Die typischen Datenprobleme im Einzelhandel

In fast jedem Erstgespräch fällt irgendwann der Satz: Bei uns ist das historisch gewachsen, das ist ein Sonderfall. Der Satz stimmt zur Hälfte. Gewachsen ist es überall. Ein Sonderfall ist es fast nie. Wer viele Handels-Systemlandschaften von innen sieht, erkennt dieselben sechs Muster wieder, in wechselnder Ausprägung, aber mit verlässlicher Regelmäßigkeit.

Diese Wiedererkennbarkeit ist eine gute Nachricht. Bekannte Muster haben bekannte Ursachen und bekannte Auswege. Der Rundgang durch die sechs häufigsten lohnt sich deshalb doppelt: Sie finden Ihr Haus darin wieder, und Sie wissen danach, wonach Sie in Ihren eigenen Systemen suchen müssen.

Warum ähneln sich die Datenprobleme im Handel so stark?

Die Systemlandschaften teilen dieselbe Geschichte. Fast jedes Handelsunternehmen hat denselben Weg hinter sich: Am Anfang stand ein Warenwirtschaftssystem, oft ein ERP, das alles konnte und alles führte. Dann kam der Online-Shop und brauchte reichere Produktdaten, also kam ein PIM dazu, ein System für die Pflege von Produktinformationen. Später folgten Marktplätze, eine App, ein Kassensystem-Wechsel, ein Lagerverwaltungssystem. Jedes neue System löste ein echtes Problem und brachte eine eigene Datenhaltung mit.

Das Ergebnis ist überall ähnlich: Dieselbe Information lebt in mehreren Systemen, und die Verbindungen dazwischen sind über Jahre gewachsen statt geplant. In einer Gartner-Befragung geben 63 Prozent der Datenmanagement-Verantwortlichen an, keine passenden Datenmanagement-Praktiken für KI zu haben oder sich nicht sicher zu sein, ob sie sie haben. Der Befund überrascht nicht, wenn man die gemeinsame Geschichte kennt. Er ist die logische Folge davon, wie diese Landschaften entstanden sind.

Was richtet die Doppelpflege im Artikelstamm an?

Sie erzeugt zwei Wahrheiten über denselben Artikel, und niemand kann sagen, welche gilt. Das ist Muster eins und das folgenreichste. Typische Konstellation: Das ERP führt den Artikel für Einkauf und Disposition, das PIM führt ihn für den Shop. Beide Systeme werden von verschiedenen Teams gepflegt, zu verschiedenen Zeitpunkten, nach verschiedenen Regeln. Ohne ein führendes System, das die Hoheit hat, laufen die Stände auseinander.

Die Folgen sind messbar: doppelt angelegte Artikel, sogenannte Dubletten, wenn ein Team einen Artikel nicht findet und ihn neu anlegt. Widersprüchliche Attribute, wenn beide Systeme unterschiedliche Werte für dasselbe Feld führen. Und ein schleichender Vertrauensverlust, weil jeder weiß, dass man den Daten nicht ganz trauen kann, ohne zu wissen, wo es klemmt.

Interessant ist, wie dieses Muster entsteht. Am Anfang steht fast immer eine Schnittstelle, die den Abgleich automatisch erledigen sollte. Dann kam ein Fall, den die Schnittstelle nicht abdeckte, jemand pflegte von Hand nach, und aus der Ausnahme wurde Gewohnheit. Jahre später weiß niemand mehr, welche Felder die Schnittstelle führt und welche die Handpflege. Ein schneller Test für Ihr Haus: Fragen Sie Einkauf und E-Commerce getrennt, welches System für den Artikelstamm führend ist. Bekommen Sie zwei verschiedene Antworten, haben Sie Muster eins.

Woran erkennen Sie tote Pflichtfelder?

Am Unterschied zwischen gefüllt und brauchbar. Muster zwei ist tückischer als leere Felder, denn auf den ersten Blick sieht alles ordentlich aus. Ein Pflichtfeld zwingt beim Anlegen eines Artikels zur Eingabe, also wird eingegeben: eine 999 als Lieferzeit, ein Punkt als Beschreibung, das Anlagedatum als Platzhalter. Das Feld ist gefüllt, die Prüfung auf Vollständigkeit ist zufrieden, und der Wert ist trotzdem unbrauchbar.

Eine ergiebige Quelle für tote Felder sind übrigens Systemmigrationen. Beim Umzug ins neue System mussten die Altdaten die neuen Pflichtfeld-Regeln erfüllen, also wurden fehlende Werte mit Standardwerten aufgefüllt, mit dem festen Vorsatz, das später nachzupflegen. Das Später kam nie. Wer wissen will, wie alt dieses Erbe ist, sortiert die auffälligen Werte nach Anlagedatum.

Aufspüren lässt sich das mit zwei einfachen Prüfungen. Erstens die Befüllungsquote je Feld, die zeigt, wo gar nichts steht. Zweitens eine Plausibilitätsprüfung, die zeigt, wo Unsinn steht: auffällig häufige Einzelwerte, Werte außerhalb sinnvoller Grenzen, identische Werte über tausende Artikel. Beide Prüfungen laufen direkt auf den Systemen und dauern Stunden, keine Wochen. Sie gehören zu den ersten Handgriffen jeder ernsthaften Datenprüfung.

Wie entstehen die Silos zwischen Filiale und Online?

Durch getrennte Systeme für dieselben Menschen und dieselbe Ware. Muster drei hat zwei Gesichter. Beim Kunden: Die Filiale kennt ihre Kundschaft aus dem Kassenbon und vielleicht einer Kundenkarte, der Shop kennt sie aus Konten und Bestellungen. Dieselbe Person existiert zweimal, ohne Verbindung. Jede Auswertung über Kanäle hinweg, jede Personalisierung und jede ehrliche Umsatzbetrachtung je Kunde scheitert an dieser Trennung.

Bei der Ware: Filialbestände und Online-Bestände werden getrennt geführt und unterschiedlich häufig aktualisiert. Der Shop verspricht Verfügbarkeit, die die Filiale nicht mehr hat, oder umgekehrt liegt Ware im Laden, die online als ausverkauft gilt. Wer Click-and-Collect oder Ship-from-Store anbietet, spürt dieses Silo täglich in Stornos und enttäuschten Kunden.

Hinter beiden Gesichtern steckt meist dasselbe organisatorische Muster: Filiale und Online sind als getrennte Bereiche gewachsen, mit eigenen Budgets, eigenen Systemen und eigenen Kennzahlen. Die Datentrennung bildet nur die Organisationstrennung ab. Deshalb lässt sie sich auch selten rein technisch lösen. Eine Kundenzusammenführung scheitert nicht am Abgleich-Algorithmus, sie scheitert an der Frage, wem der Kunde danach gehört.

Welche Muster kommen noch dazu?

Drei weitere, die seltener besprochen werden und mindestens so viel Schaden anrichten. Muster vier ist das Wissen in Excel: Lieferantenkonditionen, Sortimentsregeln, Saisonlogik, gepflegt in Tabellen auf Laufwerken, in mehreren Versionen, von denen niemand die aktuelle kennt. Für Menschen unpraktisch, für automatisierte Systeme unsichtbar.

Muster fünf ist die fehlende Verantwortung. Kein Datenbereich hat eine benannte Person, die für ihn zuständig ist. Korrekturen passieren ad hoc, von mehreren Abteilungen parallel, und jede Bereinigung verfällt nach Monaten wieder, weil niemand den gepflegten Zustand verteidigt. In unseren Prüfungen ist das die häufigste Wurzel hinter allen anderen Mustern.

Muster sechs ist die Latenz, also die Verzögerung zwischen Ereignis und Daten. Der Filialbestand von gestern Nacht, der Abverkauf vom Vortag, die Konditionsänderung, die erst nächste Woche im System steht. Für Monatsberichte egal, für schnelldrehende Sortimente und automatisierte Entscheidungen ein echtes Problem. Gartner weist darauf hin, dass fehlende KI-taugliche Daten Projekte grundsätzlich gefährden, und Aktualität gehört zur Tauglichkeit dazu.

Warum bleiben diese Probleme so lange unsichtbar?

Menschen gleichen sie aus, jeden Tag, ohne es zu merken. Die Disponentin kennt die unzuverlässigen Lieferzeiten und rechnet im Kopf um. Der E-Commerce-Manager weiß, welche Bestandszahl er anzweifeln muss. Die Buchhaltung hat ihre eigene Excel-Brücke zwischen zwei Systemen. Jede dieser Kompensationen funktioniert, kostet unauffällig Zeit und versteckt das Problem vor jeder Kennzahl.

Diese Kompensation hat einen zweiten, oft übersehenen Preis: Sie hängt an Personen. Das stille Wissen, welcher Wert stimmt und welcher nicht, steht in keinem Handbuch. Neue Mitarbeiter brauchen Monate, um es aufzubauen, und wenn eine erfahrene Kraft geht, geht ihr Korrekturwissen mit. Was wie ein Datenproblem aussieht, ist so gesehen auch ein Personalrisiko.

Sichtbar wird der Schaden erst, wenn Automatisierung ins Spiel kommt. Ein automatisiertes System bringt das stille Wissen der Erfahrenen nicht mit und nimmt jeden Wert wörtlich. Aus dem gewohnten Ärgernis wird ein messbarer Fehler, pro Nacht und pro Artikel. Warum das regelmäßig als Scheitern der KI missverstanden wird, obwohl die Fehler schon vorher da waren, haben wir im Beitrag über KI-Agenten in der Produktion beschrieben.

Wo fangen Sie an, wenn Sie sich wiedererkennen?

Beim Anwendungsfall, nicht beim Generalputz. Der Reflex nach so einem Rundgang ist das große Datenqualitätsprogramm über alle sechs Muster gleichzeitig. Davon raten wir ab, und zwar aus Erfahrung: Solche Programme dauern Jahre, verlieren unterwegs ihren Sponsor und hinterlassen oft wenig Bleibendes, weil ohne Muster fünf, die Verantwortung, jeder gepflegte Zustand wieder verfällt.

Wirksamer ist der umgekehrte Weg. Wählen Sie das Vorhaben, das den größten Hebel für Ihr Geschäft hat, und bringen Sie nur die Datenbereiche in Ordnung, die dieses Vorhaben braucht. Welche das sind und wie Sie ihren Zustand selbst prüfen, steht im Beitrag Welche Daten braucht KI?. Wer es belastbar wissen will, lässt die benötigten Bereiche messen: mit Belegen aus den Systemen, nach dem offenen Standard, den Sie auf der Methode-Seite nachlesen können. Die sechs Muster verlieren ihren Schrecken, sobald sie gemessen sind. Dann sind es keine diffusen Altlasten mehr. Es sind Zahlen mit einer Reihenfolge.

Quellen

Quelle	Einordnung
Gartner · Lack of AI-ready data puts AI projects at risk, Februar 2025
prodct · Beispiel-Report ACME Inc. (fiktive Daten)