Datenqualität: Die 6 Kriterien, die für Produktdaten zählen

Kriterien der Datenqualität (oft auch Dimensionen genannt) sind die messbaren Eigenschaften, mit denen du entscheidest, ob Daten für ihren Zweck taugen. Die sechs gebräuchlichsten sind Genauigkeit, Vollständigkeit, Konsistenz, Aktualität, Gültigkeit und Eindeutigkeit. Diese Auswahl hat DAMA UK definiert, das UK Government Data Quality Framework hat sie übernommen, und die meisten Datenteams starten damit.

In einem Produktkatalog wird jedes Kriterium zu einer konkreten Prüfung echter Felder. Vollständigkeit fragt, ob Farbe und Größe ausgefüllt sind. Gültigkeit fragt, ob die GTIN ihre Prüfziffer besteht. Konsistenz fragt, ob der Preis in deinem Google-Feed mit dem Preis auf der Produktseite übereinstimmt. Dieser Beitrag geht alle sechs anhand eines durchgehenden Produktbeispiels durch, zeigt, wie du jedes misst, ordnet die häufigsten Datenqualitätsprobleme dem Kriterium zu, das sie verletzen, und endet mit einer gewichteten Scorecard zum Übernehmen.

Warum sich der Aufwand lohnt: In Salsifys Verbraucherstudie 2024 gaben 42 % der Käufer an, dass schlechte Produkttitel und -beschreibungen reichen, um einen Warenkorb abzubrechen, und Syndigos Report 2025 ergab, dass 44 % einen Kauf wegen unzureichender Produktinformationen abgebrochen hatten. Beide Firmen verkaufen Software für Produktcontent, lies die Zahlen also als Herstellerstudien. Die Richtung deckt sich aber mit dem, was jeder Katalogmanager bei Retouren und Support-Tickets sieht.

Woher die sechs Kriterien kommen

Es gibt keine einzige offizielle Liste. Laut IBM wurde die Idee 1996 von Richard Wang und Diane Strong formalisiert, deren Paper 15 Dimensionen aus Sicht der Datennutzer identifizierte. DAMA UK grenzte das Feld 2013 in einem Arbeitsgruppenpapier auf sechs Kerndimensionen ein, und die britische Regierung übernahm diese sechs in ihr Framework von 2020.

Der internationale Standard ISO/IEC 25012 ist breiter angelegt: 15 Merkmale, aufgeteilt in inhärente (etwa Genauigkeit, Vollständigkeit und Konsistenz) und systemabhängige, die von der Software abhängen, in der die Daten liegen. Dieser Detailgrad passt zu einem Data-Warehouse-Team. Für einen Katalog mit 500 bis 50.000 SKUs decken die sechs Kerndimensionen fast alles ab, was ein Listing kaputt macht, und sie lassen sich einem Lieferanten oder einem Marketplace-Account-Manager leicht erklären.

Das durchgehende Beispiel: eine Packung Socken

Jedes Kriterium unten nutzt denselben Datensatz, typisch für den Lieferantenimport, den die meisten Onlineshops bekommen. Es ist ein 3er-Pack Merino-Crew-Socken, Größe 43 bis 46, verkauft im eigenen Shop und über einen Google-Merchant-Center-Feed:

• sku: MER-CREW-3P-4346
• title: Merino Crew Socks 3-Pack Navy 43-46
• brand: leer
• gtin: 13 Ziffern, aber die letzte Ziffer passt nicht zur Prüfziffer
• color: „navy blue“ im Onlineshop, „Navy“ im Feed
• size: 43-46
• pack_size: 1
• material: „N/A“
• description: 18 Wörter, kopiert aus dem PDF des Lieferanten
• price: 24.95 auf der Produktseite, 22.95 im Feed
• availability: in_stock, obwohl der Lagerbestand seit vier Tagen bei 0 liegt
• duplicate: dieselben Socken gibt es aus einem älteren Import noch unter der Lieferanten-SKU 55102

An diesem Datensatz ist nichts ungewöhnlich. Jedes Problem darin lässt sich genau einem der sechs Kriterien zuordnen, und genau das macht sie nützlich: Sie zeigen dir, wo die Korrektur hingehört.

1. Vollständigkeit: Sind die Pflichtfelder ausgefüllt?

Vollständigkeit beschreibt, inwieweit die Werte vorhanden sind, die du brauchst. Das entscheidende Wort ist „brauchst“. Ein Feld ist nur dann Pflicht, wenn ein Kanal, ein Filter oder eine Kaufentscheidung davon abhängt. Lege Pflichtfelder deshalb pro Kategorie und pro Kanal fest, nicht für den ganzen Katalog.

Bei Bekleidung verlangt Googles Produktdatenspezifikation Farbe und Größe für Kleidung und Schuhe, die unter anderem in den USA, Großbritannien und Deutschland ausgespielt werden. Ein Materialfilter im Shop braucht das Material. Ein Sockenprodukt ohne pack_size lässt sich nicht nach Preis pro Paar vergleichen.

So misst du es: ausgefüllte Pflichtfelder geteilt durch alle Pflichtfelder, pro Produkt, dann gemittelt pro Kategorie. Unser Socken-Datensatz hat sieben Pflichtfelder (title, brand, gtin, color, size, material, pack_size). Brand ist leer und material enthält „N/A“, also kommt er auf 5 von 7 oder 71 %, und das noch bevor du fragst, ob die ausgefüllten Werte überhaupt etwas taugen.

Unser Leitfaden zur Datenvollständigkeit geht tiefer darauf ein, wie du Pflichtfelder pro Kategorie wählst.

2. Gültigkeit: Folgt jeder Wert den Regeln?

Gültigkeit beschreibt, inwieweit Daten im erwarteten Format und Wertebereich liegen. Dieses Kriterium lässt sich am leichtesten automatisieren, weil die Regeln irgendwo festgehalten sind: in einer Kanalspezifikation, in deinem eigenen Datenmodell oder in einem Standard.

Beispiele für Produktdaten aus der Google-Spezifikation: availability muss in_stock, out_of_stock, preorder oder backorder sein. price braucht eine Zahl und einen Währungscode nach ISO 4217, etwa 15.00 USD. Eine GTIN muss die GS1-Prüfziffernvalidierung bestehen. Farben dürfen keine Werte wie „#fff000“ oder ein einzelner Buchstabe sein.

So misst du es: Produkte, die alle Gültigkeitsregeln bestehen, geteilt durch geprüfte Produkte. Unser Socken-Datensatz fällt bei der GTIN-Regel durch. Preisformat und Verfügbarkeitswert besteht er, und das zeigt die Grenze der Gültigkeit: „in_stock“ ist ein vollkommen gültiger Wert, der nur leider falsch ist.

Der Leitfaden zur Datenvalidierung listet die Regeltypen auf, die die meisten Katalogfehler abfangen, bevor sie einen Kanal erreichen.

3. Genauigkeit: Stimmen die Daten mit dem echten Produkt überein?

Genauigkeit beschreibt, inwieweit Daten der Realität entsprechen. Dieses Kriterium schmerzt am meisten, wenn es verletzt wird (Retouren, Beschwerden, Rückbuchungen), und lässt sich am schwersten automatisieren, weil Software das physische Produkt nicht sehen kann. Du brauchst eine Referenz: das Datenblatt des Herstellers, ein physisches Muster oder eine vertrauenswürdige Quelle wie den eigenen Feed der Marke.

Unser Datensatz sagt pack_size: 1. Titel, Foto und Verpackung sagen drei. Das Feld ist ausgefüllt, also ist die Vollständigkeit zufrieden, und 1 ist eine gültige ganze Zahl, also ist auch die Gültigkeit zufrieden. Nur eine Genauigkeitsprüfung findet den Fehler.

So misst du es: mit Stichproben. Nimm jedes Quartal 50 zufällige SKUs pro Kategorie, vergleiche fünf bis zehn Schlüsselfelder mit der Referenz und notiere den Anteil der übereinstimmenden Felder. Gewichte die Stichprobe stärker in Richtung Bestseller und Kategorien mit hohen Retourenquoten.

4. Konsistenz: Ist dieselbe Information überall gleich?

Konsistenz beschreibt, inwieweit Werte, die dasselbe darstellen, einander nicht widersprechen. In einem Katalog umfasst das zwei Situationen: Felder innerhalb eines Datensatzes, die sich widersprechen, und dasselbe Feld, das sich zwischen Systemen oder Kanälen unterscheidet.

Unser Socken-Datensatz fällt in beiden Fällen durch. Innerhalb des Datensatzes sagt der Titel 3-Pack, während pack_size 1 sagt. Kanalübergreifend ist die Farbe im Onlineshop „navy blue“ und im Feed „Navy“, und der Preis liegt auf der Seite bei 24.95 und im Feed bei 22.95. Googles Spezifikation verlangt einen Preis, der mit deiner Landingpage übereinstimmt. Letzteres ist also nicht kosmetisch, sondern ein Grund für eine Ablehnung.

Konsistenz betrifft auch das Vokabular. Wenn 40 Produkte „Navy“ sagen, 12 „navy blue“ und 9 „Dark Blue“, zeigt dein Farbfilter drei Optionen für eine Farbe. Genau das behebt die Attributstandardisierung.

So misst du es: Bei kanalübergreifenden Prüfungen den Anteil der Produkte, bei denen Preis, Verfügbarkeit und Titel zwischen deiner Quelle und jedem Kanalexport übereinstimmen. Beim Vokabular die Anzahl unterschiedlicher Werte pro Attribut im Vergleich zu der Anzahl, die du erwarten würdest.

5. Aktualität: Sind die Daten aktuell genug?

Aktualität beschreibt, inwieweit Daten den Zeitraum widerspiegeln, den sie beschreiben. Manche Produktfelder altern kaum (Material, Abmessungen, GTIN). Andere veralten innerhalb von Stunden: Preis, Bestand und Verfügbarkeit.

Unser Datensatz zeigt in_stock vier Tage nachdem das Lager leer war. Jeder Klick auf dieses Listing ist bezahlter Traffic für ein Produkt, das niemand kaufen kann, und jede Bestellung wird zur Stornierung. Auf einem Marketplace zählen Stornierungen außerdem gegen deine Verkäuferkennzahlen.

So misst du es: Lege pro Feldgruppe ein Höchstalter fest und prüfe den Anteil der Produkte, die darunter bleiben. Zum Beispiel: Bestand und Preis dürfen in jedem Kanal höchstens eine Stunde alt sein, Marketingtexte müssen mindestens einmal im Jahr geprüft werden. Die nützliche Zahl ist die Verzögerung zwischen einer Änderung im Quellsystem und dem Moment, in dem der Kanal sie anzeigt.

6. Eindeutigkeit: Gibt es jedes Produkt nur einmal?

Eindeutigkeit beschreibt, inwieweit keine Duplikate existieren. In Katalogen entstehen Duplikate meist durch Importe: dasselbe Produkt von zwei Lieferanten, ein erneuter Import mit neuen SKUs nach einer Migration oder eine Variante, die als eigenes Produkt angelegt wurde.

Unsere Socken gibt es zweimal, einmal als MER-CREW-3P-4346 und einmal als Lieferanten-SKU 55102. Duplikate verteilen Bewertungen und Verkaufshistorie auf zwei Seiten und konkurrieren in der Suche miteinander. Auf Marketplaces, die die Angebote aller Verkäufer auf einer Seite pro GTIN bündeln, kann ein zweiter Datensatz mit falscher oder wiederverwendeter GTIN dein Angebot auf die falsche Seite bringen.

So misst du es: Gruppiere Produkte nach GTIN, dann nach einem normalisierten Schlüssel aus Marke plus Titel plus Größe, und zähle die Gruppen mit mehr als einem Mitglied. Unser Leitfaden zur Deduplizierung behandelt die Abgleichsregeln im Detail.

Zwei weitere Kriterien, die bei Produktdaten ihren Platz verdienen

Längere Listen ergänzen Kriterien wie Integrität (Beziehungen zwischen Datensätzen sind intakt), Relevanz (die Daten dienen einer echten Entscheidung), Zugänglichkeit, Zuverlässigkeit und Herkunft bzw. Lineage (du kannst nachverfolgen, woher ein Wert stammt). Bei Produktdaten verdienen zwei davon ihren Platz:

• Integrität: Jede Variante verweist auf ein existierendes Elternprodukt, jedes Produkt auf eine existierende Kategorie, und jede Bild-URL ist erreichbar.
• Lineage: Du weißt, ob ein Wert vom Lieferanten, von einer Person oder aus der AI-Anreicherung stammt, und wann. Das zählt, sobald du einem Kunden oder einem Marketplace einen falschen Wert erklären musst.

Wiederkehrende Katalogfehler, sortiert nach verletztem Kriterium

Die meisten Katalogprobleme sind eines von einem Dutzend wiederkehrender Fehlerbilder. Das Kriterium zu benennen zeigt dir, ob die Lösung eine Regel, eine Stichprobe, eine Synchronisierung oder eine Bereinigung ist:

Beachte, dass die teuersten Probleme (falsche Packungsgröße, falsche Kategorie, veralteter Bestand) nicht die sind, die ein Vollständigkeitswert zeigt. Ein Dashboard, das nur Füllquoten meldet, wiegt dich in falscher Sicherheit.

Die sechs Kriterien zu einem Kategorie-Score gewichten

Mit sechs einzelnen Prozentwerten lässt sich schwer arbeiten. Fasse sie pro Kategorie zu einem Score zusammen, mit Gewichten, die widerspiegeln, was dich Geld kostet. Ein Ausgangspunkt für einen Onlineshop, der auch über Google Shopping verkauft:

Die Beispielspalte zeigt eine fiktive Bekleidungskategorie mit 2.000 SKUs. Ihr gewichteter Score ist 0,30 x 71 + 0,20 x 88 + 0,20 x 92 + 0,15 x 83 + 0,10 x 95 + 0,05 x 97, das ergibt 84,1 von 100.

Die einzelne Zahl dient für Trendlinien und den Vergleich von Kategorien. Die Aufgabenliste ergibt sich aus dem schwächsten Kriterium, in diesem Beispiel der Vollständigkeit. Passe die Gewichte an dein Geschäft an. Ein Marketplace-Verkäufer mit strengen Stornierungsgrenzen sollte Aktualität höher gewichten, ein Shop mit hohen Retourenquoten die Genauigkeit. Der Eintrag zum Data Quality Score erklärt die Bewertungslogik ausführlicher.

In vier Wochen vom ersten Export zu automatisierten Prüfungen

In Woche 4 bleiben die meisten Teams stecken, denn Daten erst nach der Veröffentlichung zu prüfen, zeigt dir nur, was schon schiefgelaufen ist. Der Quality Guard von WISEPIM führt Regeln bei jedem Import, jeder Massenbearbeitung, jedem AI-Lauf und jedem manuellen Speichern aus, bewertet jedes Produkt von 0 bis 100 und hält Produkte, die eine Block-Regel verletzen, aus dem Export dieses Kanals heraus. Die AI-Anreicherung kann dann fehlende Attribute und Beschreibungen ergänzen, wobei dieselben Regeln das Ergebnis prüfen.

Miss die Kriterien, die dich Geld kosten

Du brauchst weder alle 15 ISO-Merkmale noch ein Data-Governance-Programm, um voranzukommen. Starte mit den sechs Kriterien, miss sie in einer Kategorie und lass das schwächste entscheiden, was du zuerst behebst. Um zu sehen, wo dein eigener Katalog steht, prüfe ein paar Produkte mit dem Produktdatenqualitäts-Rechner oder lies den Leitfaden zur Datenqualität für alle Praktiken im Überblick.