Produktdata som går att spåra, styra och lita på

Ni har ofta redan en lösning på plats när frågan om produktdata blir akut. Problemet är att samma artikeldata ligger i affärssystemet, i kalkylblad, i webbflöden och i filer som ingen riktigt äger. Då blir varje ändring ett manuellt projekt, och varje ny kanal ökar risken för avvikelser.

Digital försäljning har blivit en större del av svensk företagsaffär. När produktinformation ska fungera i flera flöden behövs mer än en bra publiceringsyta.

Ett PIM handlar om ägarskap, versioner, validering och distribution. Det är också där många projekt tappar fart, för att man försöker lösa en infrastrukturfråga med webbredigering.

Varför produktdata har blivit en infrastrukturfråga

Ni känner igen läget. En säljare upptäcker ett fel i en specifikation, marknad vill ändra en benämning och inköp har redan uppdaterat en måttenhet i affärssystemet. Om samma uppgift finns i flera system samtidigt uppstår osäkerhet om vad som är rätt.

Ett PIM är en plats där ni styr vad som får ändras, var sanningen bor och hur informationen sprids vidare. Det är precis där integrationerna mellan affärssystem och digitala kanaler avgör om processen håller ihop, och där plattformsbyten ofta prissätts två gånger när ansvar och omfattning blir otydliga.

Enligt SCB:s statistik om webbförsäljning 2024 sålde 30 procent av svenska företag via egen webbplats, app eller e-handelsplattform, medan 8 procent sålde via marknadsplatser som används av flera företag. Den blandningen betyder att samma artikel måste tåla olika format, olika obligatoriska fält och olika läsare.

Det är också därför ett centralt system fungerar bättre än många separata filer. Ni kan styra namn, attribut, dokument och språkversioner på ett ställe och sedan distribuera vidare till produktwebb, kundportal, återförsäljare och externa kanaler. När det blir tydligt vilka fält som är masterdata och vilka som bara är kanalvisningar minskar mängden handpåläggning.

Datamodellering som skyddar era integrationer

En hållbar modell börjar med att skilja på det som hör hemma i affärssystemet och det som hör hemma i produktdatalagret. Artikelnummer, lager och grundpris bör ligga kvar där transaktionslogiken redan finns. Attribut, översättningar, bilder, dokument och kanalregler behöver däremot kunna hanteras i ett system som är gjort för produktinnehåll.

Tänk modellen i två lager. Det ena lagret äger fakta. Det andra lagret anpassar fakta för varje kanal. Då kan samma produkt beskrivas olika i webb, kundportal och återförsäljarflöde utan att grunddatat blandas ihop.

Det här arbetssättet kräver disciplin. Ni behöver skriva ned vilka fält som är låsta, vilka som får berikas och vilka som alltid ska hämtas från affärssystemet. Det gäller särskilt när en ändring i en enhet, en klassificering eller en benämning annars kan slå sönder en orderöverföring.

Varje export bör kontrolleras mot mottagarens krav. Datan behöver vara korrekt i det flöde som tar emot den.

Här fungerar ett PIM bäst som ett kontrollrum. Ni kan testa obligatoriska fält, versionshistorik och versionsstyrning innan något går ut. Om ni arbetar så blir publicering en följd av godkända regler och godkända versioner.

Datakvalitet som direkt transaktionskontroll

När produktdata passerar både webbläsarflöden och strukturerade meddelanden blir varje attribut en del av transaktionen. Ett felaktigt produkt-ID kan göra att rätt artikel inte går att hitta. Ett fel i ett logistikattribut kan skapa problem längre fram i orderkedjan.

Enligt SCB:s statistik om webbförsäljning och EDI 2025 bedrev 36,7 procent av företag med minst 10 anställda e-handelsförsäljning under 2024. Av dessa använde 31,2 procent webbförsäljning och 11,2 procent EDI-baserad försäljning, medan 5,7 procent använde båda kanalerna. Det är en praktisk påminnelse om att datakvalitet behöver hanteras som operativ kontroll.

En svag produktbeskrivning ger otydlighet. Ett fel i ett tekniskt attribut kan stoppa samma artikel i ett flöde. Därför behöver acceptanstesterna spegla hur data faktiskt används.

Kontrollera att artikelidentitet matchar affärssystemet, att obligatoriska attribut finns för varje kanal, och att pris- och lagerfält hämtas i rätt valuta och enhet innan flödet släpps. Låt också ändringsspårningen visa vad som ändrats, när det ändrades och vilken version som var aktiv när exporten gick ut. Det gör att ni kan felsöka utan att gissa.

Interna tester ska fånga fel innan kund eller återförsäljare gör det. Ett genomtänkt PIM-stöd gör det möjligt att validera innan publicering, och att styra berikad data rätt till webb och portaler, läs mer om PIM. I praktiken betyder det att artikelidentitet, obligatoriska kanalattribut, pris och lager kontrolleras innan något lämnar systemet.

Ni vinner också på att skilja mellan det som är affärskritiskt och det som bara är snyggt. En saknad bild är irriterande. En felaktig artikelidentitet eller ett felaktigt lagerläge är allvarligare. Den skillnaden bör styra er prioritering.

Att göra produktdata redo för AI utan att skapa nya fel

AI lockar lätt med mängd. Många vill att systemet ska skriva fler produkttexter, fler översättningar och fler sammanfattningar. Men den verkliga frågan är vad AI får ändra och hur ni säkrar att det som genereras fortfarande stämmer.

Enligt SCB:s pressmeddelande om större företag och AI använde 35,0 procent av företag med minst 10 anställda någon AI-teknik under 2025, upp från 25,1 procent året innan. Bland medelstora företag låg andelen på 49,6 procent och bland stora företag på 71,9 procent. Det gör AI-styrning till ett vardagsproblem i många organisationer.

En bra kontrollmatris delar upp fälten efter risk. Vissa ska aldrig skrivas över maskinellt. Andra kan AI förbättra, men bara under mänsklig granskning. Det här gäller särskilt tekniska specifikationer, måttenheter och data som styr leverans eller kompatibilitet.

Ni behöver också versionshistorik. Om AI föreslår en ny formulering ska det gå att se vad som ändrats, av vem och när. Utan spårbarhet blir det svårt att avgöra om en avvikelse kom från källdatan eller från genereringen.

AI fungerar bäst när den får tydliga ramar. Den ska inte avgöra om ett tekniskt påstående är rätt. Den ska föreslå text inom en struktur som redan är godkänd. Då minskar risken att genererade texter bryter mot datablad, klassificering eller intern terminologi.

Det är här många projekt blir för lösa. De sätter upp en textmotor men glömmer styrningen kring källor, ansvar och kvalitet. Då blir AI ännu en kanal för fel, bara snabbare.

Regulatorisk spårbarhet och ert bevislager för data

För många bolag måste produktinformationen också kunna bevisas i efterhand. Vem godkände ett materialpåstående, vilken källa låg bakom och när slutade uppgiften gälla.

Ett bevislager för data i anslutning till PIM bör därför innehålla källa, ägare, giltighetstid, godkännandestatus och versionshistorik. Då går det att visa hur ett kritiskt attribut har förändrats över tid. Det spelar roll vid revision, kundförfrågningar och intern granskning.

Enligt SCB:s statistik om it-användning i företag hade 34 procent av företag med minst 10 anställda egen personal som utförde dataanalys under 2025. Samtidigt använde 35 procent AI samma år. Det pekar mot en miljö där produktdata både publiceras och används för styrning och analys.

Ni kan ha ett system som synkar korrekt och ändå sakna spårbarhet. Det händer när ägarskapet är otydligt och ingen formellt ansvarar för datakvaliteten. Då finns det en risk att samma uppgift ser stabil ut tills någon ber om bevis.

I praktiken behöver organisationen veta vem som godkänner ett attribut, vem som uppdaterar det och vem som följer upp när något ändras. Om det inte är tydligt blir systemet bara en snygg yta ovanpå osäker information. Det är också därför ett PIM måste kopplas till arbetssätt.

Tre frågor som avslöjar leverantörens verkliga ansvar

När ni utvärderar en leverantör behöver ni förstå hur lösningen hanterar framtida ändringar. Ställ därför frågan hur uppgraderingar påverkar integrationer, vem som ansvarar för felrättningar efter go-live och hur omfattningen prissätts när nya behov uppstår.

Om leverantören svarar tydligt på uppgraderingar ser ni om ansvar faktiskt följer med över tid. Om svaret om felrättningar blir oklart efter go-live vet ni att riskerna sannolikt hamnar hos er. Och om prissättningen alltid måste omförhandlas för varje ny funktion är relationen sannolikt kortsiktig.

Glanser levererar funktioner från Funktionsbiblioteket med fast omfattning och fast pris. Glanser Care täcker versionsuppföljning, kompatibilitet genom uppgraderingar och buggrättning till en fast månadskostnad. Det kräver att ni som kund är tydliga med ägarskap och prioriteringar.

Ni vill höra hur leverantören tänker kring versionsuppföljning, kompatibilitet och buggrättning över tid. Ni vill också höra om de kan börja i mindre omfattning och bygga vidare på samma grund. Om svaren blir vaga är det ofta ett tecken på att ni köper en insats utan förvaltningsförmåga.

Nästa steg för er produktinformationsarkitektur

När produktdata ligger utspridd i många filer blir nästa steg sällan att bygga mer. Först behöver ni förstå vad som redan finns, vad som används och var det brister. Utan den bilden riskerar ett nytt system att återskapa samma problem i en ny form.

SCB:s siffror och utvecklingen i svensk e-handel visar att produktinformation måste klara flera kanaler samtidigt.

En strukturerad genomgång av funktioner, integrationer och ägarskap ger en bättre start än att börja konfigurera direkt. Ni ser snabbt vilka flöden som är stabila och vilka som bygger på manuella genvägar. Det gör det också lättare att avgöra om ni ska förvalta, byta plattform eller bygga vidare.

Om ni vill få en snabb och konkret bild av nuläget kan vår 72h-analys ge er en inventering av funktioner och integrationer, en funktionsspecifikation, en prototyp och en komplett kostnadsbild med tidsplan inom 72 timmar. Underlaget är ert och mötet tar två timmar. Det är ett bra första steg när ni behöver se vad som faktiskt bör byggas, förvaltas eller bytas.