Zum Hauptinhalt springen
Zurück zum E-Commerce-Lexikon

Datentransformation

Datenmanagement und DatenqualitätStufe: Intermediate

Datentransformation wandelt Daten von einem Format oder einer Struktur in eine andere um, etwa Lieferantendateien in die Attribute und Werte, die ein PIM oder Marketplace braucht.

Image by · CC BY 4.0

Was ist Datentransformation?

Datentransformation (Data Transformation) ist der Prozess, Daten von einem Format, einer Struktur oder einem Wertebestand in einen anderen umzuwandeln, damit ein Zielsystem sie nutzen kann. Bei Produktdaten heißt das, Lieferantendateien und ERP-Exporte in die Felder, Einheiten und Werte zu bringen, die dein PIM, dein Webshop und deine Marketplaces erwarten. Typische Schritte sind das Zuordnen von Quellspalten zu Zielattributen, das Umrechnen von Einheiten (Zentimeter in Zoll), das Standardisieren von Werten (aus „navy blue“ und „Navy“ wird ein Wert), das Aufteilen oder Zusammenführen von Feldern und das Kürzen von Texten auf Kanallimits. Datennormalisierung ist ein Teil davon: Sie macht nur Werte einheitlich. Transformation ist auch der mittlere Schritt von ETL, zwischen Extrahieren und Laden. In einem PIM passiert sie zweimal: beim Import und noch einmal beim Export pro Kanal. Automationen können diese Schritte nach Zeitplan ausführen.

Warum Datentransformation im E-Commerce wichtig ist

Jede Quelle und jeder Kanal nutzt eine eigene Struktur. Ein Lieferant sendet einen Farbcode, dein Webshop will einen Farbnamen, und Google Merchant Center will einen Wert aus seiner eigenen Liste. Ohne Transformation tippt oder formatiert jemand die Daten für jeden Kanal von Hand neu. Gute Transformationsregeln machen Importe wiederholbar und Exporte vorhersehbar. Wenn ein Lieferant eine neue Datei sendet, gelten dieselbe Zuordnung und dieselben Umrechnungen. Wenn ein Marketplace eine Anforderung ändert, änderst du eine Regel, statt jedes Produkt zu bearbeiten. Regeln schützen auch die Datenqualität: Werte, die nicht passen, erscheinen als Fehler, statt veröffentlicht zu werden.

Beispiele für Datentransformation

  • 1Quelle: length_cm = 120, Regel: in Zoll umrechnen, Ziel: length = 47,2 in
  • 2Quelle: color_code = 04, Regel: in der Codetabelle nachschlagen, Ziel: color = Navy
  • 3Quelle: Titel mit 180 Zeichen, Regel: auf das Kanallimit kürzen, Ziel: Amazon-Titel mit höchstens 75 Zeichen
  • 4Quelle: stock = 0, Regel: einem Verfügbarkeitswert zuordnen, Ziel: availability = out_of_stock
Image by · CC BY 4.0

So hilft WISEPIM

  • Der Produktimport in WISEPIM ordnet CSV-Spalten von Lieferanten deinen Attributen zu und kann über Automationen als geplanter Import laufen.
  • Content Logic und Template Strings bauen Kanalwerte aus bestehenden Feldern, etwa einen Titel aus Marke, Modell und Farbe.
  • Preisregeln pro Kanal und Optimize for Platform (für Plattform optimieren) passen Preise und Inhalte an das an, was jeder Kanal erwartet.

Häufige Fehler bei Datentransformation

  • Regeln pro Produkt statt pro Attribut schreiben, sodass jedes neue Produkt Handarbeit braucht.
  • Schmutzige Daten transformieren. Bereinige Duplikate und falsche Werte zuerst in der Quelle.
  • Einheiten umrechnen, ohne den Originalwert zu behalten, sodass du später nicht erneut umrechnen kannst.
  • Regeln nicht dokumentieren, sodass niemand weiß, warum sich ein Wert geändert hat, wenn ein Kanal ihn ablehnt.
  • Quelldaten mit kanalspezifischen Versionen überschreiben, statt beide zu behalten.

Tipps zu Datentransformation

  • Lege vor dem Schreiben von Regeln eine Zielwerteliste pro Attribut fest; siehe Attributstandardisierung.
  • Behalte die Rohdatei des Imports, damit du Transformationen erneut ausführen kannst.
  • Teste Regeln an einer kleinen Stichprobe, bevor du sie auf den ganzen Katalog anwendest.
  • Benenne Regeln nach dem Kanal und dem Attribut, für das sie gelten.
  • Wenn ein Kanal Produkte ablehnt, korrigiere die Regel, nicht das einzelne Produkt.

Trends rund um Datentransformation

  • AI, die für neue Lieferantendateien Zuordnungen von Spalten zu Attributen vorschlägt.
  • Kanalanforderungen als maschinenlesbare Spezifikationen, denen Regeln folgen können.
  • Low-Code-Regelbaukästen, mit denen Produktteams Zuordnungen ohne Entwickler ändern.
  • Strukturierte Attribute, vorbereitet für AI-Shopping-Agenten, nicht nur für Webseiten.

Tools für Datentransformation

  • WISEPIM: ein PIM mit Import-Mapping, Content Logic und Kanalexporten.
  • Akeneo: ein PIM mit Attribut-Mapping und Exportprofilen.
  • Informatica PowerCenter: ein ETL-Tool für Unternehmen.
  • Talend: Pipelines für Datenintegration und Transformation.
  • Channable: Feed-Regeln, die Produktdaten pro Kanal transformieren.

Verwandte Begriffe

Zugriffskontrolle im PIM (Access Control)Management von Attributabhängigkeiten (Attribute Dependency Management)AttributvererbungAttribut-MappingAttribut-Scoping

Auch bekannt als

DatenkonvertierungData MappingDatenumstrukturierungETL-Transformation

Häufige Fragen

Die Transformation von Produktdaten wandelt Produktinformationen aus einem Quellformat in das Format um, das ein Zielsystem braucht. Beispiele sind das Zuordnen von Lieferantenspalten zu Attributen, das Umrechnen von Einheiten und das Kürzen von Titeln für einen Marketplace. Meist passiert sie beim Import in ein PIM und noch einmal beim Export an jeden Kanal.

Beim Import ordnet das PIM Spalten aus CSV-Dateien oder Verbindungen seinen Attributen zu und bereinigt die Werte. Beim Export erstellt es die Version für jeden Kanal: andere Feldnamen, Wertelisten, Titellängen oder Preise. Regeln machen beide Schritte wiederholbar.

Normalisierung ist eine Art der Transformation: Sie macht Werte einheitlich, etwa eine Schreibweise für eine Farbe. Transformation umfasst außerdem das Ändern der Struktur, das Zuordnen von Feldern, das Umrechnen von Einheiten und das Erzeugen neuer Werte aus bestehenden.

Nein. ETL steht für Extract, Transform, Load, die Transformation ist also der mittlere Schritt. Du kannst Daten auch ohne vollständige ETL-Pipeline transformieren, zum Beispiel mit Zuordnungsregeln bei einem CSV-Import.

Noch Fragen?

Keine passende Antwort gefunden? Melde dich bei unserem Team.

Support kontaktieren

Weiter entdecken

Handverlesene nächste Schritte, um tiefer einzusteigen.