Gute Produktdaten sind nicht einfach nur vollständig. Sie müssen korrekt, konsistent, aktuell, strukturell valide und für den jeweiligen Vertriebskanal geeignet sein. Ein Produkt kann zu 100 % vollständig sein und trotzdem falsche Maße, widersprüchliche Preise oder eine ungeeignete Kategorie enthalten.
PIMSuite prüft deshalb nicht nur Vollständigkeit, sondern auch konkrete technische und strukturelle Fehler im Produktkatalog.
Sechs Dimensionen von Datenqualität
Vollständigkeit - sind die erforderlichen Werte überhaupt vorhanden? Titel fehlt, EAN fehlt, Bild fehlt, technisches Attribut ist leer.
Validität - ist der Wert strukturell korrekt? GTIN-Prüfziffer ungültig, Datum fehlerhaft formatiert, Auswahloption existiert im Schema nicht mehr, Preis negativ.
Konsistenz - widersprechen sich zusammengehörige Werte? Eine Variante hat ein anderes Material als das Hauptprodukt, der Verkaufspreis liegt unter einer definierten Mindestmarge, Kategorie und Produktfamilie passen nicht zusammen.
Korrektheit - stimmt die Information tatsächlich? Das ist die schwierigste Dimension, weil Software das nicht immer automatisch feststellen kann. Eine perfekt formatierte EAN kann trotzdem zum falschen Produkt gehören.
Aktualität - ist die Angabe noch auf dem neuesten Stand? Ein veralteter Lieferantenpreis, ein eingestelltes Produkt, das noch aktiv ist, eine Übersetzung, die auf einer überholten Ausgangsversion basiert.
Kanalbereitschaft - erfüllt der Datensatz die Anforderungen des jeweiligen Zielkanals? Ein Marktplatz verlangt andere Pflichtfelder als ein B2B-Feed.
Nicht jede dieser Dimensionen lässt sich gleich einfach prüfen. Die ersten beiden - Vollständigkeit und Validität - sind weitgehend automatisierbar. Konsistenz und Kanalbereitschaft brauchen kontextbezogene Regeln. Korrektheit und Aktualität lassen sich nur teilweise automatisch erkennen und bleiben zu einem gewissen Grad auf menschliche Prüfung angewiesen.
Vollständigkeit ist nicht dasselbe wie Qualität
Ein Datensatz wie
Titel: Produkt 123
Beschreibung: Gutes Produkt
Material: Sonstiges
kann alle Pflichtfelder erfüllen und damit eine Vollständigkeit von 100 % erreichen - und trotzdem kommerziell unbrauchbar sein. Eine Vollständigkeitsbewertung sagt, ob Daten vorhanden sind, nicht ob sie etwas taugen. PIMSuite berechnet die Vollständigkeitsbewertung jedes Produkts aus seinen Pflichtfeldern, pro Sprache, und aktualisiert sie sofort bei jeder Bearbeitung. Filtert den gesamten Katalog nach Vollständigkeitsbereich - etwa alles unter 80 % auf Deutsch - und arbeitet die Liste systematisch ab.
Qualitätschecks
PIMSuite führt eine Reihe vordefinierter Qualitätsprüfungen über euren Katalog durch:
- Fehlende EAN - Produkte ohne GTIN/EAN/Barcode, die bei der Marktplatz-Einreichung scheitern werden
- Ungültige EAN - Barcodes, die den Prüfziffern-Algorithmus nicht bestehen
- Fehlende Pflichtfelder - als erforderlich markierte Attribute ohne Wert
- Fehlende Preise - Produkte ohne Verkaufspreis, die nicht veröffentlicht werden können
- Verwaiste Attributoptionen - Select/Multiselect-Werte, die auf Optionen verweisen, die im Schema nicht mehr existieren
Jede Prüfung zeigt eine gefilterte Liste betroffener Produkte, damit ihr direkt handeln könnt.
Warum eine gültige EAN nicht automatisch die richtige EAN ist
Eine GTIN/EAN ist mehr als 13 Ziffern - sie enthält eine Prüfziffer, mit der sich viele Tippfehler erkennen lassen. Wenn eine eingegebene EAN die Prüfziffer nicht besteht, weiß das System mit Sicherheit: Der Code ist fehlerhaft. Besteht sie die Prüfziffer, weiß das System nur: Der Code ist strukturell plausibel - nicht, dass er wirklich zu diesem Produkt gehört. Eine bestandene Prüfsumme ist eine notwendige, keine hinreichende Bedingung für Korrektheit.
Warum verwaiste Optionen entstehen
Alte Option:
farbe = "navy"
Schema geändert:
"navy" entfernt / ersetzt durch "dunkelblau"
Bestehende Produkte:
verweisen weiterhin auf "navy"
Verwaiste Attributoptionen entstehen fast immer durch Schemaänderungen, nicht durch fehlerhafte Eingabe: Ein Select-Wert wird umbenannt oder entfernt, und Produkte, die auf den alten Wert verweisen, referenzieren plötzlich etwas, das nicht mehr existiert. PIMSuite findet diese Fälle automatisch, statt sie erst bei einem fehlgeschlagenen Export zu entdecken.
Regeln über einzelne Feldprüfungen hinaus
Die oben genannten Checks prüfen im Wesentlichen Präsenz und Struktur einzelner Felder. Eine umfassendere Datenqualitätsprüfung würde zusätzlich Wertebereiche und Beziehungen zwischen Feldern abdecken - zum Beispiel:
gewicht > 0
breite > 0
verkaufspreis >= mindestpreis
enddatum >= startdatum
und kontextabhängige Regeln:
wenn produktfamilie = lebensmittel
→ zutatenliste erforderlich
wenn batterie_enthalten = ja
→ batterietyp erforderlich
sowie feldübergreifende Prüfungen wie: Nettogewicht darf Bruttogewicht nicht übersteigen, oder ein Aktionspreis über dem regulären Preis ist vermutlich ein Fehler statt eine Aktion. Solche konfigurierbaren, feldübergreifenden Regeln sind über die fünf oben genannten Checks hinaus heute keine eigenständige Funktion - für Kataloge mit spezifischen Geschäftsregeln ist das ein naheliegender Ausbauschritt, häufig im Rahmen individueller Entwicklung.
Datenqualität ist kanalabhängig
Intern im PIM:
✓ Titel
✓ SKU
✓ Preis
Marktplatz:
✗ GTIN fehlt
✗ Hauptbild unzureichend
✗ Pflichtattribut für den Marktplatz fehlt
B2B-Feed:
✓ bereit
Ein Produkt kann intern vollständig und valide sein und trotzdem für einen bestimmten Kanal nicht bereit sein, weil dieser Kanal zusätzliche Anforderungen stellt. PIMSuites Qualitätschecks laufen heute katalogweit, nicht als eigenes, pro Kanal konfigurierbares Anforderungsprofil - wer regelmäßig kanalspezifische Einreichungsfehler hat, für den ist eine dedizierte Kanalbereitschaftsprüfung ein sinnvoller nächster Schritt.
Ein PIM macht schlechte Quelldaten nicht automatisch gut
Wenn ein Lieferant uneinheitliche Einheiten, fehlerhafte Werte, falsche Beschreibungen oder doppelte Produkte liefert, kann ein PIM viele dieser Probleme erkennen und normalisieren - aber es kann nicht zaubern und jeden korrekten Wert erraten. Das begründet eine sinnvolle Arbeitsteilung: deterministische Bereinigung für strukturelle Probleme, Geschäftsregeln für bekannte Zusammenhänge, KI-gestützte Anreicherung für ableitbare Werte, und menschliche Prüfung für alles, was software-seitig nicht sicher zu entscheiden ist.
KI und Datenqualität gehören zusammen - mit Vorsicht
KI kann helfen, Qualitätslücken zu erkennen oder zu füllen, aber KI-generierte Werte bringen ein eigenes Qualitätsrisiko mit. Ein funktionierendes Muster: Die KI schlägt einen Wert vor (etwa eine Taxonomiekategorie), das typisierte Schema erzwingt, dass nur ein gültiger Wert gespeichert werden kann, und ein Mensch bestätigt, wo nötig. Das ist derselbe Grundsatz wie auf der KI-Funktionen-Seite: KI übernimmt die Mehrdeutigkeit, Regeln erzwingen Korrektheit.
Qualitätsworkflow vor der Veröffentlichung
Import
↓
Normalisieren
↓
Validieren
↓
Vollständigkeit bewerten
↓
Ausnahmen prüfen
↓
Freigeben
↓
Veröffentlichen / exportieren
Datenqualität sollte vor dem Kanalexport passieren, nicht erst, nachdem ein Marktplatz ein Produkt abgelehnt hat. Jede der oben beschriebenen PIMSuite-Prüfungen zeigt eine gefilterte Liste betroffener Produkte - der praktische Effekt ist, dass sich Probleme systematisch abarbeiten lassen, bevor sie zu einem gescheiterten Export oder einer Retoure werden.
Woher kam dieser Wert?
Wenn mehrere Quellen unterschiedliche Werte für dasselbe Feld liefern - ERP, Lieferanten-Feed, manuelle Bearbeitung, KI-Anreicherung -, stellt sich die Frage, welche Quelle im Zweifel gilt. Für Preise beantwortet PIMSuite das explizit über konfigurierbare Kostenquellen-Strategien (bevorzugter Lieferant, niedrigster, höchster oder durchschnittlicher Preis). Für Felder allgemein gilt: Jede Änderung wird im Audit-Log mit Nutzer, Quelle und Zeitstempel festgehalten, sodass sich im Nachhinein nachvollziehen lässt, welcher Wert wann von wem oder was gesetzt wurde. Eine generische, konfigurierbare Vorrangregel über alle Feldtypen hinweg ("bei Widerspruch gewinnt Quelle X") ist darüber hinaus keine eigenständige Funktion.
Audit-Log: nicht dasselbe wie Datenqualität, aber notwendig dafür
Datenqualitätsprüfungen beantworten: Was ist falsch? Das Audit-Log beantwortet eine andere Frage: Wie ist es falsch geworden?
Jede Änderung an jedem Produkt wird aufgezeichnet: welches Feld geändert wurde, was der alte Wert war, was der neue Wert ist, wer die Änderung vorgenommen hat und wann. Das Audit-Log ist durchsuchbar und filterbar. Die Frage "Wer hat den Preis dieses Produkts letzten Dienstag geändert?" lässt sich in Sekunden beantworten.
Produkt-Versionshistorie
Die Versionshistorie bietet eine Zeitleistenansicht der Änderungen eines Produkts. Seht jedes Bearbeitungsereignis als Snapshot - wie es vorher aussah, was geändert wurde, wer es berührt hat. Nichts geht dauerhaft verloren, außer es wird explizit endgültig gelöscht.
Medienqualität ist Teil der Produktdatenqualität
Doppelte oder nahezu identische Bilder verschlechtern nicht nur die Medienbibliothek, sie verzerren auch, wie vollständig und vertrauenswürdig ein Katalog wirkt. PIMSuite erkennt Duplikat-Bilder über die gesamte Medienbibliothek per SHA-256-Hash kombiniert mit Perceptual Hashing - Details dazu, einschließlich der Grenzen automatischer Ähnlichkeitserkennung, stehen auf der Medien & DAM-Seite.
Für Produktdatensätze selbst - im Unterschied zu Bildern - ist Dublettenerkennung (etwa über identische GTIN, Lieferanten-SKU oder auffällig ähnliche Titel) heute keine eigenständige Funktion.
Wie PIMSuite das umsetzt
PIMSuite prüft euren Katalog fortlaufend auf fehlende und ungültige EANs, fehlende Pflichtfelder, fehlende Preise und verwaiste Attributoptionen, mit einer gefilterten Produktliste pro Prüfung. Die Vollständigkeitsbewertung läuft pro Sprache und aktualisiert sich sofort. Jede Änderung wird im Audit-Log und in der Versionshistorie festgehalten, mit Nutzer, Zeitstempel und altem sowie neuem Wert. So lassen sich Datenprobleme systematisch finden und beheben, bevor sie eure Kanäle erreichen.