01What it isQué es
Product master data is the single, governed description of each SKU — identifiers such as the GTIN, hierarchy, weights and dimensions, units of measure, packaging, handling and fiscal attributes such as the tariff code — that every system from ERP to TMS reads, managed across the SKU's life from creation to retirement.
Los datos maestros de producto son la descripción única y gobernada de cada SKU —identificadores como el GTIN, jerarquía, pesos y dimensiones, unidades de medida, empaque, manejo y atributos fiscales como la fracción arancelaria— que leen todos los sistemas, del ERP al TMS, gestionada a lo largo de la vida del SKU, desde su alta hasta su baja.
02Why it mattersPor qué importa
A wrong weight, a mismatched unit of measure or a duplicate code does not stay in one place: it silently corrupts freight quotes, slotting, replenishment and the demand history used for forecasting. Poor data quality imposes costs across operations, decision-making and strategy that typical enterprises seldom measure (Redman, 1998 — Communications of the ACM). Because these errors spread thinly across thousands of transactions, they are rarely noticed until someone audits the master.
Un peso erróneo, una unidad de medida que no coincide o un código duplicado no se quedan en un solo lugar: corrompen en silencio las cotizaciones de flete, el slotting, el reabastecimiento y el historial de demanda usado para pronosticar. La mala calidad de datos impone costos en la operación, la toma de decisiones y la estrategia que las empresas típicas rara vez miden (Redman, 1998 — Communications of the ACM). Como esos errores se reparten en miles de transacciones, casi nunca se notan hasta que alguien audita el maestro.
03How it is doneCómo se hace
1
Gate SKU activation. Block a new SKU from going live until weights, dimensions, units of measure, hierarchy and tariff code pass validation.
2
Name one source per attribute. Assign each attribute a system of record and make every other system consume it rather than edit it.
3
Measure what matters physically. Re-weigh and re-measure the highest-volume SKUs periodically and after any supplier packaging change.
1
Condiciona la activación del SKU. Impide que un SKU nuevo se active hasta que peso, dimensiones, unidades de medida, jerarquía y fracción arancelaria pasen la validación.
2
Define una fuente por atributo. Asigna a cada atributo un sistema de registro y haz que los demás sistemas lo consuman en lugar de editarlo.
3
Mide lo físico que importa. Vuelve a pesar y medir los SKU de mayor volumen de forma periódica y después de cualquier cambio de empaque del proveedor.
04The concept in depthEl concepto a fondo
Product master data: the backbone of the digital supply chain›
Product master data is the set of data that describes each product uniquely and consistently across all organizational systems: ERP, WMS, TMS, forecasting system, and e-commerce. When product master data is incorrect or inconsistent, the entire supply chain operates on a defective foundation.
Core product master data attributes for supply chain›
(1) Identifiers: GTIN (EAN/UPC barcode), internal company code, supplier code. (2) Description: product name, long description, family, category, subcategory. (3) Physical attributes: gross weight, net weight, dimensions (length, width, height), units of measure. (4) Packaging attributes: units per case, cases per pallet, packaging type. (5) Logistics attributes: storage temperature, hazard classification, transport restrictions. (6) Fiscal attributes: tariff code, customs description, country of origin.
The most frequent product master data problems in supply chain›
(1) Incorrect weights and dimensions: generate calculation errors in TMS (freight quotes use master weights) and WMS (storage space allocation). (2) Inconsistent units of measure between systems: ERP says "cases of 12" but WMS says "units" — generating inventory errors. (3) Duplicate SKUs: same product registered with multiple codes in the system, generating fragmented inventory. (4) Incorrect product hierarchy: impacts forecast (model aggregates demand at wrong level), reporting (KPIs reported in wrong category), and pricing rules.
Intermediate vs. Advanced›
Intermediate: maintains product master data attributes for assigned SKUs; identifies and reports detected inconsistencies.
Advanced: designs the product master data model with the correct attributes for each use case; implements the product master governance process; manages the SKU lifecycle.
Advanced: designs the product master data model with the correct attributes for each use case; implements the product master governance process; manages the SKU lifecycle.
Datos maestros de producto: la columna vertebral de la cadena de suministro digital›
Los datos maestros de producto son el conjunto de datos que describe cada producto de forma única y consistente en todos los sistemas de la organización: ERP, WMS, TMS, sistema de pronóstico y e-commerce. Cuando los datos maestros de producto son incorrectos o inconsistentes, toda la cadena de suministro opera sobre una base defectuosa.
Atributos clave del maestro de producto para supply chain›
(1) Identificadores: GTIN (código de barras EAN/UPC), código interno de la empresa, código del proveedor. (2) Descripción: nombre del producto, descripción larga, familia, categoría, subcategoría. (3) Atributos físicos: peso bruto, peso neto, dimensiones (largo, ancho, alto), unidades de medida. (4) Atributos de empaque: unidades por caja, cajas por tarima, tipo de empaque. (5) Atributos logísticos: temperatura de almacenamiento, clasificación de materiales peligrosos, restricciones de transporte. (6) Atributos fiscales: fracción arancelaria, descripción aduanera, país de origen.
Los problemas más frecuentes del maestro de producto en supply chain›
(1) Pesos y dimensiones incorrectos: generan errores de cálculo en el TMS (las cotizaciones de flete usan los pesos del maestro) y en el WMS (asignación de espacio de almacenamiento). (2) Unidades de medida inconsistentes entre sistemas: el ERP dice "cajas de 12" pero el WMS dice "piezas", lo que genera errores de inventario. (3) SKU duplicados: el mismo producto registrado con varios códigos en el sistema, lo que fragmenta el inventario. (4) Jerarquía de producto incorrecta: afecta el pronóstico (el modelo agrega la demanda en el nivel equivocado), el reporteo (KPI reportados en la categoría equivocada) y las reglas de precio.
Intermedio vs. Avanzado›
Intermedio: mantiene los atributos del maestro de producto de los SKU asignados; identifica y reporta las inconsistencias detectadas.
Avanzado: diseña el modelo de datos maestros de producto con los atributos correctos para cada caso de uso; implementa el proceso de gobierno del maestro de producto; gestiona el ciclo de vida del SKU.
Avanzado: diseña el modelo de datos maestros de producto con los atributos correctos para cada caso de uso; implementa el proceso de gobierno del maestro de producto; gestiona el ciclo de vida del SKU.
05In practiceEn la práctica
Product master data is the foundation of all supply chain analytics — data quality determines the quality of all models›
A freight estimate using incorrect master weights, or a reorder rule using an inconsistent unit of measure, produces incorrect recommendations regardless of model sophistication.
Implement the new SKU onboarding process with mandatory validation of all required attributes before activation›
The new SKU onboarding process must include capture and validation of critical attributes (weight, dimensions, units of measure, tariff code) before the SKU is activated in the system.
Define a single "source of truth system" for each product master data attribute›
The SKU weight attribute must have a single source of truth (e.g., the ERP) — and all other systems must consume weight from that source. When multiple systems can modify weight, inconsistency is inevitable.
Perform an annual product master data audit — including physical weight and dimension validation for the top 100 SKUs›
Product master weights and dimensions must be physically validated periodically. A supplier changing packaging can make master weights incorrect without anyone noticing.
El maestro de producto es la base de toda la analítica de supply chain: la calidad del dato determina la calidad de todos los modelos›
Una estimación de flete con pesos incorrectos en el maestro, o una regla de reorden con una unidad de medida inconsistente, produce recomendaciones incorrectas sin importar qué tan sofisticado sea el modelo.
Implementa el proceso de alta de nuevos SKU con validación obligatoria de todos los atributos requeridos antes de activarlos›
El proceso de alta de nuevos SKU debe incluir la captura y validación de los atributos críticos (peso, dimensiones, unidades de medida, fracción arancelaria) antes de que el SKU se active en el sistema.
Define un único "sistema fuente de verdad" para cada atributo del maestro de producto›
El atributo de peso del SKU debe tener una única fuente de verdad (por ejemplo, el ERP), y todos los demás sistemas deben consumir el peso desde esa fuente. Cuando varios sistemas pueden modificar el peso, la inconsistencia es inevitable.
Realiza una auditoría anual del maestro de producto, con validación física de peso y dimensiones de los 100 SKU principales›
Los pesos y dimensiones del maestro deben validarse físicamente de forma periódica. Un proveedor que cambia su empaque puede volver incorrectos los pesos del maestro sin que nadie lo note.
06Illustrative caseCaso ilustrativo
Illustrative case built from typical industry values — not data from a specific company.Caso ilustrativo construido con valores típicos de la industria — no son datos de una empresa específica.
Illustrative case: Product master data audit — B2B distribution company, 12,400 active SKUs
The team performs a product master data audit to identify the most frequent problems.
The team performs a product master data audit to identify the most frequent problems.
| Master data problem type | Affected SKUs | Operational impact |
|---|---|---|
| Incorrect weights or dimensions (>10% difference vs. actual physical weight) | 2,840 SKUs (23% of portfolio) | TMS overestimates freight for 2,840 SKUs · Estimated freight overpayment: $180K USD/year |
| Inconsistent units of measure between ERP and WMS | 480 SKUs with inconsistency | Recurring inventory discrepancies · 18% of inventory team reconciliation time |
| Duplicate SKUs (same product with 2+ different codes) | 124 duplicate SKU pairs | Fragmented inventory · Forecast doesn't correctly aggregate product demand |
Result: The product master data cleanup was the highest ROI project of the year: $180K USD freight savings + 18% reduction in inventory reconciliation time + forecast MAPE improvement from 22% to 18% (duplicate SKU fragmentation was generating artificially variable demand patterns the model couldn't predict).
Illustrative case built from typical industry values — not data from a specific company.Caso ilustrativo construido con valores típicos de la industria — no son datos de una empresa específica.
Caso ilustrativo: auditoría del maestro de producto — empresa de distribución B2B, 12,400 SKU activos
El equipo realiza una auditoría del maestro de producto para identificar los problemas más frecuentes.
El equipo realiza una auditoría del maestro de producto para identificar los problemas más frecuentes.
| Tipo de problema en el maestro | SKU afectados | Impacto operativo |
|---|---|---|
| Pesos o dimensiones incorrectos (>10% de diferencia vs. el peso físico real) | 2,840 SKU (23% del portafolio) | El TMS sobreestima el flete de 2,840 SKU · Sobrepago estimado de flete: $180K USD/año |
| Unidades de medida inconsistentes entre ERP y WMS | 480 SKU con inconsistencia | Diferencias de inventario recurrentes · 18% del tiempo del equipo de inventarios en conciliaciones |
| SKU duplicados (el mismo producto con 2 o más códigos distintos) | 124 pares de SKU duplicados | Inventario fragmentado · El pronóstico no agrega correctamente la demanda del producto |
Resultado: La depuración del maestro de producto fue el proyecto de mayor ROI del año: $180K USD de ahorro en flete + 18% menos tiempo de conciliación de inventarios + mejora del MAPE del pronóstico de 22% a 18% (la fragmentación por SKU duplicados generaba patrones de demanda artificialmente variables que el modelo no podía predecir).
07How it is measuredCómo se mide
Master Data Completeness % (% of product master data attributes complete and current)›
Master Data Completeness % (% of product master data attributes complete and current)
(Product master data attributes completed and within update SLA / Total required attributes) × 100
Benchmark: >98% completeness for critical attributes (weight, dimensions, units of measure, hierarchy)
⚠️ Product master data with <90% completeness in logistics attributes (weight, dimensions) generates systematic errors in freight calculation and storage capacity — whose financial impact is hard to detect because errors distribute across thousands of transactions.
Master Data Accuracy % (% of attributes with correct data vs. source of truth)›
Master Data Accuracy % (% of attributes with correct data vs. source of truth)
(Product master data attributes with validated correct value / Total audited attributes) × 100
Benchmark: >97% accuracy for critical attributes after master data audit and cleanup
🔑 Product master data accuracy is the highest-impact KPI for supply chain analytics quality. An ML model trained on incorrect product master data produces systematically incorrect results.
Master Data Completeness % (% de atributos del maestro de producto completos y vigentes)›
Master Data Completeness % (% de atributos del maestro de producto completos y vigentes)
(Atributos del maestro de producto completos y dentro del SLA de actualización / Total de atributos requeridos) × 100
Benchmark: >98% de completitud en atributos críticos (peso, dimensiones, unidades de medida, jerarquía)
⚠️ Un maestro de producto con <90% de completitud en atributos logísticos (peso, dimensiones) genera errores sistemáticos en el cálculo de flete y de capacidad de almacenamiento, cuyo impacto financiero es difícil de detectar porque los errores se reparten en miles de transacciones.
Master Data Accuracy % (% de atributos con dato correcto vs. la fuente de verdad)›
Master Data Accuracy % (% de atributos con dato correcto vs. la fuente de verdad)
(Atributos del maestro de producto con valor validado como correcto / Total de atributos auditados) × 100
Benchmark: >97% de exactitud en atributos críticos después de la auditoría y depuración del maestro
🔑 La exactitud del maestro de producto es el KPI de mayor impacto en la calidad de la analítica de supply chain. Un modelo de ML entrenado con datos maestros incorrectos produce resultados sistemáticamente incorrectos.
08What you would useQué se usa
📌 Product Master Data
SAP MDG (Master Data Governance)›
Module: Product Master Data + SKU Lifecycle Management in SAP
SAP MDG is the reference master data solution for SAP ecosystems. Manages the complete SKU lifecycle with approval and validation workflows.
SAP MDG is the reference master data solution for SAP ecosystems. Manages the complete SKU lifecycle with approval and validation workflows.
Stibo Systems / Informatica MDM›
Module: Multi-Domain MDM + Product Information Management
ERP-independent MDM platforms for product master management in multi-system ecosystems.
ERP-independent MDM platforms for product master management in multi-system ecosystems.
📌 Datos maestros de producto
SAP MDG (Master Data Governance)›
Módulo: Maestro de producto + gestión del ciclo de vida del SKU en SAP
SAP MDG es la solución de datos maestros de referencia para ecosistemas SAP. Gestiona el ciclo de vida completo del SKU con flujos de aprobación y validación.
SAP MDG es la solución de datos maestros de referencia para ecosistemas SAP. Gestiona el ciclo de vida completo del SKU con flujos de aprobación y validación.
Stibo Systems / Informatica MDM›
Módulo: MDM multidominio + gestión de información de producto
Plataformas de MDM independientes del ERP para gestionar el maestro de producto en ecosistemas con múltiples sistemas.
Plataformas de MDM independientes del ERP para gestionar el maestro de producto en ecosistemas con múltiples sistemas.
The bottom lineEn corto
Fix the product master before tuning any model — every downstream number inherits its errors.
Corrige el maestro de producto antes de afinar cualquier modelo: cada cifra posterior hereda sus errores.
← PreviousAnteriorData security, privacy & compliance in supply chain data platformsSeguridad de datos, privacidad y compliance en plataformas de datos de SCNextSiguiente →Customer & supplier master data: golden records & deduplicationDatos maestros de clientes y proveedores: registros de oro y deduplicación
All D12 componentsTodos los componentes de D12D12 artifactsArtifacts de D12SCRA