Dårlige produktdata koster mere, end I tror

Dårlige produktdata ligner sjældent en katastrofe

De ligner en sælger, der lige skal ringe til en produktspecialist for at kontrollere, hvilket tilbehør der passer.

En kundeservicemedarbejder, der leder i en gammel PDF efter en teknisk specifikation.

En webshopansvarlig, der retter en forkert værdi direkte på produktsiden, fordi det er hurtigere end at finde ud af, hvor fejlen kommer fra.

Eller en produktchef, der har sit eget Excel-ark med de oplysninger, som ikke passer ind i virksomhedens øvrige systemer.

Hver enkelt handling kan virke både fornuftig og nødvendig.

Problemet er, at de tilsammen kan udgøre en skjult driftsmodel, hvor medarbejderne hver dag kompenserer for produktdata, der er ufuldstændige, inkonsistente eller dårligt strukturerede.

Fordi arbejdet er fordelt mellem flere afdelinger og budgetter, bliver den samlede omkostning sjældent gjort op.

Derfor undervurderer mange virksomheder, hvad dårlige produktdata faktisk koster.

Når kunden ikke kan vælge, koster det virksomheden ordre

Den mest synlige konsekvens er tabt salg.

En kunde kan finde produktet, men ikke afgøre:

• om det passer til den konkrete opgave
• hvad forskellen er på to lignende modeller
• om det er kompatibelt med eksisterende udstyr
• hvilket tilbehør der er nødvendigt
• om specifikationerne er komplette og korrekte

Nogle kunder kontakter en sælger eller kundeservice. Andre leder videre i et datablad. Og nogle vælger en konkurrent, der gør beslutningen lettere.

Problemet viser sig derfor ikke altid som en tydelig fejl i en rapport.

Produktet er online. Produktsiden fungerer. Der er billeder, tekst og specifikationer. Men informationen gør ikke kunden i stand til at vælge med tilstrækkelig sikkerhed.

Hvis kunden vælger forkert, stopper omkostningen heller ikke ved returneringen.

Virksomheden skal måske håndtere support, returfragt, kontrol, kreditering, ompakning, genplacering på lager og en ny forsendelse. I teknisk B2B kan et forkert produkt desuden forsinke kundens installation, service eller produktion.

Medarbejderne bliver den usynlige kompensation

Når produktdata ikke kan stå alene, må medarbejderne udfylde hullerne.

Kundeservice ved, hvilke reservedele der passer. Produktspecialisten kan huske undtagelserne. Marketing ved, hvilke tekster der skal rettes manuelt. Og udvikleren kender de særregler, som får data til at fungere i webshoppen.

Det kan opleves som god service og stor faglighed. Det er det ofte også.

Men hvis de samme spørgsmål og rettelser gentager sig, er det samtidig et tegn på, at virksomhedens viden ikke er gjort til en del af dens fælles produktdata.

Det samme gælder produktoprettelsen.

Hvis en medarbejder hver gang skal undersøge, hvilket felt en oplysning tilhører, hvilken måleenhed der skal anvendes, eller hvem der kan godkende værdien, bliver hvert nyt produkt et mindre analyseprojekt.

Det gør lanceringerne langsommere og skaber afhængighed af de personer, der ved, hvordan processen reelt fungerer.

Manuelle mellemregninger er ikke gratis. De er blot svære at se, fordi de indgår som en naturlig del af arbejdsdagen.

Kompleksiteten vokser hurtigere end sortimentet

En enkel produktdataproces kan fungere fint med få produkter, én webshop og én håndfuld medarbejdere.

Men behovet ændrer sig, når virksomheden får:

• flere produkter og varianter
• flere markeder og sprog
• flere salgskanaler
• flere leverandører og datakilder
• flere medarbejdere, der bidrager til informationen

Den samme produktinformation skal nu kunne anvendes i ERP, PIM, webshop, kataloger, markedspladser, produktfeeds og salgsværktøjer.

Hvis dataene ikke er entydigt definerede, opstår der lokale tilpasninger og tekniske særregler.

Et felt med navnet "længde" kan eksempelvis betyde produktets samlede længde, arbejdslængde, kabellængde eller pakkens længde. En integration kan godt flytte værdien fra ét system til et andet. Den kan bare ikke afgøre, om værdien betyder det samme begge steder.

Resultatet kan være, at dataflowet teknisk fungerer, samtidig med at den information, kunden modtager, er forkert.

Nye kanaler skaber derfor ikke nødvendigvis produktdataproblemet. De gør det eksisterende problem synligt.

Det gælder også AI-assistenter og kommende indkøbsagenter. De øger behovet for entydig og sammenhængende information, men de grundlæggende mangler påvirker allerede kunder, medarbejdere og eksisterende systemer.

Den samlede regning havner mellem afdelingerne

Produktdata bliver ofte betragtet som et IT- eller e-commerce-anliggende. Men konsekvenserne fordeler sig på tværs af virksomheden:

Hver afdeling ser sit eget symptom.

E-commerce ser et konverteringsproblem. Kundeservice ser mange tekniske spørgsmål. IT ser en vanskelig integration. Produktchefen ser en tung oprettelsesproces.

Men ingen ser nødvendigvis, at symptomerne kan have den samme årsag.

Det er derfor, produktdata bør behandles som et ledelsesproblem.

Ledelsen skal ikke beslutte, hvad hvert enkelt attributfelt skal hedde. Men den bør sikre, at virksomheden kan svare på tre spørgsmål:

En høj udfyldningsgrad er ikke nødvendigvis et tegn på høj kvalitet. Et felt kan være udfyldt og stadig være uklart, forkert eller uanvendeligt.

Produktdata virker først, når de hjælper kunder med at vælge, medarbejdere med at arbejde og systemer med at udveksle information korrekt.

Vælg én vigtig produktfamilie, og følg dens data fra oprettelse til kunde ved at undersøge:

Det giver ofte et mere ærligt billede af produktdataenes kvalitet end en rapport over udfyldte felter.

Dårlige produktdata koster ikke kun, fordi enkelte værdier er forkerte.

De koster, fordi organisationen bygger arbejdsgange, integrationer og personafhængigheder op omkring dem.

Med tiden bliver kompensationen opfattet som normal drift:

• "Det ved kundeservice."
• "Den værdi retter vi bare i webshoppen."
• "Det ark må du spørge produktchefen om."
• "Integrationen er lidt speciel."
• Det er dér, den største regning gemmer sig.

Ikke i én stor fejl, men i hundredvis af små handlinger, som virksomheden udfører for at få produktinformationen til at fungere.