Glossar von wichtigen Begriffen aus dem PIM Umfeld

Dieser Glossar-Eintrag wurde erstellt von Contene – der Decision Engine für PIM‑Automatisierung und regelbasierte Produktdatenlogik.

Kategorie: Automatisierung

Decision Engine (Decisioning Engine) – Definition, Beispiele & Einsatz im PIM

Definition

Eine Decision Engine (auch Decisioning Engine) ist eine regelbasierte, zustandsorientierte Logikschicht, die Entscheidungen automatisiert ableitet. Sie interpretiert Business Rules, bewertet den aktuellen Entscheidungskontext, erkennt Abhängigkeiten und reagiert auf Zustandsänderungen.

Im Gegensatz zu einem PIM‑System liegt ihr Schwerpunkt nicht auf der Datenspeicherung, sondern auf der Entscheidungslogik.

Zweck im PIM‑Kontext

Eine Decision Engine sorgt dafür, dass Produktdaten:

formal korrekt validiert
fachlogisch plausibilisiert
automatisch abgeleitet
konsistent und widerspruchsfrei
kontext‑ und kanalabhängig transformiert

bereitgestellt werden.

Sie trifft Entscheidungen, steuert aber keine Workflows. Workflows können Entscheidungen nutzen, werden jedoch nicht durch die Decision Engine orchestriert.

Was eine Decision Engine konkret macht

Validiert Daten („Preis fehlt → Produkt unvollständig“)
Prüft fachlogische Zusammenhänge (Plausibilitätsregeln)
Berechnet Attribute (Volumen, Materialgruppen, Größen)
Generiert Varianten (Farben, Sets, Größen)
Erkennt Konflikte & Abhängigkeiten (doppelte EAN, widersprüchliche Maße)
Bewertet Datenzustände (vollständig, plausibel, konsistent, exportfähig)
Transformiert Inhalte (kanalspezifische Titel, Attribute, Formate)
Steuert KI‑Content‑Generierung (Regeln, Qualitätskriterien, Pflichtattribute)
Erzeugt deterministischen Content (z. B. GHS‑HTML‑Texte, einheitliche Artikelbezeichnungen)
Leitet Entscheidungen ab, die andere Systeme weiterverarbeiten können

Eine Decision Engine entscheidet — ein Workflow‑System führt aus.

Deterministische Content‑Generierung

Neben Validierungen und Ableitungen kann eine Decision Engine auch deterministischen Content erzeugen. Dieser Content basiert nicht auf KI, sondern auf regelbasierten, reproduzierbaren Textbausteinen.

Typische Beispiele:

GHS‑HTML‑Texte aus Gefahrstoff‑Attributen
technische Kurzbeschreibungen
automatische SEO‑Titel (Marke + Produktart + Merkmal)
Varianten‑Texte (Farbe, Größe, Material)
Warnhinweise basierend auf Attributkombinationen
Baustein‑Texte für Exportkanäle

Eigenschaften:

deterministisch
auditierbar
reproduzierbar
regelbasiert
frei von KI‑Stochastik

Damit unterscheidet sich die Decision Engine klar von generativen KI‑Systemen.

Content‑Generierung & KI‑Steuerung

Eine Decision Engine kann zusätzlich KI‑Content‑Erzeugung steuern. Sie definiert:

welcher Content generiert werden soll (Titel, Bullet Points, Kurztexte)
welche Regeln gelten (Länge, Stil, Pflichtattribute, Tonalität)
welche KI‑Modelle erlaubt sind
welche Eingaben vollständig sein müssen
welche Varianten erzeugt werden sollen

Beispiele:

„Erzeuge einen SEO‑Titel basierend auf Marke + Produktart + Hauptmerkmal.“
„Erstelle drei Varianten eines Produkttextes für unterschiedliche Zielgruppen.“
„Nutze KI nur, wenn Pflichtattribute vollständig sind.“
„Verwende KI‑Content nur, wenn keine Konflikte im Datenzustand vorliegen.“

Die Decision Engine steuert, wann und wie KI eingesetzt wird — sie generiert nicht selbst stochastisch, sondern definiert Regeln, Bedingungen und Qualitätskriterien.

Beispiel aus der Praxis

Ein Händler definiert folgende Regel:

„Wenn ein Produkt keine Maße hat → Status = unvollständig → nicht exportieren.“

Die Decision Engine:

erkennt fehlende Werte
setzt den Datenzustand auf „unvollständig“
verhindert die Freigabe für den Export
stellt diese Entscheidung einem Workflow‑ oder Freigabesystem bereit

Weitere Beispiele:

„Wenn Kategorie = Schuhe → Größenmatrix automatisch erzeugen.“
„Wenn Bild fehlt → Warnung ausgeben.“
„Wenn EAN doppelt vorkommt → Dublettenprüfung auslösen.“

Abgrenzung zur Rules Engine

Viele klassische Rules Engines arbeiten sequentiell: Regeln werden nacheinander ausgeführt — ohne Zustandsneubewertung oder Fixpunkt‑Berechnung.

Eine Decision Engine erweitert diesen Ansatz:

bewertet nach jeder Regel den Kontext neu
erkennt Abhängigkeiten
löst Konflikte auf
wiederholt den Prozess iterativ
bis ein stabiler Fixpunkt erreicht ist

Vergleich: Rules Engine vs. Decision Engine

Rules Engine	Decision Engine
regelzentrierte Ausführung	kontextbasierte Entscheidungslogik
sequentielle Verarbeitung	iterative Ausführung
statische Regelauswertung	adaptive Entscheidungslogik
impliziter/begrenzter Zustand	explizites Zustandsmodell
linearer Ablauf	Fixpunkt‑Berechnung

Kurzfassung: Rules Engine: führt Regeln aus Decision Engine: bewertet Zustände und leitet Entscheidungen ab

Technischer Hintergrund

Moderne Decision Engines kombinieren:

Business Rules
Zustandsmodelle
Event Processing
Kontextbewertung
Scoring‑Mechanismen
Fixpunkt‑Berechnung

Dadurch können sie auf Änderungen reagieren, Abhängigkeiten erkennen und Entscheidungen dynamisch anpassen.

Excel‑Modellierung als Entscheidungsmodell

In Contene werden Entscheidungsmodelle in Excel definiert — nicht in Code oder komplexen Regelsprachen.

Vorteile:

transparente Modellierung durch Fachbereiche
klare Abhängigkeiten zwischen Regeln, Berechnungen und Entscheidungen
sichtbare Logik statt versteckter Konfiguration
prüfbare und auditierbare Modelle
schnelle Anpassungen ohne IT‑Eingriff

Die Excel‑Modelle werden anschließend:

kompiliert
optimiert
als performanter Entscheidungsgraph ausgeführt

Excel wird damit zur fachlichen Modellierungssprache.

Bezug zu Business Rules

Business Rules bilden die fachliche Grundlage. Die Decision Engine:

bewertet Regeln abhängig vom Zustand
erkennt neue Informationen
löst daraus Entscheidungen aus
dokumentiert Entscheidungen
stellt Ergebnisse anderen Systemen bereit

Sie erweitert klassische Regelverarbeitung um:

Zustandslogik
Kontextbewertung
iterative Entscheidungsfindung