Schlechte Produktdaten kosten messbar Geld: höhere Retouren, schwächere Conversions, sinkende Marktplatz-Rankings. Warum das so ist und was dabei auf dem Spiel steht, haben wir ausführlich im Beitrag Warum Datenqualität über deinen E-Commerce Erfolg entscheidet beschrieben.
Hier geht es um den nächsten Schritt: Was tust du konkret dagegen? Wie verbesserst du die Qualität deiner Daten, ohne dein Team zu überlasten und ohne alles auf einmal anzugehen? In diesem Artikel erfährst du, wie du Produktdatenqualität in verschiedenen Dimensionen messen kannst.
In diesem Beitrag erfährst du, wie bestehende Altlasten systematisch bereinigt und neue Fehler von vornherein verhindert werden. Inklusive: was KI dabei heute schon übernehmen kann.
Verbesserung ist ein Kreislauf, kein Projekt
Der häufigste Fehler beim Thema Datenqualität: Es wird als einmaliges Aufräumprojekt behandelt. Ein Sprint, eine Bereinigung, danach erledigt.
Das funktioniert nicht. Sortimente wachsen, Lieferanten wechseln, neue Kanäle stellen neue Anforderungen. Fehler entstehen immer wieder – durch manuelle Eingaben, Systemwechsel, fehlende Übergaben zwischen Teams. Datenqualität ist kein Zustand, den du erreichst. Es ist ein Prozess, den du etablierst.
Dieser Prozess greift an zwei Stellen gleichzeitig: Er bereinigt den vorhandenen Datenbestand und verhindert, dass neue Fehler entstehen. Beides ist notwendig. Beides greift ineinander.
Praxis-Tipp: Fang nicht mit dem gesamten Datenbestand an. Konzentriere dich zuerst auf die Daten, die direkt den Geschäftserfolg beeinflussen: Produktdaten und Kundendaten. Alles andere folgt.
Schritt 1: Datenkatalog aufbauen, bevor du bereinigst
Bevor du irgendeine Bereinigung startest, brauchst du Klarheit über deinen Datenbestand. Welche Daten fallen überhaupt an? Welche davon sind geschäftskritisch? Und wer ist dafür verantwortlich?
Ein Datenkatalog beantwortet genau das. Er listet alle relevanten Datenpunkte, bewertet ihre Bedeutung für das Geschäftsmodell und ordnet ihnen Ownership zu. Für einen Händler ohne Altersbeschränkungen ist das Geburtsdatum eines Kunden nett für Marketingaktionen, aber nicht kritisch. Die korrekte Lieferadresse dagegen ist es.
Der Katalog zeigt dir außerdem, wo Redundanzen entstehen könnten: Welche Informationen werden in mehreren Systemen gepflegt? Wo drohen Dubletten?
Sobald du weißt, welche Daten Priorität haben, greift das First-Time-Right-Prinzip: Kritische Felder werden bei der Ersterfassung so vollständig und korrekt wie möglich befüllt. Technisch lässt sich das durch Pflichtfelder, Dropdown-Listen und automatische Validierungen unterstützen. Für Felder, bei denen kein Algorithmus helfen kann – etwa die Kreditlinie eines Kunden – ist das Vier-Augen-Prinzip die beste Option.
Tipp: Formal-technische Qualitätsregeln sind der schnellste Einstieg ins Messen. Wie viel Prozent der Pflichtfelder sind befüllt? Halten Texte die notwendige Mindestlänge ein? Diese Regeln lassen sich direkt in Software implementieren – und liefern sofort einen Überblick über deinen Ist-Zustand.
Schritt 2: Altlasten bereinigen – was heute schon automatisiert läuft
Der vorhandene Datenbestand ist in den meisten Unternehmen das drängendste Problem. Hier liegt das größte Fehlerpotenzial, und hier wirkt eine Verbesserung am schnellsten.
Beim Cleansing kommen mehrere Techniken zum Einsatz:
- Entfernung fehlerhafter Daten: Datensätze ohne zuordenbaren Geschäftspartner, Transaktionen ohne Referenz – diese werden aus dem aktiven Datenhaushalt entfernt.
- Ersetzung durch Referenzdaten: Fehlerhafte Adressen lassen sich mit externen Adressdatenbanken abgleichen und korrigieren. Viele Logistiker stellen solche Datenbanken direkt zur Verfügung.
- Ableitung aus anderen Daten: Fehlt eine Gesamtsumme, lässt sie sich aus Einzelpositionen errechnen. Fehlt ein Attribut, lässt es sich aus verwandten Feldern ableiten.
- Default-Werte setzen: Für Felder, bei denen ein sinnvoller Standardwert existiert, kann dieser gesetzt werden – etwa "Sonstiges" als Kategorie-Fallback.
- Dubletten konsolidieren: Existiert ein Geschäftspartner zweimal im System, müssen die Datensätze zuerst zusammengeführt werden, bevor der Duplikat entfernt wird. Die Reihenfolge ist entscheidend.
Hier kommt KI ins Spiel: Was früher manuelle Stunden in Excel kostete, übernehmen heute automatisierte Routinen. Fuzzy Matching erkennt Dubletten, auch wenn Schreibweisen leicht abweichen. Fehlende Produktattribute lassen sich auf Basis vorhandener Daten vorschlagen – ein Produkt ohne Beschreibung bekommt auf Grundlage von Kategorie, Attributen und Bildinformationen einen Textentwurf, der manuell freigegeben wird. Ein Feld fehlt, aber Bild und Verpackungsangabe liefern die nötige Information? KI schlägt einen Wert vor.
Wichtig: KI verbessert die Effizienz der Bereinigung – sie ersetzt keine strukturierte Datenbasis. Die Qualität der Ausgabe hängt von der Qualität der Eingabe ab. Wer klare Attributdefinitionen und strukturierte Stammdaten hat, profitiert überproportional.
Schritt 3: Qualität bei neuen Daten sichern
Bereinigung ohne Prävention ist Sisyphusarbeit. Parallel zur Aufarbeitung des Altbestands müssen Prozesse etabliert werden, die neue Fehler verhindern.
Das bedeutet konkret:
- Validierungsregeln bei der Dateneingabe: Felder mit definiertem Wertebereich werden technisch abgesichert. Eine EAN muss 13 Ziffern haben. Ein Gewichtsfeld akzeptiert keine Buchstaben. Diese Checks kosten nichts, verhindern aber einen großen Teil der häufigsten Fehler.
- Kanalspezifische Pflichtfelder: Jeder Kanal – Shopify, Amazon, Otto – hat eigene Anforderungen. Wer Produkte auf mehreren Kanälen ausspielt, braucht ein System, das diese Anforderungen kennt und vor dem Publishing prüft.
- Klare Ownership: Wer ist verantwortlich, wenn ein Lieferant die Materialzusammensetzung ändert? Wer aktualisiert das entsprechende Feld? Ohne klare Zuständigkeit entstehen Graubereiche. Daten veralten, ohne dass es jemand merkt.
- Regelmäßige Qualitäts-Audits: Kein System ist fehlerfrei. Monatliche oder quartalsweise Checks auf Vollständigkeit und Konsistenz gehören fest in den Prozess.
Praxisbeispiel: Ein Sortiment wächst von 500 auf 5.000 Artikel. Drei neue Lieferanten, jeder mit eigenem Datenformat. Ohne Validierungsregeln und klare Übergabeprozesse landen innerhalb von Wochen Hunderte inkonsistente Datensätze im System. Mit definierten Importvorlagen und automatischen Prüfungen beim Datenimport wird das Problem an der Quelle gestoppt.
Ziel: Single Point of Truth
Das Ziel aller Maßnahmen ist ein Single Point of Truth – eine zentrale Datenbasis, aus der alle angebundenen Systeme ihre Informationen beziehen. Kein paralleles Pflegen in ERP, Shop-Backend und Marktplatz-Tool. Kein manueller Export in Excel, der drei Stunden später schon veraltet ist.
In der Praxis stoßen viele Unternehmen hier an eine strukturelle Grenze: ERP, CRM, PIM und Shop-System sind historisch gewachsen, jedes für seinen Zweck optimiert. Das Ideal des einen führenden Systems lässt sich selten über Nacht erreichen.
Ein pragmatischer Weg: Mehrere definierte Spots zulassen – je weniger, desto besser – die jeweils die Hoheit über eine Datenkategorie haben. Produktdaten führt das Product Information Management (PIM), Kundendaten das CRM, Transaktionsdaten das ERP-System. Entscheidend ist, dass diese Spots miteinander kommunizieren und sich für übergeordnete Qualitätsanalysen abfragen lassen.
Hublify als Data Hub
Genau das ist der Ansatz, für den Hublify gebaut wurde. Als Commerce Data Hub übernimmt Hublify die zentrale Datenhaltung für Produkt-, Kunden- und Transaktionsdaten – und spielt diese konsistent auf alle angebundenen Kanäle aus: Shopify, Shopware, Marktplätze, CMS, ERP.
Quality Checks und automatisierte Anreicherungsroutinen sind dabei nativ integriert, kein nachträglich eingekauftes Add-on.
Bei Jungherz GmbH ließ sich das direkt ablesen: 80.000 Produkte aus verschiedenen Quellen aggregiert, bereinigt und publiziert – in zwei Tagen. Releeze Group steuert rund 50 Shops mit einem einzigen Commerce-Backend.
Der Einstieg muss nicht groß sein. Wer mit dem PIM beginnt, schafft sofort eine belastbare Datenbasis für Produktdaten. Order Management oder Analytics lassen sich modular ergänzen, wenn der nächste Schritt ansteht.
Datenqualität entsteht durch Struktur, nicht durch Aufwand
Schlechte Datenqualität ist selten das Ergebnis von Nachlässigkeit. Sie ist das Ergebnis von Wachstum ohne passende Infrastruktur. Der Ausweg liegt nicht darin, mehr manuelle Arbeit zu investieren, sondern die richtigen Strukturen zu schaffen: einen Datenkatalog, klare Ownership, technische Validierungsregeln und eine zentrale Datenbasis.
KI beschleunigt die Bereinigung und die laufende Anreicherung – aber nur dort, wo die Grundlage stimmt. Der Schlüssel liegt in der Infrastruktur, nicht im Tool.
Häufig gestellte Fragen
Was kostet schlechte Datenqualität im eCommerce konkret?
Schlechte Datenqualität verursacht Kosten auf mehreren Ebenen gleichzeitig: höhere Retouren durch falsche oder unvollständige Produktbeschreibungen, Lieferausfälle durch fehlerhafte Adressdaten, entgangener Umsatz durch schwache Sichtbarkeit in Suche und auf Marktplätzen.
Welche Daten sollte ich zuerst bereinigen?
Starte mit den Daten, die den größten direkten Einfluss auf Umsatz und Kundenzufriedenheit haben: Produktdaten für die meistverkauften Artikel und Kundendaten mit den höchsten Transaktionsvolumina. Eine ABC-Analyse über 12 bis 18 Monate hilft bei der Priorisierung.
Wie hilft KI bei der Datenpflege im eCommerce?
KI kann fehlende Produktattribute automatisch vorschlagen, Texte für unterschiedliche Kanäle generieren, Dubletten per Fuzzy Matching erkennen und Datenqualitäts-Scores in Echtzeit berechnen. Der Mensch bleibt im Loop für Freigaben — aber der manuelle Aufwand sinkt drastisch.
Was ist ein "Single Point of Truth" und brauche ich das?
Ein Single Point of Truth (SPOT) ist ein zentrales System, das für eine bestimmte Datenkategorie die führende Quelle ist. In der Praxis empfiehlt sich ein pragmatischer Ansatz: mehrere Spots mit klarer Governance (PIM für Produktdaten, CRM für Kundendaten, ERP für Transaktionen), verbunden über definierte Schnittstellen.
Wie unterscheidet sich ein PIM von einer einfachen Excel-Pflege?
Excel skaliert nicht. Ab einigen hundert Produkten, mehreren Kanälen und einem Team von mehr als zwei Personen entstehen zwangsläufig Versionskonflikte, doppelte Einträge und unkontrollierte Änderungen. Ein PIM-System wie Hublify setzt Pflichtfelder durch, steuert Freigabeprozesse und leitet Daten kanalspezifisch und automatisiert aus.
