GDSN wordt vaak gepresenteerd als de oplossing voor rommelige productinformatie. Ik denk niet dat dat helemaal waar is. Op het moment dat je gegevens aan een serieuze standaard moeten voldoen, komen alle slordigheden plotseling aan het licht: ontbrekende attributen, verpakkingsvelden waar niemand verantwoordelijk voor is, inconsistente hiërarchieën en spreadsheets van leveranciers die bij elkaar worden gehouden door kopiëren en plakken en optimisme. De standaard heeft die problemen niet veroorzaakt. Hij is gewoon opgehouden te doen alsof ze er niet waren.
Dat wordt nog duidelijker wanneer productgegevens de grens overgaan. Omdat GS1 via een federatieve structuur werkt, moeten dezelfde gegevens mogelijk een lokale GDSN-validatie, een validatie voor de doelmarkt en specifiek voor de retailer geldende controles doorstaan. Elke laag is op zichzelf logisch. Samen zorgen ze echter voor een verrassend zwaar proces voor iets dat juist bedoeld is om de gegevensuitwisseling te vereenvoudigen.
De complexiteit verdween niet
Grote detailhandelaren kunnen dit doorgaans wel aan. Zij beschikken over het personeel, de systemen en de invloed om leveranciers precies voor te schrijven hoe de gegevens eruit moeten zien. Leveranciers hebben minder opties. Zij erven het mappingwerk, mislukte validaties, correcties, nieuwe sjablonen en maandenlange voorbereiding. De complexiteit verdween niet.
Het is gewoon naar een ander bureau verplaatst.
Dat vormt ook een serieuze drempel voor nieuwe leveranciers. De ene route biedt een intelligente transformatielaag. De andere vraagt leveranciers om zich door een modelleringstack te worstelen voordat een product überhaupt live kan gaan. Tien minuten versus tien maanden klinkt misschien dramatisch. In sommige organisaties is dat niet zo.
Dat roept een ongemakkelijke vraag op: als AI productgegevens al automatisch kan toewijzen, valideren, verrijken en transformeren, waarom vragen we dan nog steeds van elke leverancier om dezelfde gegevens voor elk downstream-systeem opnieuw op te bouwen?
Waarom transformeren we de gegevens niet op het punt waar ze daadwerkelijk het bedrijf binnenkomen?
Het verbazingwekkende
Dit alles doet niets af aan wat GDSN goed doet. Een gedeelde structuur schept vertrouwen. Inkoop, logistiek, e-commerce, marktplaatsen, compliance, categoriemanagement, analytics en AI profiteren er allemaal van als ze dezelfde taal spreken. Productafmetingen, gewichten, artikelnummers, ingrediënten, afbeeldingen en verpakkingsdetails kunnen gemakkelijker worden hergebruikt omdat iedereen begrijpt wat ze betekenen.
In theorie: rustig en elegant.
De handel heeft die memo helaas niet gekregen.
Echte productgegevens komen binnen via Excel-bestanden, PDF's, API's, e-mails, leveranciersportalen, ERP-exporten en wat iemand ook maar vijf minuten voor de deadline heeft gegenereerd. Elke leverancier hanteert andere naamgevingsconventies. Elke categorie kent uitzonderingen. Elke retailer stelt net iets andere eisen. Bovendien is iedereen ervan overtuigd dat zijn of haar spreadsheet de juiste is.
GDSN neemt die realiteit niet weg. Het botst er juist rechtstreeks mee.
Het angstaanjagende deel
Het beangstigende is niet de standaard zelf. Het is het besef van hoeveel handmatig werk je bedrijf stilletjes nodig heeft. Tijdelijke spreadsheets vieren op de een of andere manier hun vijfde verjaardag. Mappingbestanden die slechts één persoon begrijpt. Verpakkingsgegevens waarvan niemand de eigenaar is. Validatieregels die in iemands hoofd zitten, omdat diegene zeven jaar geleden de eerste import heeft opgezet en per ongeluk onderdeel is geworden van de infrastructuur.
Alles werkt totdat de gegevens het bedrijf moeten verlaten.
Meestal beseffen bedrijven dan pas dat ze geen GDSN-probleem hebben. Ze hebben een transformatieprobleem.
Waarom dit nu belangrijk is
De druk op productgegevens neemt vanuit alle richtingen toe. De EU Green Deal, CSRD, CSDDD, ESPR, digitale productpaspoorten, verpakkingsvoorschriften, eisen van marktplaatsen en duurzaamheidsrapportages vragen allemaal om meer gestructureerde, transparante en betrouwbare informatie. AI maakt gestructureerde gegevens ook niet minder belangrijk. Het maakt ze juist belangrijker. AI heeft nog steeds context, consistente kenmerken en informatie nodig die het daadwerkelijk kan begrijpen.
Als je rommel erin stopt, krijg je rommel eruit die er wel betrouwbaar uitziet.
GDSN is een tussenstop, niet de eindbestemming
GDSN wordt vaak gepresenteerd als dé oplossing. In werkelijkheid zorgt het voor standaardisatie van de communicatie. Het lost de gegevensproblemen niet op. Het geeft alleen weer in hoeverre de gegevens al klaar zijn – of juist nog niet.
De toekomst van productgegevensuitwisseling draait niet alleen om het overeenkomen van één gedeeld model. Het gaat erom wat bedrijven met hun gegevens kunnen doen voordat deze dat model bereiken. AI-gestuurde mappings en transformaties veranderen de situatie. In plaats van elke leverancier en elk systeem in rigide externe kaders te persen, kunnen bedrijven één intelligente laag introduceren die productgegevens continu opschoont, valideert, harmoniseert en transformeert.
De standaard blijft bestaan. Het handmatige werk hoeft dat niet.
In vergelijking daarmee begint GDSN minder op de eindbestemming te lijken en meer op een tussenstation. De echte bottleneck is niet de standaard. Het is het gefragmenteerde, kwetsbare transformatiewerk dat plaatsvindt voordat de gegevens daar überhaupt aankomen: spreadsheets, toewijzingen waar niemand verantwoordelijk voor is, herhaalde correcties en handmatig werk dat simpelweg niet schaalbaar is.
Dat is precies waar AI in het voordeel is.
Deze blogpost is een bijdrage van ProductFlight, geschreven door Thorin Schiffer, oprichter, CEO en CTO. ProductFlight helpt organisaties met AI-gestuurde productdatatransformatie voor de moderne detailhandel. Ga voor meer informatie naar www.productflight.io of kom langs bij de stand van ProductFlight op Data Expo.