Datenbereinigung (Data Cleansing)
Datenbereinigung bedeutet, Fehler, Dubletten, Lücken und uneinheitliche Formate in Daten zu finden und zu beheben. Im E-Commerce heißt das, Produktdaten zu bereinigen, bevor sie deine Kanäle erreichen.
Was ist Datenbereinigung (Data Cleansing)?
Datenbereinigung (Data Cleansing, auch Data Cleaning) bedeutet, Fehler in einem Datensatz zu finden und zu beheben: falsche Werte, Dubletten, leere Felder und uneinheitliche Formate. Im E-Commerce heißt die Bereinigung von Produktdaten, Lieferantendateien und alte Katalogdaten in einen veröffentlichungsfähigen Zustand zu bringen, mit einer Schreibweise pro Farbe, einer Einheit pro Maß und ohne doppelte SKUs. Die Bereinigung behebt, was bereits falsch ist. Datenvalidierung hält neue Fehler draußen, und Datenanreicherung ergänzt, was fehlt, etwa Beschreibungen oder Attribute. Die meisten Teams kombinieren alle drei: den Rückstand einmal bereinigen und dann Validierungsregeln anlegen, damit die Daten sauber bleiben. Dienstleister für Datenbereinigung im E-Commerce erledigen den ersten Durchgang von Hand oder per Skript, ein PIM hält die Daten danach sauber. Einen ersten Überblick über deinen Katalog bekommst du mit dem kostenlosen Rechner für Produktdatenqualität.
Warum Datenbereinigung (Data Cleansing) im E-Commerce wichtig ist
Unsaubere Produktdaten sehen deine Kunden. Filter übersehen Produkte, weil bei einem Navy und beim anderen navy blue steht, Feeds werden abgelehnt, weil eine GTIN einen Tippfehler hat, und Käufer schicken Artikel zurück, weil eine Größe falsch war. Laut dem Consumer Returns Report 2025 von Akeneo hatten etwa 60 % der Käufer schon einmal ein Produkt wegen ungenauer oder irreführender Beschreibungen zurückgeschickt. Das Problem wächst mit jeder Lieferantendatei und jedem neuen Kanal. Eine einmalige Bereinigung vor einer Migration oder einem Kanalstart ist üblich, aber ohne Regeln kommen dieselben Fehler mit dem nächsten Import zurück.
Kostenloses Tool
Bewerte die Datenqualität eines Produkts
Gib Titel, Beschreibung, Meta-Felder und Attribute ein. Du bekommst eine Gesamtpunktzahl von 100, eine Punktzahl pro Kategorie und die ersten Verbesserungen, auf Basis der Voreinstellung für deine Branche.
Beispiele für Datenbereinigung (Data Cleansing)
- 1Feld: Farbe, Vorher: navy, Navy Blue, NAVY, dk blue, Nachher: Navy
- 2Feld: Gewicht, Vorher: 1kg, 1000 g, 1.0 KG, Nachher: 1000 g
- 3Feld: SKU, Vorher: zwei Datensätze mit SKU TS-104, Nachher: ein Datensatz, Dublette zur Prüfung markiert
- 4Feld: Titel, Vorher: NIKE AIR MAX 90 WIT MT 42!!!, Nachher: Nike Air Max 90, Weiß, Größe 42
- 5Feld: GTIN, Vorher: 871234567890 (Prüfziffer falsch), Nachher: markiert und aus der Lieferantendatei korrigiert
- 6Feld: Beschreibung, Vorher: Lieferanten-HTML mit kaputten Tags, Nachher: sauberer Text mit demselben Inhalt
So hilft WISEPIM
- Regeln, die Daten sauber halten: Regeln in Quality Guard markieren nach jedem Import leere Felder, falsche Formate und ungültige Werte.
- Korrekturen in großen Mengen: Die Massenbearbeitung und die Seite Attribute values (Attributwerte) lassen dich Werte über Tausende Produkte umbenennen und standardisieren.
- Sichere Importe: Rollback Import macht einen Import rückgängig, der fehlerhafte Daten gebracht hat, und das Rückgängigmachen in der Operation history deckt Massenänderungen in kostenpflichtigen Tarifen ab.
Häufige Fehler bei Datenbereinigung (Data Cleansing)
- Daten einmal bereinigen und keine Regeln anlegen, sodass Fehler mit dem nächsten Import zurückkommen.
- Vermutete Dubletten löschen, ohne zu prüfen, welcher Datensatz korrekt ist.
- Werte im Webshop korrigieren statt an der Quelle, sodass der nächste Sync sie überschreibt.
- Werte standardisieren, ohne sich vorher auf eine Liste erlaubter Werte zu einigen.
- Mit dem ganzen Katalog beginnen statt mit den Produkten, die am meisten verkaufen.
Tipps zu Datenbereinigung (Data Cleansing)
- Analysiere deine Daten zuerst: Zähle leere Felder, unterschiedliche Werte und Dubletten pro Attribut.
- Lege vor der Bereinigung pro Attribut eine Liste erlaubter Werte fest, etwa für Farben und Einheiten.
- Bereinige im Quellsystem, nicht in jedem Kanal.
- Erstelle vor jeder großen Bereinigung ein Backup oder einen Export der Daten.
- Mache aus jedem wiederkehrenden Fehler eine Regel, die ihn beim nächsten Import abfängt.
Trends rund um Datenbereinigung (Data Cleansing)
- AI schlägt Standardwerte vor und erkennt wahrscheinliche Fehler, ein Mensch bestätigt die Korrektur.
- Bereinigung wandelt sich von einmaligen Projekten zu Regeln, die bei jedem Import laufen.
- Teams messen Datenqualität mit einem Score, um zu sehen, ob sich die Bereinigung auszahlt.
- Marketplaces und AI-Shopping-Assistenten bestrafen uneinheitliche Attribute, was die Anforderungen an saubere Daten erhöht.
- Das Lieferanten-Onboarding enthält eine Datenprüfung, bevor Dateien in den Katalog gelangen.
Tools für Datenbereinigung (Data Cleansing)
- WISEPIM: PIM mit Regeln in Quality Guard, Massenbearbeitung und Attribute values zum Bereinigen und Standardisieren von Produktdaten.
- OpenRefine: kostenloses Open-Source-Tool zum Bereinigen und Umwandeln unordentlicher Datensätze.
- Akeneo PIM: PIM mit Vollständigkeitsprüfungen und Data-Governance-Funktionen.
- Talend Data Quality: Datenprofilierung und Bereinigung für größere Datenteams.
- Excel oder Google Sheets: gut für kleine einmalige Bereinigungen mit Formeln und Filtern.