Die meisten E-Commerce-Teams kennen ihre Conversion-Rate, ihre Retourenquote und ihren Cost per Acquisition. Nur sehr wenige haben ein klares Bild von ihrer Produktdatenqualität. Diese Lücke ist teuer.
Schlechte Produktdaten kündigen sich nicht mit einem einzelnen, sichtbaren Fehler an. Sie verschlechtern sich still: etwas mehr Retouren als erwartet, ein Marktplatz-Listing, das nie genehmigt wird, ein Kanalexport, der Produkte mit fehlenden Pflichtfeldern stillschweigend aussortiert. Die Kosten häufen sich im Hintergrund an, während das Team sich auf Kampagnen, Logistik und Kundenservice konzentriert.
Was "Produktdatenqualität" tatsächlich bedeutet
Produktdatenqualität hat vier Dimensionen:
Vollständigkeit. Hat jedes Produkt alle Attribute, die es braucht – für euren Katalog, für jede Sprache, für jeden Kanal? Ein Produkt ohne EAN wird von den meisten europäischen Marktplätzen nicht akzeptiert. Ein Produkt ohne deutsche Beschreibung zeigt deutschen Käufern keinen deutschen Content.
Genauigkeit. Sind die Werte korrekt? Eine EAN mit falscher Prüfziffer, ein in Gramm angegebenes Gewicht, wenn der Kanal Kilogramm erwartet, eine Taxonomiekategorie, die nicht zum Produkt passt – das sind Genauigkeitsprobleme, keine Vollständigkeitsprobleme.
Konsistenz. Sind Werte über Produkte hinweg einheitlich formatiert? "Blau" vs. "blau" vs. "Blau (Blue)" in einem Farbfeld. "L" vs. "Large" vs. "large" in einem Größenfeld. Inkonsistenz erzeugt Rauschen in Filtern, Suche und automatischer Verarbeitung.
Aktualität. Sind die Daten aktuell? Lieferantenpreise ändern sich. Produkte werden eingestellt. Regulatorische Anforderungen ändern sich. Veraltete Daten sind ein eigenes Qualitätsproblem, das sich von fehlenden Daten unterscheidet.
Die Geschäftskosten jeder Dimension
Vollständigkeitsfehler
Abgelehnte Kanal-Listings. Marktplätze wie Amazon, Zalando und Otto erfordern bestimmte Felder, bevor ein Produkt live gehen kann. Eine fehlende EAN, eine fehlende Kategorie oder ein fehlendes Pflichtattribut bedeutet, dass das Listing stillschweigend abgelehnt wird. Ihr erhaltet nicht immer einen klaren Fehler – manchmal erscheint das Produkt einfach nicht.
Verschwendete Import-Zyklen. Wenn eure Kanalintegration unvollständige Produkte aussortiert statt den ganzen Export abzulehnen, bemerkt ihr möglicherweise nicht, dass 15% eures Katalogs nie den Kanal erreicht haben, bis jemand manuell prüft.
KI-Anreicherung kann nicht funktionieren. Wenn ihr versucht, KI zur Datenanreicherung zu nutzen, liefern fast leere Datensätze schlechte Ergebnisse. KI-Anreicherung funktioniert am besten, wenn bedeutungsvoller Kontext vorhanden ist.
Genauigkeitsfehler
Kundenretouren. Falsche Abmessungen, Gewicht, Materialzusammensetzung oder Kompatibilitätsinformationen sind häufige Ursachen für Produktretouren. Ein Kunde, der ein Kabel kauft, das basierend auf einem falschen Attribut nicht zu seinem Gerät passt, gibt es zurück – und hinterlässt möglicherweise eine negative Bewertung.
Marktplatz-Sperrungen. Wiederholte EAN-Abweichungen oder falsche Taxonomieklassifikationen können Listing-Sperrungen auf Marktplätzen auslösen, die manuelle Prüfungsprozesse erfordern.
Preisgestaltungsfehler. Ein falscher Einkaufspreis in einer regelbasierten Preisgestaltungs-Engine kann zu zu niedrig (Margenverlust) oder zu hoch (Umsatzverlust) gepreisten Produkten führen, bis jemand die Diskrepanz bemerkt.
Konsistenzfehler
Such- und Filterverschlechterung. Wenn Größenwerte inkonsistent sind – "L", "Large", "large", "Größe L" – bricht die facettierte Filterung auf eurer Website oder dem Marktplatz zusammen. Kunden, die nach Größe L filtern, sehen nicht alle eure Größe-L-Produkte.
KI-Ausgabequalität. Wenn die Trainingsdaten für die KI-Anreicherung inkonsistente Werte enthalten, lernt die KI die Inkonsistenz und reproduziert sie. Garbage in, garbage out gilt hier.
Export-Transformationsfehler. Wenn ein Kanal ein spezifisches Vokabular für Farbwerte erwartet und eure Farben inkonsistent eingegeben sind, scheitert das Wertemapping für die Varianten, die nicht übereinstimmen.
Aktualitätsfehler
Veraltete Preise nach Lieferantenänderungen. Wenn ein Lieferant seinen Einkaufspreis um 8% erhöht und ihr euer PIM nicht aktualisiert, generieren eure Preisregeln Verkaufspreise basierend auf dem alten Einkaufspreis. Das ist ein Margenproblem, das ihr möglicherweise erst bei einer Quartals-GuV-Prüfung entdeckt.
Eingestellte Produkte bleiben live. Produkte, die in eurem PIM archiviert, aber nicht aus Kanalexporten entfernt wurden, können auf Marktplätzen als verfügbar erscheinen und Bestellungen generieren, die ihr nicht erfüllen könnt.
So prüft ihr eure Produktdatenqualität
Beginnt mit Vollständigkeit, weil sie am quantifizierbarsten ist:
1. Legt Vollständigkeitsanforderungen pro Produktfamilie fest. Ein T-Shirt benötigt Größe, Farbe, Pflegehinweise und Materialien. Ein Elektrowerkzeug benötigt Spannung, Wattzahl und Zertifizierungen. Definiert, was "vollständig" pro Typ bedeutet, nicht generisch.
2. Filtert euren Katalog nach Vollständigkeitsbereich. Sortiert aufsteigend nach Vollständigkeit und arbeitet zuerst die schlechtesten Produkte ab. Das ist ein systematischer Ansatz für ein Problem, das sonst reaktiv angegangen wird.
3. Führt Qualitätsprüfungen durch. Sucht speziell nach fehlenden EANs (Produkte, die nicht zu Marktplätzen gehen können), ungültigen EANs (Produkte, die abgelehnt werden) und fehlenden Pflichtattributen.
4. Prüft einen Kanalexport manuell. Nehmt eine aktuelle Exportdatei und öffnet sie. Schaut euch die ersten 50 Zeilen an. Prüft Stichproben bei Werten, die konsistent sein sollten (Farben, Größen, Kategorien). Das deckt oft systemische Probleme auf, die automatische Prüfungen übersehen.
5. Prüft auf verwaiste Attributoptionen. Wenn ihr eure Farbattributoptionen im Laufe der Zeit geändert habt, verweisen alte Produkte möglicherweise auf Werte, die in eurem Schema nicht mehr existieren. Das erzeugt stille Fehler bei Filterung und Exporten.
So verhindert ihr wiederkehrende Datenqualitätsprobleme
Heutige Qualitätsprobleme zu beheben, ohne den Prozess zu ändern, der sie erzeugt hat, ist Wartung, keine Verbesserung.
Auf Attributebene durchsetzen. Macht Attribute dort erforderlich, wo sie es wirklich sind. Verwendet Select-Felder statt Text-Felder, wo Werte kontrolliertes Vokabular sein sollten. Validiert EANs mit einem Prüfziffern-Algorithmus, nicht nur "ist nicht leer".
Vollständigkeit kontinuierlich verfolgen. Nicht als vierteljährliches Audit, sondern als Live-Metrik, die bei jedem Produkt sichtbar ist. Wenn Vollständigkeit immer sichtbar ist, bleibt sie präsent.
KI-Anreicherung systematisch nutzen, nicht reaktiv. Anstatt Produkte manuell anzureichern, wenn jemand eine Lücke bemerkt, führt Massenanreicherung als Teil eures Import-Workflows aus. Behandelt KI-Anreicherung als einen Schritt in der Pipeline, nicht als Sanierungswerkzeug.
Lieferantendaten beim Import prüfen, nicht danach. Wenn eine Lieferantendatei importiert wird, überprüft das Fehlerprotokoll sofort. Lasst fehlgeschlagene Zeilen nicht anhäufen – sie repräsentieren Produkte, die im Katalog eures Lieferanten existieren, aber nicht in eurem.
Kanalspezifische Vollständigkeitsanforderungen festlegen. Ein Produkt kann für eure Website vollständig sein, aber Felder fehlen, die ein Marktplatz erfordert. Verfolgt Vollständigkeit pro Kanal und behandelt Kanalbereitschaft als eigenen Status.
Applosives Datenqualitäts-Tools – Qualitätsprüfungen, Vollständigkeitsbewertung, Audit-Logs und Versionshistorie – sind darauf ausgelegt, Produktdatenqualität zu einer kontinuierlichen operativen Kennzahl zu machen, statt zu einem periodischen manuellen Audit. Das Ziel: Probleme früh aufdecken, systematisch beheben und verhindern, dass sie eure Kanäle erreichen.