Datenqualitäts-Framework für Produktdaten: Rollen, Regeln und Kennzahlen

Ein Datenqualitäts-Framework ist die Gesamtheit der Vereinbarungen, die Daten nutzbar halten: welche Daten wichtig sind, wem sie gehören, welche Regeln sie bestehen müssen, wo diese Regeln laufen, was passiert, wenn ein Datensatz durchfällt, und wie du das Ergebnis berichtest und verbesserst. Für einen Produktkatalog heißt das: Verantwortliche pro Feldgruppe, Regeln pro Verkaufskanal, Prüfpunkte beim Import und vor dem Export und eine kurze Liste von Kennzahlen, die jemand jeden Monat prüft.

Datenqualitäts-Kennzahlen sind die Zahlen, die dir zeigen, ob das Framework funktioniert. Gute Kennzahlen haben eine Formel, einen Schwellenwert, eine verantwortliche Person und eine daran geknüpfte Entscheidung. Dieser Beitrag liefert dir die sieben Bausteine eines Datenqualitäts-Frameworks für Produktdaten, 12 Kennzahlen mit Formeln, ein durchgerechnetes Beispiel und eine einseitige Vorlage. Die Qualitätsdimensionen selbst (Vollständigkeit, Gültigkeit, Genauigkeit und die übrigen) behandeln wir in unserem Beitrag zu den Dimensionen der Datenqualität, deshalb verweisen wir hier nur darauf, ohne sie erneut zu erklären.

Vier Begriffe, die Teams verwechseln, und wofür jeder steht

Diese vier Begriffe werden oft verwechselt, und genau deshalb liefern viele Qualitätsprojekte ein Dashboard und sonst nichts.

• Dimension: eine Eigenschaft guter Daten, etwa Vollständigkeit oder Konsistenz. Sie beschreibt, worauf du schaust.
• Kennzahl (Metrik): eine Berechnung zu einer Dimension oder einem Prozess, etwa „Anteil der Produkte, bei denen alle von Kaufland geforderten Attribute ausgefüllt sind“. Sie beschreibt, wie du misst.
• KPI: eine Kennzahl mit Zielwert, die die Geschäftsleitung verfolgt, etwa „Kanalbereitschaft für Kaufland bei 95 % oder höher bis Quartalsende“.
• Framework: die Menschen, Regeln, Prüfpunkte und Routinen, die die KPIs bewegen. Ohne Framework beschreiben Kennzahlen nur das Problem.

Unternehmensmodelle wie DAMA-DMBOK sind für Data-Management-Teams geschrieben. Frameworks aus dem öffentlichen Sektor sind für ein Katalogteam die praktischere Referenz, weil sie für Menschen geschrieben sind, die keine Datenspezialisten sind. Das britische Government Data Quality Framework, veröffentlicht im Dezember 2020, beruht auf fünf Prinzipien: sich zu Datenqualität verpflichten, die eigenen Nutzer und ihre Bedürfnisse kennen, Qualität über den gesamten Datenlebenszyklus bewerten, Datenqualität klar und wirksam kommunizieren und Veränderungen vorhersehen, die sie beeinflussen. Es ordnet die Qualitätsarbeit einem Lebenszyklus zu, von Planung und Erfassung über Nutzung und Weitergabe bis zur Archivierung. Diese Lebenszyklus-Sicht fehlt den meisten E-Commerce-Teams: Sie prüfen Daten einmal, am Ende, wenn sie schon live sind.

Eine zweite Idee, die sich zu übernehmen lohnt, stammt von Thoughtworks: Teile Anforderungen in Basisregeln, die für alle Daten gelten (Typen, Formate), und zweckgebundene Regeln, die an einen Anwendungsfall geknüpft sind. In einem Katalog ist der Anwendungsfall meist der Kanal. Ein Produkt kann für deinen eigenen Onlineshop gut genug sein und trotzdem nicht für Google Shopping.

Die sieben Bausteine eines Datenqualitäts-Frameworks für Produktdaten

Wir nutzen ein durchgehendes Beispiel: einen Baumarkthändler mit 3.000 SKUs, der über seinen eigenen Shopify-Shop, über Google Shopping und auf Kaufland verkauft. Eines seiner Produkte ist ein 18-V-Akkubohrschrauber, SKU DRL-18V-BL, verkauft als Solo-Gerät ohne Akku und als Set mit zwei Akkus.

1. Umfang: kritische Datenelemente pro Kanal

Schreib zuerst auf, welche Felder für welchen Kanal zählen. Diese Liste ist dein Datenvertrag. Für den Bohrschrauber sieht sie so aus:

• Alle Kanäle (Basis): Titel, Marke, GTIN, Preis, Bestand, Hauptbild, Kategorie, Spannung, Akku enthalten (ja/nein).
• Google Shopping: alles oben Genannte plus eine gültige GTIN, ein Landingpage-Preis, der mit dem Feed übereinstimmt, und eine Google-Produktkategorie.
• Kaufland: alles oben Genannte plus die Kategorieattribute des Marketplace, etwa Bohrfutterweite, maximales Drehmoment und Anzahl der Akkus.
• Eigener Onlineshop: alles oben Genannte plus eine Beschreibung, mindestens vier Bilder und die Filterattribute, die deine Kollektionsseiten nutzen.

Halte die Liste kurz. Ein Framework, das 300 Felder steuern will, steuert keines davon. Wähle die Felder, die ein Listing blockieren, einen Filter speisen oder eine Retoure verursachen.

2. Verantwortung: eine verantwortliche Person pro Feldgruppe

Jedes kritische Feld braucht genau eine verantwortliche Instanz, eine Person oder Rolle, keine Abteilung. Eine praktikable Aufteilung für einen mittelgroßen Händler:

• Identifikatoren und Logistik (GTIN, MPN, Gewicht, Abmessungen): Einkauf oder Lieferantenmanagement, weil die Werte von Lieferanten kommen.
• Preis und Bestand: die Verantwortlichen für ERP oder Operations. Niemand bearbeitet diese Werte im PIM von Hand.
• Technische Attribute (Spannung, Drehmoment, Bohrfutterweite): das Kategoriemanagement.
• Marketinginhalte (Titel, Beschreibung, Bilder): das Content- oder E-Commerce-Team.
• Kanal-Mapping (Kategorien, kanalspezifische Attribute): das Marketplace- oder Kanalmanagement.

Unser Leitfaden zur Data Governance geht tiefer auf Rollen wie Data Owner und Data Steward ein. Für das Framework zählt etwas Einfaches: Wenn eine Kennzahl rot wird, muss genau ein Name danebenstehen.

3. Regeln: Basisregeln und Kanalregeln, jeweils mit Schweregrad

Mach aus dem Datenvertrag Regeln, die ein System prüfen kann. Formuliere jede Regel mit Bedingung, Geltungsbereich und Schweregrad:

Der Schweregrad ist die nützlichste Entscheidung im ganzen Framework. Wenn jede Regel nur warnt, hält nichts schlechte Daten auf, und die Warnliste wächst, bis niemand sie mehr liest. Wenn jede Regel blockiert, wird die Hälfte des Katalogs nicht mehr exportiert. Blockiere, was ein Kanal ablehnen würde oder was Retouren verursacht, und warne beim Rest. Der Leitfaden zur Datenvalidierung enthält weitere Regelmuster.

4. Prüfpunkte: wo die Regeln laufen

Ordne die Regeln den Momenten zu, in denen sich Daten ändern. Das ist die Produktdaten-Version der Lebenszyklusphasen aus dem GOV.UK-Framework:

1. Beim Import: Lieferantendateien und ERP-Synchronisierungen. Fang Formatfehler ab, bevor sie sich auf 3.000 Produkte ausbreiten.
2. Beim Bearbeiten: manuelles Speichern, Massenbearbeitungen und AI-generierte Inhalte. AI-Output braucht dieselben Regeln wie eingetippte Daten.
3. Vor dem Export: Lass die Kanalregeln laufen, während der Feed erstellt wird, damit ein fehlerhaftes Produkt zurückgehalten statt abgelehnt wird.
4. Nach der Veröffentlichung: Lies das Feedback der Kanäle. Google Merchant Center listet Produktprobleme auf Artikelebene auf der Seite Produkte und lässt dich die betroffenen Artikel herunterladen. Das ist ein direktes Maß dafür, was durchgerutscht ist.

5. Kennzahlen und Schwellenwerte

Wähle eine kleine Zahl an Kennzahlen, jede mit einer Untergrenze (darunter sofort handeln) und einem Zielwert (wo du hinwillst). Der nächste Abschnitt listet 12 Kandidaten auf. Die meisten Teams sollten fünf bis acht berichten.

6. Behebung: Warteschlange, Triage und Ursachen

Fehlerhafte Produkte brauchen einen Ort, an dem sie landen. Eine Warteschlange zur Behebung listet das Produkt, die verletzte Regel, den Kanal und die verantwortliche Person auf. Arbeite sie wöchentlich in dieser Reihenfolge ab: zuerst blockierte Produkte mit Bestand, dann blockierte Produkte ohne Bestand, dann Warnungen bei Bestsellern.

Behebe die Quelle, nicht das Symptom. Wenn 140 Bohrschrauber eines Lieferanten mit Drehmoment in Inch-Pounds ankommen, ist es keine Lösung, sie jeden Monat von Hand umzurechnen. Bitte den Lieferanten um Newtonmeter oder ergänze beim Import eine Umrechnungsregel. Versieh jedes Problem mit einer Ursache (Lieferant, Import-Mapping, manuelle Eingabe, AI-Output, Kanaländerung), damit du siehst, welche Quelle die meiste Arbeit verursacht.

7. Reporting und Review-Rhythmus

Leg fest, wer welche Zahlen wie oft sieht. Ein Rhythmus, der für die meisten Katalogteams funktioniert:

• Täglich: blockierte Produkte mit Bestand, nach Kanal. Die verantwortliche Person der Warteschlange schaut sie sich an.
• Wöchentlich: neue Probleme nach Ursache und das Alter des ältesten offenen Problems.
• Monatlich: alle Kennzahlen mit Trends, geprüft vom E-Commerce-Manager und den Verantwortlichen der Feldgruppen. Hier werden Regeln ergänzt, geändert oder abgeschafft.
• Vierteljährlich: KPIs im Vergleich zu den Zielen, plus eine Prüfung, ob der Datenvertrag noch zu den Kanälen passt, auf denen du verkaufst.

12 Datenqualitäts-Kennzahlen in drei Ebenen: Zustand, Prozess, Ergebnis

Gruppiere deine Kennzahlen in drei Ebenen. Zustandskennzahlen beschreiben die Daten heute. Prozesskennzahlen beschreiben, wie schnell das Team Probleme findet und behebt. Ergebniskennzahlen verbinden Qualität mit Geld. Ein Framework mit nur Zustandskennzahlen kann dir nicht sagen, ob sich die Arbeit auszahlt.

Zustandskennzahlen: wie die Daten aussehen

1. Kanalbereitschaft: Produkte, die alle Block-Regeln eines Kanals bestehen / aktive Produkte, die diesem Kanal zugeordnet sind. Berichte sie pro Kanal, nie gemittelt über alle Kanäle.
2. Regel-Erfolgsquote: bestandene Regelprüfungen / durchgeführte Regelprüfungen, pro Regel. Die Regeln mit der niedrigsten Erfolgsquote sind deine Aufgabenliste.
3. Füllquote kritischer Felder: Produkte, bei denen ein Feld mit einem gültigen Wert gefüllt ist / Produkte, bei denen das Feld Pflicht ist. Zähle Platzhalter wie „N/A“ oder „0“ als leer.
4. Duplikatquote: Produkte in einer Duplikatgruppe / aktive Produkte. Abgleichsregeln findest du im Leitfaden zur Deduplizierung.
5. Sync-Verzögerung: Median der Zeit zwischen einer Preis- oder Bestandsänderung in der Quelle und dem Moment, in dem der Kanal sie anzeigt. Miss sie an einer Stichprobe von 20 Änderungen pro Woche.

Prozesskennzahlen: wie gut das Framework Probleme findet und behebt

1. First-Time-Right-Quote beim Import: Produkte, die beim Eingang alle Basisregeln bestehen / importierte Produkte. Berichte sie pro Lieferant, sie ist die beste Zahl für ein Lieferantengespräch.
2. Mittlere Behebungszeit: durchschnittliche Zeit zwischen einem Regelverstoß und der bestandenen Nachprüfung, bei Block-Problemen. Lange Behebungszeiten bedeuten meist, dass das Problem keine verantwortliche Person hat.
3. Alter des Rückstands: Alter des ältesten offenen Block-Problems und Anzahl der Probleme, die älter als 14 Tage sind.
4. Wiedereröffnungsquote: Probleme, die innerhalb von 30 Tagen nach der Behebung erneut durchfallen / behobene Probleme. Eine hohe Quote heißt, dass du das Symptom behoben hast und der nächste Import die Korrektur überschrieben hat.

Ergebniskennzahlen: was schlechte Daten kosten

1. Ablehnungsquote im Kanal: Produkte mit einem Problem auf Artikelebene im Kanal / gesendete Produkte. Für Google Shopping nimmst du die Zahl aus der Ansicht der Produktprobleme im Merchant Center.
2. Inhaltsbedingte Retourenquote: Retouren mit einem Grund wie „entspricht nicht der Beschreibung“ oder „falsche Größe“ / Bestellungen, pro Kategorie. Käufer handeln tatsächlich danach: In Salsifys Verbraucherstudie 2025 gaben 71 % an, schon Artikel wegen ungenauer Beschreibungen zurückgeschickt zu haben.
3. Vorkauffragen pro 100 Produkte: Kundenservice-Tickets und Marketplace-Nachrichten, die nach Produktfakten fragen, die auf der Seite hätten stehen sollen, etwa „Ist der Akku dabei?“

Unser Wörterbucheintrag zu Kennzahlen der Produktdatenqualität listet weitere Varianten auf. Widerstehe der Versuchung, alle aufzunehmen. Jede Kennzahl, die du berichtest, braucht eine verantwortliche Person, die danach handelt.

Ein Monatsreview für 520 Elektrowerkzeuge auf Kaufland

Hier ist ein beispielhaftes Monatsreview für die 520 Elektrowerkzeuge des Händlers, von denen 410 auf Kaufland gelistet sind. Die Zahlen sind ausgedacht, in ihrer Form aber realistisch:

Zusammen gelesen zeigen die Zahlen auf eine einzige Ursache. Die Akku-Angabe von Lieferant B steht im Freitext, der Import ordnet sie nicht dem Attribut zu, Menschen korrigieren sie von Hand, der nächste Import überschreibt die Korrektur, und Käufer, die das Detail übersehen, schicken den Bohrschrauber zurück. Die Maßnahme lautet nicht „Datenqualität verbessern“. Sie lautet: die Akku-Anzahl von Lieferant B beim Import dem Attribut zuordnen, manuell korrigierte Felder vor dem Überschreiben schützen und „Solo-Gerät, ohne Akku“ in den Titel der Solo-Varianten aufnehmen. Im nächsten Monat sollten sich Bereitschaft, Wiedereröffnungsquote und Retouren bewegen.

Untergrenzen und Ziele aus deinem eigenen Ausgangswert ableiten

Kopiere keine Zielwerte von anderen Unternehmen. Miss zuerst einen Monat lang einen Ausgangswert und setze dann zwei Linien pro Kennzahl:

• Untergrenze: das Niveau, unterhalb dessen die verantwortliche Person innerhalb der Woche handelt. Setze sie etwas über den heutigen Ausgangswert, damit sie bei echtem Rückgang auslöst, nicht bei Rauschen.
• Ziel: das Niveau, zu dem du dich für das Quartal verpflichtest. Orientiere dich an den Anforderungen des Kanals; ein Marketplace, der unvollständige Listings ablehnt, braucht für Produkte, die du dort verkaufen willst, eine Bereitschaft nahe 100 %.
• Richtung: Bei Verzögerung, Behebungszeit, Alter des Rückstands und Retourenquote ist niedriger besser. Schreib das auf den Bericht, sonst feiert jemand eine steigende Linie.

Erhöhe Ziele erst, wenn eine Kennzahl zwei Review-Zyklen lang über dem Ziel lag. Wer die Latte jeden Monat verschiebt, macht die Trendlinie bedeutungslos.

Sieben Framework-Entscheidungen, die in einem Dashboard ohne Korrekturen enden

• Nur Vollständigkeit messen. Ein ausgefülltes Feld kann trotzdem falsch sein. Kombiniere Füllquoten mit Regel-Erfolgsquoten und mindestens einer Ergebniskennzahl.
• Ein globaler Qualitätsscore als einzige Zahl. Ein einzelner Score taugt für eine Trendlinie, aber die Verantwortlichen brauchen die Regel und das Feld, die durchgefallen sind.
• Daten im Kanal korrigieren. Einen Titel direkt in Kaufland oder Shopify zu bearbeiten, behebt ihn an einer Stelle und geht beim nächsten Sync verloren. Korrigiere ihn an der Quelle.
• Regeln ohne Schweregrad. Fünfzig Warnungen pro Produkt bringen Menschen bei, Warnungen zu ignorieren.
• Kein Prüfpunkt vor dem Export. Wer erst nach der Veröffentlichung prüft, lässt den Kanal oder den Kunden den Fehler zuerst finden.
• AI-Output als vertrauenswürdig behandeln. Generierte Beschreibungen und Attribute brauchen dieselben Regeln und dieselbe Prüfung wie Daten, die ein Mensch eingetippt hat.
• Ein Framework-Dokument, das niemand öffnet. Wenn die Regeln in einem PDF stehen und nicht im System, das die Daten hält, driften beide innerhalb eines Quartals auseinander.

Eine Seite pro Kanal: Vorlage für ein Datenqualitäts-Framework

Fülle eine Seite pro Kanal aus. Bleibt eine Zeile leer, ist das die Lücke, die du zuerst schließen solltest.

1. Kanal und Umfang: zum Beispiel „Kaufland, Kategorien Elektrowerkzeuge und Garten“.
2. Kritische Felder: die 10 bis 20 Felder, die ein Listing blockieren, einen Filter speisen oder eine Retoure verursachen.
3. Verantwortliche pro Feldgruppe: ein Name, kein Team.
4. Regeln: Bedingung, Geltungsbereich, Schweregrad (Block oder Warn) und der Grund, warum es die Regel gibt.
5. Prüfpunkte: Import, Bearbeitung, vor dem Export, nach der Veröffentlichung. Notiere, welches System die Prüfung jeweils ausführt.
6. Kennzahlen: fünf bis acht, jede mit Formel, Untergrenze, Ziel und verantwortlicher Person.
7. Behebung: wohin fehlerhafte Produkte gehen, Triage-Reihenfolge, maximale Behebungszeit für Block-Probleme.
8. Review-Rhythmus: täglich, wöchentlich, monatlich und vierteljährlich, mit Teilnehmenden.
9. Änderungsprotokoll: Datum, geänderte Regel, Grund. So musst du dieselben Entscheidungen nicht immer wieder neu diskutieren.

Das Framework in einem PIM betreiben

Tabellen können die Vorlage aufnehmen, aber sie können keine Regeln beim Import ausführen und kein Produkt aus einem Export zurückhalten. Genau hier verdient sich ein PIM seinen Platz. In WISEPIM hält der Quality Guard die Regeln: Du legst pro Regel einen Schweregrad Block, Warn oder Skip fest und pro Kanal ein eigenes Regelset, und die Regeln laufen bei jedem Import, jeder Massenbearbeitung, jedem AI-Lauf und jedem manuellen Speichern. Produkte, die eine Block-Regel verletzen, warten in einer Quarantäne-Warteschlange mit der Regel und dem Kanal, die sie gestoppt haben. Die Warteschlange zur Behebung aus Baustein 6 existiert also ohne Zusatzaufwand.

Für das Monatsreview verfolgt der Datenqualitätsbericht einen Score von 0 bis 100 über die Zeit und sortiert Felder nach Füllquote. Damit sind mehrere Zustandskennzahlen aus der Liste oben abgedeckt. Ergebniskennzahlen wie Retouren kommen weiterhin aus deinen Shop- oder Marketplace-Daten, nimm sie also ins selbe Review auf.

Um zu sehen, wo dein eigener Katalog startet, prüfe eine Stichprobe mit dem kostenlosen Produktdatenqualitäts-Rechner und schreib dann die erste Seite der Vorlage für den Kanal, der den meisten Umsatz bringt.