEcat 1.2 vor und listet häufige Fehler (Unite); der Leser muss Elementnamen also versionsübergreifend normalisieren. ETIM wechselt zu einem eigenen JSON-Format, ETIM xChange, derzeit Version 1.1, mit Mapping auf ETIM-BMEcat und einem Prüfwerkzeug (ETIM).

PIM-Plattformen decken diese Ebene ohne Code ab. Der Data Importer von Pimcore liest CSV, JSON, XML, XLSX und SQL-Ergebnisse aus sechs Quelltypen, darunter SFTP und ein Push-Endpunkt, entscheidet zwischen Anlegen und Aktualisieren, überspringt unveränderte Datensätze per Delta-Prüfung und läuft zeitgesteuert mit ausführlichen Logs (Pimcore). Akeneo bietet einen eigenen Supplier Data Manager zum Einsammeln von Lieferanten-Produktinformationen (Akeneo). Fließen Ihre eigenen Stammdaten bereits aus dem ERP, ist das Muster des Pimcore-ERP-Delta-Syncs das interne Gegenstück zu diesem Eingang.

Wie wählt man den Weg für jede Lieferantendatei?

Stellen Sie drei Fragen in Reihenfolge und nehmen Sie den ersten Weg, der mit Ja antwortet. Der günstigste verlässliche Weg gewinnt, und eine Datei, die kein Weg lesen kann, geht zurück an den Lieferanten statt in ein Modell.

Die LLM-Zeile ist Arithmetik auf Basis der veröffentlichten Preise von Anthropic, kein Benchmark: 10.000 Zeilen mit je etwa 1.000 Eingabe-Token sind 10 Millionen Eingabe-Token oder 0,50 US-Dollar, plus rund 1,5 Millionen Ausgabe-Token oder 0,38 US-Dollar. Wiederholungen, Bild-Token für Scans und lange Seiten erhöhen das, und neuere Claude-Modelle nutzen einen Tokenizer, der für denselben Text rund 30 % mehr Token erzeugt. Trotzdem sind Modellkosten selten die Kosten, auf die es ankommt; Entwicklung, Prüfminuten und Nachfassen bei Lieferanten sind es. Massenläufe wie dieser gehören auf eine Batch-API, wie in Batch-APIs für Offline-LLM-Workloads beschrieben. Die OCR-Preise stammen von Amazon Textract.

Wie extrahiert man PDF-Preislisten mit einem LLM?

Erst die Textebene oder OCR holen, dann pro Lieferantenvorlage in ein Schema extrahieren, mit Zeilenanker, Seitenzahl und Konfidenz pro Feld, und das Ergebnis gegen die Erwartung abgleichen. Was der Parser nicht sieht, lässt sich nicht zuverlässig extrahieren; der Layoutschritt kommt daher vor dem Modell; die Optionen vergleichen PDF-Parsing für RAG und Unstructured.

{
  "supplier": "S-0412",
  "template": "acme-pricelist-v3",
  "page": 4,
  "rowAnchor": "Art.-Nr. 70.112.04",
  "supplierPartNo": "70.112.04",
  "gtin": "4012345678901",
  "description": "Kabelverschraubung M20x1,5 IP68",
  "price": { "value": 1.84, "currency": "EUR", "per": 100, "unit": "PCE" },
  "packaging": { "level": "case", "quantity": 50 },
  "confidence": { "price": "high", "per": "medium", "packaging": "high" }
}

Zwei Abgleiche fangen die meisten Extraktionsfehler. Erstens Zeilenzahlen: Nennt die Preisliste 312 Positionen auf Seite eins und liefert die Extraktion 309, wurde etwas ausgelassen oder verschmolzen. Zweitens Variantenachsen: Gibt es ein Produkt in vier Größen und drei Materialien, sollten es zwölf Zeilen sein, und eine fehlende Kombination ist entweder eine echte Lücke oder ein Extraktionsfehler, über den ein Mensch entscheidet. Vision-Modelle helfen bei gescannten Listen und Spezifikationstabellen voller Toleranzen; bei sauberen Tabellen schaden sie, denn dort ist ein Tabellenleser exakt, und ein Modell kann nur Rauschen hinzufügen.

Welche Prüfungen müssen vor dem Mapping laufen?

GTIN-Prüfziffern, Einheiten, Währung, Preisbasis und Verpackungsebene, alles deterministisch, alles vor jedem Mapping und jeder Prüfung. Bei diesen Prüfungen kann ein Modell nur schaden, weil die richtige Antwort berechenbar ist.

// GTIN-8/12/13/14 check digit: weights 3 and 1 alternate, starting with 3 next to the check digit
export function isValidGtin(raw: string): boolean {
  const gtin = raw.replace(/\s/g, '')
  if (!/^(\d{8}|\d{12}|\d{13}|\d{14})$/.test(gtin)) return false
  const digits = [...gtin].map(Number)
  const check = digits.pop()!
  const sum = digits.reverse().reduce((acc, d, i) => acc + d * (i % 2 === 0 ? 3 : 1), 0)
  return (10 - (sum % 10)) % 10 === check
}

• GTIN: Die Prüfziffer wird aus allen anderen Ziffern berechnet, und der Rechner von GS1 deckt GTIN-8, -12, -13 und -14 ab (GS1). Eine fehlgeschlagene Prüfung heißt, der Wert ist falsch; zurückschicken, nie ein Modell reparieren lassen.
• Preisbasis: pro Stück oder pro 100, pro Meter oder pro Quadratmeter. Ein um den Faktor 100 falscher Preis besteht jede Formatprüfung und fällt nur bei einer Plausibilitätsprüfung gegen die vorige Preisliste auf.
• Verpackungsebenen: Einzelstück, Karton und Palette haben unterschiedliche GTINs und Maße; sie zu vermischen bricht die Logistik. GS1 US weist darauf hin, dass ein Fehler von einem Viertelzoll in der Kartonhöhe zwanzigmal weniger Kartons pro Palette und sechsmal mehr Lkw als nötig bedeuten kann (GS1 US).
• Einheiten und Taxonomie: ETIM verlangt für jedes numerische und Bereichsmerkmal eine Einheit und gibt jeder Einheit eine sprachunabhängige Kennung (ETIM), ein natürliches Ziel zum Normalisieren von Lieferanteneinheiten. Klassifikation und Dubletten von Datensätzen, die schon im PIM sind, behandelt PIM-Datenqualität mit LLMs.

Speichern Sie den kanonischen Wert neben dem Originalstring, der Mapping-Version und dem Quelldokument mit Seite und Zeile, damit jeder Wert im Shop bis zur Zeile in der Lieferantendatei zurückverfolgt werden kann, aus der er stammt.

Wie behandelt man Preisupdates und Neuveröffentlichungen?

Erkennen, was sich geändert hat, und nur das anwenden, mit Regeln dafür, was eine Lieferantendatei überschreiben darf. Nutzen Sie einen Datei-Hash, um identische Lieferungen zu überspringen, einen Zeilen-Hash pro natürlichem Schlüssel, meist der Lieferantenartikelnummer, um geänderte Zeilen zu finden, und BMEcat-Update-Transaktionen, wo der Lieferant sie statt vollständiger Ersatzdateien schickt.

• Nie verhandelte Preise überschreiben. Der Listenpreis eines Lieferanten ist eine Eingabe für Ihren Einkaufspreis, nicht für die kundenspezifischen Preise in Ihrer Preis-Engine.
• Schemaänderungen erkennen. Eine geänderte Spaltenreihenfolge oder eine neue Spalte sollte den Import dieses Lieferanten anhalten und einen Menschen alarmieren, statt jeden Wert eine Spalte nach rechts zu verschieben.
• Keine Nachricht ist kein Update. Ein Lieferant, der keine Dateien mehr schickt, hat nicht bestätigt, dass die Preise gleich bleiben. Verfolgen Sie das Alter der letzten Preisliste jedes Lieferanten und markieren Sie es, wenn der vereinbarte Rhythmus überschritten ist.

Was sollte eine Lieferanten-Scorecard messen?

Sie sollte die Qualität dessen messen, was jeder Lieferant schickt, und festlegen, wie viel seiner Daten ohne Menschen durchläuft. Das National Data Quality Program von GS1 US definiert Datenqualität über drei Bestandteile, Data Governance mit benannten Verantwortlichen und Audits neuer Artikel, Schulung sowie ein physisches Audit, das das tatsächliche Produkt mit den geteilten Daten vergleicht (GS1 US). Eine digitale Scorecard übersetzt das in Zahlen pro Lieferant:

• Vollständigkeit der Pflichtattribute und Abdeckung mit Medien
• Quote gültiger GTINs und Auffälligkeiten bei der Preisbasis
• Zeit von der eingegangenen Datei bis zum listbaren Artikel
• Konfidenzverteilung der extrahierten Felder und Korrekturquote durch Menschen
• Alter der letzten Preisliste gegenüber dem vereinbarten Rhythmus

Die Scorecard steuert drei Entscheidungen: welche Lieferanten automatisch veröffentlicht werden, welche durch die Prüfung laufen und was der Einkauf in der nächsten Verhandlung verlangt, etwa eine Vorlage, BMEcat-Lieferung oder eine Datenqualitätsklausel.

Was ist schnelleres Lieferanten-Onboarding wert?

Sie ist ein früheres Listungsdatum pro Artikel wert, ein breiteres Sortiment pro Team, weniger Bestellungen mit falscher Einheit und bessere Fakten in Lieferantenverhandlungen. Keine veröffentlichte Studie misst den Ertrag LLM-gestützten Lieferanten-Onboardings im Speziellen; stellen Sie daher die Mechanik dar und messen Sie Ihre eigene Basislinie.

• Schneller zum Umsatz: Jede der 10 bis 15 Lieferanteninteraktionen pro Artikel laut GS1 ist eine Verzögerung, bevor der Artikel verkauft werden kann.
• Sortimentsbreite: In einer von Zoovu beauftragten Umfrage unter mehr als 400 B2B-Führungskräften beschrieben 83 % ihre Produktdaten als unvollständig, inkonsistent, ungenau, unstrukturiert oder veraltet (Business Wire, Feb. 2024; vom Anbieter beauftragt). Das Team, das Lieferanten aufnimmt, setzt die Obergrenze dafür, wie viele Produkte Sie online verkaufen können.
• Retouren und Logistik: Falsche Spezifikationen und Verpackungsdaten werden zu Retouren und verschwendeter Fracht; laut GS1 US vertrauen 80 % der Händler ihren Produktdaten nicht.

Für eine E-Commerce-Leitung, einen PIM-Verantwortlichen oder eine Einkaufsleitung lautet die ehrliche Einordnung: eine Onboarding-Pipeline mit gemessenem Abnahmekriterium, dem Anteil der ohne menschlichen Eingriff veröffentlichten Zeilen und der Korrekturquote pro Lieferant. Nach mehr als zehn Jahren Arbeit mit Spryker und Pimcore sehe ich Lieferanten-Onboarding als die Aufgabe, die nie endet; LLM-Extraktion automatisiert die PDF-Ebene, während die Excel-Ebene schon immer ein Mapping-Problem war.

Checkliste, und wann man kein LLM nutzt

Setzen Sie kein LLM ein, wo es einen deterministischen Parser gibt, wo ein Lieferantenportal mit festem Formular die Daten sauberer einsammeln würde oder wo die richtige Antwort ist, die Datei abzulehnen und um eine Vorlage zu bitten. Jeder Lieferant braucht außerdem einen menschlichen Rückfallweg: eine E-Mail-Adresse, einen Anhang und eine manuelle Warteschlange, die immer funktioniert.

1. Lieferanten nach Formattyp einordnen und jeden zum günstigsten verlässlichen Parser leiten.
2. Jede eingehende Datei in Quarantäne nehmen und ihren Hash vor der Verarbeitung festhalten.
3. GTIN, Einheiten, Währung, Preisbasis und Verpackung vor dem Mapping deterministisch prüfen.
4. PDFs pro Vorlage in ein Schema extrahieren, mit Zeilenankern, Seitenzahlen und Konfidenz.
5. Zeilenzahlen und Variantenkombinationen gegen die Erwartung abgleichen.
6. Überschreiben verhandelter Preise sperren und Importe bei Schemaänderung anhalten.
7. Ein Referenzset pro Formattyp führen und bei jeder Modell- oder Prompt-Änderung erneut laufen lassen.
8. Eine Scorecard pro Lieferant veröffentlichen und den Automatisierungsgrad daran koppeln.

Ein Pilot mit festem Umfang, 10 bis 20 Lieferanten über zwei oder drei Formattypen, reicht, um den Anteil ohne Eingriff und die Korrekturquote zu messen, bevor weitere angebunden werden. Wenn Sie Unterstützung bei der Planung möchten, sehen Sie sich meine B2B-E-Commerce-Arbeit an.

Quellen

1. GS1: Everyone needs better product data (Global Data Model)
2. BME: BMEcat downloads (version 2005.2)
3. ETIM International: exchange format (ETIM xChange)
4. ETIM International: model information
5. GS1: check digit calculator
6. Pimcore: Data Importer
7. Akeneo: Supplier Data Manager
8. Amazon Textract pricing
9. Anthropic: Claude pricing
10. GS1 US: data quality
11. GS1 US: National Data Quality Program
12. Unite: catalogue format BMEcat 1.2