Was sind typische Probleme in Produktdaten?
Die häufigsten Probleme lassen sich auf wenige Muster zurückführen. Attribute fehlen, etwa Materialangaben, Maße oder Energieeffizienzklassen, sodass Filter und Produktseiten unvollständig bleiben. Kategorien widersprechen sich, weil derselbe Artikel über die Zeit unterschiedlich eingeordnet wurde. Dubletten entstehen, wenn ein Produkt aus mehreren Quellen mehrfach angelegt wird. Einheiten und Schreibweisen sind uneinheitlich, etwa Zentimeter neben Millimeter oder abweichende Markennamen. Und Identifikatoren wie GTIN oder EAN fehlen oder sind falsch, was spätestens bei der Ausspielung auf Marktplätze zum Problem wird. Diese Muster sind im Grunde die fünf Dimensionen der Datenqualität, angewandt auf den Produktkatalog.
Warum schadet schlechte Produktdatenqualität im Handel besonders?
Weil Produktdaten unmittelbar auf Auffindbarkeit, Conversion und Retouren wirken. Fehlen Attribute, greifen Filter und interne Suche nicht, und Kunden finden den passenden Artikel nicht. Sind Beschreibungen lückenhaft oder widersprüchlich, fehlt die Grundlage für die Kaufentscheidung. Sind Maße oder Spezifikationen falsch, bestellt der Kunde das Falsche und schickt es zurück, was direkt Marge kostet. Und für die Ausspielung in Vergleichsportale, Google Shopping oder auf Marktplätze wie Amazon sind vollständige, korrekte Attribute und gültige Identifikatoren Pflicht, sonst werden Angebote abgelehnt oder schlechter ausgespielt. Über mehrere Kanäle hinweg vervielfacht sich jeder dieser Effekte.
Was ändert sich im Omnichannel-Handel?
Sobald Produkte über Filialen, Lager und Online-Shop zugleich verkauft werden, kommt zur reinen Stammdatenqualität eine zweite Anforderung hinzu: Dieselben Daten müssen über alle Kanäle hinweg übereinstimmen. Das betrifft zweierlei. Zum einen die Stammdaten: Wenn ein Artikel im Kassensystem der Filiale anders benannt und kategorisiert ist als im Online-Shop und im Lagerverwaltungssystem, lässt sich der Verkauf über die Kanäle hinweg weder zusammenführen noch sauber auswerten. Zum anderen, und das ist der heiklere Punkt, die Bestandsdaten, bei denen es auf Aktualität ankommt.
Ein typisches Beispiel: Ein Kunde reserviert online einen Artikel zur Abholung in einer Filiale, weil das System ihn dort als verfügbar ausweist. Vor Ort ist der Artikel aber nicht auffindbar, weil der Filialbestand seit Tagen nicht korrekt gepflegt wurde. Die Bestellung bricht ab, der Kunde ist enttäuscht, und der Aufwand für Rückabwicklung und Nacharbeit fällt trotzdem an. Dieselbe veraltete Bestandsangabe führt bei Ship-from-Store dazu, dass eine Filiale einen Auftrag annimmt, den sie nicht erfüllen kann. Eine Bestandszahl, die online stimmt, im Regal der Filiale aber längst überholt ist, kostet genau an der Schnittstelle zwischen online und offline.
Wie bereinigt man Produktdaten Schritt für Schritt?
Eine Bereinigung folgt fünf Schritten. Zuerst erheben Sie den Ist-Zustand und messen, wie vollständig und konsistent der Katalog tatsächlich ist, wie es der Beitrag zum Bewerten beschreibt. Dann legen Sie einen Datenstandard fest, also je Warengruppe die Pflichtattribute, die erlaubten Werte und die einheitlichen Einheiten und Schreibweisen. Auf dieser Grundlage erkennen und bereinigen Sie Dubletten, idealerweise über einen Abgleich von Identifikatoren wie GTIN in Kombination mit der Ähnlichkeit zentraler Attribute. Anschließend reichern Sie fehlende Attribute an, meist aus Lieferanten- oder Herstellerdaten; wo Sie dabei KI einsetzen, gehört eine Prüfung dahinter, weil ein Modell plausible, aber falsche Werte erzeugen kann. Zuletzt validieren Sie die Daten gegen den definierten Standard und geben nur frei, was ihn erfüllt.
Wo bereinigt man die Produktdaten am besten?
An der Quelle, nicht im einzelnen Kanal. Für die Produktstammdaten ist das das PIM als zentrale, verbindliche Quelle, aus der Shop, Marktplätze und die Filialsysteme dieselben geprüften Daten beziehen. Die Bestände wiederum gehören in die Warenwirtschaft beziehungsweise das ERP, das alle Kanäle mit aktuellen Zahlen versorgt. Entscheidend ist in beiden Fällen dasselbe Prinzip: ein führendes System je Datenart, aus dem alles andere gespeist wird, statt paralleler Pflege in jedem Kanal. Bereinigt man nur im Shop oder nur in einer Filiale, läuft die Qualität bei jedem Abgleich wieder auseinander. Einen Fehler an der Quelle zu vermeiden ist zudem deutlich günstiger, als ihn später in jedem Kanal einzeln zu korrigieren.
Wie bleibt die Qualität dauerhaft?
Durch Regeln und klare Verantwortung statt einer einmaligen Aktion. Im PIM hinterlegte Validierungsregeln und Pflichtfelder verhindern, dass unvollständige Artikel überhaupt freigegeben werden. Eine fortlaufende Messung zeigt, ob die Qualität hält, wie es der Beitrag zum Monitoring beschreibt. Und eine klare Zuständigkeit dafür, wer welche Produktattribute und Bestände pflegt, sorgt dafür, dass die Bereinigung nicht nach einem halben Jahr verpufft. Diesen Teil vertieft die Data Governance.
Zur Übersicht: Datenqualität
