Beim Cross Referencing technischer Produkte stellt sich sofort eine entscheidende Frage: Welche Produktmerkmale müssen übereinstimmen, damit zwei Artikel wirklich austauschbar sind? Für erfahrene Einkäufer oder Techniker ist das oft eine Frage des Fachwissens. Für automatisierte Systeme ist es eine der größten Hürden überhaupt. Dieser Artikel zeigt, wie eine strukturierte Gewichtung von Produktfeatures – basierend auf Eclass und ETIM – den Weg zu zuverlässigem, automatisiertem Cross Referencing ebnet.

Kurzantwort: Beim automatisierten Cross Referencing müssen Produktfeatures nach ihrer Relevanz gewichtet werden. Pflichtmerkmale (z. B. Nennspannung, Schutzart) müssen exakt übereinstimmen, während andere Merkmale nur ähnlich sein müssen. Standards wie Eclass und ETIM liefern die strukturierte Grundlage, um diese Gewichtung systematisch und skalierbar umzusetzen.

Was bedeutet Feature-Gewichtung beim Cross Referencing?

Cross Referencing bedeutet, einen Artikel durch einen gleichwertigen zu ersetzen. Die Feature-Gewichtung legt fest, welche Produktmerkmale dabei unverzichtbar sind und welche nur als Richtwert dienen. Ohne diese Gewichtung behandelt ein System alle Merkmale gleich – mit dem Ergebnis zu vieler Fehlvergleiche oder zu enger Treffermengen.

Warum ist die Gewichtung so kritisch?

Nicht alle Produktmerkmale sind gleich wichtig. Ein Frequenzumrichter mit falscher Nennleistung ist kein Ersatz – egal ob alle anderen Parameter stimmen. Gleichzeitig gibt es Merkmale wie Gehäusefarbe oder Verpackungseinheit, die für die technische Austauschbarkeit irrelevant sind. Diese Unterscheidung manuell zu treffen erfordert Fachwissen. Sie automatisiert zu treffen erfordert strukturierte Daten und klare Logik.

Die drei Kategorien der Feature-Gewichtung

Muss-Kriterien (Knockout-Merkmale)

Muss-Kriterien sind Merkmale, bei denen keine Abweichung toleriert wird. Typische Beispiele: Nennspannung, Nennstrom, Schutzart (IP-Klasse), sicherheitsrelevante Zertifizierungen. Weicht ein Kandidat hier ab, scheidet er sofort aus – unabhängig von allen anderen Übereinstimmungen.

Soll-Kriterien (Gewichtete Merkmale)

Soll-Kriterien beeinflussen den Matching-Score, führen aber nicht automatisch zum Ausschluss. Beispiele: Betriebstemperaturbereich, Montageart, Bauform. Je mehr Soll-Kriterien übereinstimmen, desto besser ist der Cross Reference.

Kann-Kriterien (Optionale Merkmale)

Kann-Kriterien haben keinen Einfluss auf die technische Austauschbarkeit. Beispiele: Lieferform, Farbe, Verpackungsgröße. Im automatisierten Prozess sollten sie ignoriert oder nur nachgelagert bewertet werden.

Wie Eclass und ETIM die Grundlage bilden

Eclass und ETIM sind industrielle Klassifikationsstandards. Sie definieren für jede Produktklasse, welche Merkmale relevant sind und in welchen Einheiten sie gemessen werden. Collatio nutzt diese Standards als händisch validierte Referenzpunkte: Aus dem Eclass- oder ETIM-Schema lässt sich systematisch ableiten, welche Merkmale für eine Produktklasse als Muss-Kriterien gelten.

Dieser Ansatz hat einen entscheidenden Vorteil: Die Gewichtungslogik ist nicht produktspezifisch hart codiert, sondern folgt einem validierten, branchenweit anerkannten Schema. Das macht sie skalierbar – auf tausende Produktklassen gleichzeitig.

Schritt-für-Schritt: Feature-Gewichtung im automatisierten Cross Referencing

1. Produktklasse bestimmen – z. B. via Eclass-Code aus dem Ausgangsdatensatz

2. Merkmale aus dem Schema abrufen – Eclass/ETIM liefert die vollständige Merkmalsliste für die Klasse

3. Merkmale klassifizieren – Muss-, Soll- und Kann-Kriterien manuell oder regelbasiert zuordnen

4. Datensätze normalisieren – Einheiten, Schreibweisen und Null-Werte vereinheitlichen

5. Matching-Algorithmus anwenden – Muss-Kriterien als harter Filter, Soll-Kriterien als Score-Treiber

6. Ergebnisse sortieren und validieren – Treffer nach Score ranken, stichprobenartig prüfen

Häufige Fehler bei der Feature-Gewichtung

• Alle Merkmale gleich gewichten: Sicherheitsrelevante Merkmale landen auf einer Ebene mit optionalen Angaben. Das Ergebnis sind gefährliche Fehlmatches.

• Fehlende Datennormalisierung: „24V DC" und „24 VDC" sind dieselbe Angabe. Ohne Normalisierung erkennt das System sie nicht als identisch.

• Keine Expertenvalidierung: Automatisch abgeleitete Gewichtungen können falsch sein. Händische Validierung – zumindest stichprobenartig – ist Pflicht, besonders bei sicherheitskritischen Produkten.

• Unterschätzen von Null-Werten: Fehlt ein Merkmal im Datensatz, ist das kein automatisches Ausschlusskriterium. Es braucht eine explizite Behandlungslogik, sonst verliert das System valide Kandidaten.

Praxisbeispiel: Frequenzumrichter

Ausgangslage: Ein Einkäufer sucht einen Ersatz für einen Frequenzumrichter (Eclass-Code: 27-37-15-01).

Muss-Kriterien (laut Eclass/ETIM-Schema): Nennleistung, Eingangsspannung, Ausgangsstrom, Schutzart

Soll-Kriterien: Regelungsart (V/f oder Vektorregelung), Kommunikationsschnittstelle, Montageposition

Kann-Kriterien: Gehäuseabmessungen (innerhalb ±10%), Lieferzeit, Gehäusefarbe

Das System filtert zuerst alle Kandidaten, die die Muss-Kriterien nicht erfüllen. Die verbleibenden werden nach Soll-Übereinstimmungen gerankt. Das Ergebnis: Eine sortierte Liste tatsächlich austauschbarer Alternativen – ohne manuellen Aufwand für jeden Einzelfall.

FAQ

Wie viele Muss-Kriterien gibt es typischerweise pro Produktklasse?

Das hängt von der Produktklasse ab. Bei sicherheitsrelevanten Bauteilen wie Schutzschaltern sind es oft vier bis sieben Pflichtmerkmale. Bei einfacheren Komponenten wie Kabelschuhen meist zwei bis drei.

Kann man die Gewichtung automatisch aus Daten lernen?

Theoretisch ja, praktisch aber fehleranfällig. Datengetriebene Ansätze brauchen große, saubere Trainingsmengen. Eclass- und ETIM-basierte Gewichtung ist valider, schneller einsetzbar und ohne Trainingsdaten anwendbar.

Was passiert, wenn Produktdaten unvollständig sind?

Fehlende Merkmale werden als „unbekannt" behandelt. Das System schließt ein Produkt nicht pauschal aus, bewertet es aber mit reduziertem Score. Vollständige Datensätze erzielen systematisch höhere Matchingqualität.

Funktioniert der Ansatz auch ohne Eclass- oder ETIM-Klassifizierung?

Nur eingeschränkt. Ohne Klassifizierungsschema fehlt die strukturierte Grundlage für die Gewichtungslogik. Alternativ kann Domainwissen manuell als Regelwerk codiert werden – das ist aber nicht skalierbar und schwer wartbar.

Wie unterscheidet sich Feature-Gewichtung von einfachem Keyword-Matching?

Keyword-Matching prüft, ob bestimmte Begriffe in einer Produktbeschreibung vorkommen. Feature-Gewichtung prüft strukturiert, ob spezifische technische Parameter innerhalb definierter Toleranzen übereinstimmen. Das ist präziser, robuster und automatisierbar.

Fazit

Automatisiertes Cross Referencing steht und fällt mit der richtigen Feature-Gewichtung. Muss-Kriterien müssen klar von Soll- und Kann-Kriterien getrennt sein. Produktdatenstandards wie Eclass und ETIM liefern die Grundlage – wenn sie händisch validiert und konsequent angewandt werden. Wer hier sauber arbeitet, reduziert Fehlmatches drastisch und macht Cross Referencing über alle Produktklassen hinweg skalierbar.