Datennormalisierung

Was ist Datennormalisierung?

Datennormalisierung ist der Prozess, Werte mit derselben Bedeutung in ein einheitliches Format zu bringen. Bei E-Commerce-Produktdaten heißt das, aus "L", "Lg" und "Large" einen Größenwert zu machen, aus "cm", "CM" und "Zentimeter" eine Einheit und aus "Navy", "navy blue" und "Dk Blue" eine Farbe. In der Praxis normalisierst du Einheiten und Zahlenformate, Wertelisten (Größen, Farben, Materialien), Markennamen, Groß- und Kleinschreibung und Schreibweise sowie Datums- und Preisformate. In Datenbanken hat der Begriff eine zweite Bedeutung: Datenbanknormalisierung teilt Tabellen auf, um doppelte Daten zu entfernen (erste, zweite und dritte Normalform). Die Normalisierung von Produktdaten ist näher an der Datenstandardisierung: Sie ändert nicht deine Tabellenstruktur, sondern macht die Werte konsistent, damit Filter, Feeds und Vergleiche funktionieren. Der Leitfaden zur Attributstandardisierung zeigt, wie du die Regeln einrichtest.

Warum Datennormalisierung im E-Commerce wichtig ist

Produktdaten kommen aus vielen Quellen: von Lieferanten, Herstellern, deinem eigenen Team und alten Systemen. Alle schreiben Werte anders. Ohne Datennormalisierung zeigt der Farbfilter Navy, navy und Dark blue als drei Optionen, eine Suche nach 50 cm findet keine Produkte, die als 0,5 m geführt sind, und Marktplätze lehnen Feeds mit Werten außerhalb ihrer erlaubten Listen ab. Normalisierte Werte machen Filter und Shopsuche zuverlässig, halten Vergleichstabellen ehrlich und sorgen dafür, dass sich Kanal-Feeds sauber auf die Wertelisten jedes Marktplatzes abbilden lassen. Sie machen auch die nächsten Schritte wie Anreicherung, Übersetzung und Analytics genauer, weil jedes Tool mit denselben Werten arbeitet.

Beispiele für Datennormalisierung

• 1Attribut: Größe, Vorher: L, Lg, Large, large, Nachher: L
• 2Attribut: Breite, Vorher: 50cm, 0,5 m, 500 mm, Nachher: 50 cm
• 3Attribut: Farbe, Vorher: Navy, navy blue, Dk Blue, Nachher: Navy
• 4Attribut: Marke, Vorher: HP, Hewlett Packard, hp inc., Nachher: HP
• 5Attribut: Preis, Vorher: 19,95 und 19.95 EUR, Nachher: 19.95 (Währung EUR in einem eigenen Feld)

Tipps zu Datennormalisierung

• Lege für jedes filterbare Attribut eine Liste erlaubter Werte fest, beginnend mit Größe, Farbe und Material.
• Speichere Zahlen und Einheiten in getrennten Feldern oder nutze immer eine feste Einheit pro Attribut.
• Pflege eine Mapping-Tabelle von Lieferantenwerten zu deinen Werten und nutze sie bei jedem Import wieder.
• Normalisiere Markennamen gegen eine zentrale Masterliste.
• Lass nach jedem Import eine Prüfung laufen, die neue Werte abfängt, die nicht auf deiner Liste stehen.

Trends rund um Datennormalisierung

• AI, die für unordentliche Eingaben den normalisierten Wert vorschlägt und aus deinen Korrekturen lernt.
• Normalisierung beim Import, sodass Werte bereinigt werden, bevor sie den Katalog erreichen.
• Gemeinsame Branchen-Wertelisten wie ETIM-Merkmale und -Einheiten, die Lieferanten und Händler gleichermaßen nutzen.
• In PIM-Systeme integrierte Einheitenumrechnung, sodass Werte einmal gespeichert und in metrischen oder imperialen Einheiten angezeigt werden können.
• Strukturierte, normalisierte Attribute für AI-Shopping-Assistenten, die Produkte anhand von Fakten vergleichen.

Tools für Datennormalisierung

• WISEPIM: ein PIM mit Attributverwaltung, einer Seite Attribute values (Attributwerte), Massenbearbeitung und Quality-Guard-Regeln für konsistente Werte.
• OpenRefine: ein kostenloses Tool, um unordentliche Werte in Tabellen zu clustern und zu bereinigen.
• Akeneo: ein PIM mit Attributoptionen und Validierungsregeln für Produktdaten.
• Talend Data Quality: Datenprofiling und Standardisierung für größere Datenteams.
• Excel oder Google Sheets: Suchen und Ersetzen und Nachschlagetabellen für kleine Kataloge.

Verwandte Begriffe

Auch bekannt als