Datakwaliteit framework voor productdata: eigenaren, regels en KPI's

Een datakwaliteit framework is het geheel aan afspraken dat je data bruikbaar houdt: welke data telt, wie er eigenaar van is, aan welke regels die data moet voldoen, waar die regels draaien, wat er gebeurt als een record faalt en hoe je het resultaat rapporteert en verbetert. Voor een productcatalogus betekent dat: eigenaren per veldgroep, regels per verkoopkanaal, controles bij import en vóór export, en een korte lijst metrics die iemand elke maand bekijkt.

Datakwaliteit metrics zijn de cijfers die laten zien of het framework werkt. Een goede metric heeft een formule, een drempel, een eigenaar en een beslissing die eraan hangt. In dit artikel krijg je de zeven bouwstenen van een framework voor productdata, 12 metrics met formules, een rekenvoorbeeld en een template van één pagina. De dimensies zelf (volledigheid, validiteit, juistheid en de rest) behandelen we in ons artikel over dimensies van datakwaliteit. Die leggen we hier niet opnieuw uit.

Vier begrippen die teams door elkaar halen, en waar elk voor dient

Deze vier begrippen lopen vaak door elkaar. Daardoor eindigen veel kwaliteitsprojecten met een dashboard en verder niets.

• Dimensie: een eigenschap van goede data, zoals volledigheid of consistentie. Het zegt waar je naar kijkt.
• Metric: een berekening op één dimensie of proces, zoals "aandeel producten met alle verplichte Kaufland-attributen ingevuld". Het zegt hoe je meet.
• KPI: een metric met een doel dat het management volgt, zoals "kanaalgereedheid voor Kaufland minimaal 95% aan het eind van het kwartaal".
• Framework: de mensen, regels, controlemomenten en routines die de KPI's laten bewegen. Zonder framework beschrijven metrics alleen het probleem.

Modellen als DAMA-DMBOK zijn geschreven voor teams die zich fulltime met datamanagement bezighouden. Frameworks uit de publieke sector zijn voor een catalogusteam praktischer, omdat ze geschreven zijn voor mensen die geen dataspecialist zijn. Het Britse Government Data Quality Framework uit december 2020 rust op vijf principes: committeer je aan datakwaliteit, ken je gebruikers en hun behoeften, beoordeel kwaliteit in de hele levenscyclus van data, communiceer helder en doeltreffend over kwaliteit en anticipeer op veranderingen die kwaliteit raken. Het koppelt kwaliteitswerk aan een levenscyclus van plannen en verzamelen tot gebruik, delen en archiveren. Precies dat levenscyclusdenken missen de meeste e-commerceteams: ze controleren data één keer, aan het eind, als die al live staat.

Een tweede idee om te lenen komt van Thoughtworks: splits eisen in basisregels die voor alle data gelden (types, formaten) en regels voor een specifiek doel. In een catalogus is dat doel meestal het kanaal. Een product kan goed genoeg zijn voor je eigen webshop en tegelijk tekortschieten voor Google Shopping.

De zeven bouwstenen van een framework voor productdata

We gebruiken één doorlopend voorbeeld: een bouwmarkt-webshop met 3.000 SKU's die verkoopt via een eigen Lightspeed-winkel, Google Shopping en Kaufland. Een van de producten is een 18V accuboormachine, SKU DRL-18V-BL, los verkocht (zonder accu) en als set met twee accu's.

1. Scope: kritieke velden per kanaal

Schrijf eerst op welke velden voor welk kanaal tellen. Die lijst is je datacontract. Voor de boormachine ziet het er zo uit:

• Alle kanalen (basis): titel, merk, EAN, prijs, voorraad, hoofdafbeelding, categorie, voltage, accu inbegrepen (ja/nee).
• Google Shopping: alles hierboven plus een geldige EAN, een prijs op de landingspagina die gelijk is aan de feed en een Google-productcategorie.
• Kaufland: alles hierboven plus de categorie-attributen van de marktplaats, zoals boorhouderbereik, maximaal draaimoment en aantal accu's.
• Eigen webshop: alles hierboven plus een omschrijving, minimaal vier afbeeldingen en de filterattributen die je categoriepagina's gebruiken.

Houd de lijst kort. Een framework dat 300 velden wil bewaken, bewaakt er geen enkele. Kies de velden die een listing blokkeren, een filter voeden of een retour veroorzaken.

2. Eigenaarschap: één eigenaar per veldgroep

Elk kritiek veld heeft één verantwoordelijke eigenaar nodig: een persoon of rol, geen afdeling. Een verdeling die werkt bij een middelgrote retailer:

• Identificatie en logistiek (EAN, MPN, gewicht, afmetingen): inkoop of leveranciersbeheer, want die waarden komen van leveranciers.
• Prijs en voorraad: de eigenaar van het ERP of operations. Niemand past dit met de hand aan in de PIM.
• Technische attributen (voltage, draaimoment, boorhouder): de categoriemanager.
• Marketingcontent (titel, omschrijving, afbeeldingen): het content- of e-commerceteam.
• Kanaalmapping (categorieën, kanaalspecifieke attributen): de marketplace- of kanaalmanager.

Onze gids over data governance gaat dieper in op rollen als data owner en data steward. Voor het framework geldt één simpele regel: als een metric op rood springt, staat er precies één naam naast.

3. Regels: basisregels en kanaalregels, elk met een ernst

Vertaal het datacontract naar regels die een systeem kan controleren. Geef elke regel een voorwaarde, een bereik en een ernst:

De ernst per regel is de nuttigste beslissing in het hele framework. Als elke regel alleen waarschuwt, houdt niets slechte data tegen en groeit de lijst tot niemand hem meer leest. Als elke regel blokkeert, stopt de export van de halve catalogus. Blokkeer wat een kanaal zou afwijzen of wat retouren veroorzaakt; waarschuw bij de rest. In de gids over datavalidatie vind je meer regelpatronen.

4. Controlemomenten: waar de regels draaien

Koppel de regels aan de momenten waarop data verandert. Dit is de productdataversie van de levenscyclus uit het Britse framework:

1. Bij import: leveranciersbestanden en ERP-koppelingen. Vang formaatfouten af voordat ze zich over 3.000 producten verspreiden.
2. Bij bewerken: handmatig opslaan, bulkbewerkingen en door AI gegenereerde content. AI-output verdient dezelfde regels als getypte data.
3. Vóór export: draai de kanaalregels terwijl de feed wordt opgebouwd, zodat een falend product wordt tegengehouden in plaats van afgewezen.
4. Na publicatie: lees de feedback van het kanaal. Google Merchant Center toont op de pagina Producten de problemen per item en laat je de getroffen items downloaden. Dat is een directe meting van wat erdoorheen glipte.

5. Metrics en drempels

Kies een kleine set metrics, elk met een ondergrens (daaronder grijp je nu in) en een doel (waar je naartoe wilt). In de volgende sectie staan 12 kandidaten. De meeste teams rapporteren er vijf tot acht.

6. Herstel: een wachtrij, triage en grondoorzaken

Falende producten moeten ergens heen. Een herstelwachtrij toont het product, de regel waarop het faalde, het kanaal en de eigenaar. Loop die wekelijks door in deze volgorde: geblokkeerde producten met voorraad eerst, dan geblokkeerde producten zonder voorraad, dan waarschuwingen bij bestsellers.

Los de bron op, niet het symptoom. Als 140 boormachines van één leverancier binnenkomen met draaimoment in inch-pounds, is elke maand handmatig omrekenen geen oplossing. Vraag de leverancier om newtonmeter of voeg een omrekenregel toe bij import. Label elk probleem met een grondoorzaak (leverancier, importmapping, handmatige invoer, AI-output, wijziging bij het kanaal), zodat je ziet welke bron het meeste werk oplevert.

7. Rapportage en vergaderritme

Bepaal wie welke cijfers ziet en hoe vaak. Een ritme dat voor de meeste catalogusteams werkt:

• Dagelijks: geblokkeerde producten met voorraad, per kanaal. De eigenaar van de wachtrij kijkt ernaar.
• Wekelijks: nieuwe problemen per grondoorzaak en de leeftijd van het oudste open probleem.
• Maandelijks: de volledige set metrics met trends, besproken door de e-commercemanager en de eigenaren van de veldgroepen. Hier worden regels toegevoegd, aangepast of geschrapt.
• Per kwartaal: KPI's tegen de doelen, plus een check of het datacontract nog past bij de kanalen waarop je verkoopt.

12 datakwaliteit metrics in drie lagen: toestand, proces, uitkomst

Verdeel je metrics over drie lagen. Toestandsmetrics beschrijven de data vandaag. Procesmetrics beschrijven hoe snel het team problemen vindt en oplost. Uitkomstmetrics verbinden kwaliteit met geld. Een framework met alleen toestandsmetrics kan je niet vertellen of het werk iets oplevert.

Toestandsmetrics: hoe de data er nu bij staat

1. Kanaalgereedheid: producten die alle blokkeerregels van een kanaal doorstaan / actieve producten die aan dat kanaal zijn toegewezen. Rapporteer per kanaal, nooit als gemiddelde over kanalen.
2. Slagingspercentage per regel: geslaagde controles / uitgevoerde controles, per regel. De regels met het laagste percentage vormen je lijst met acties.
3. Vulgraad van kritieke velden: producten met een geldige waarde in het veld / producten waarvoor het veld verplicht is. Tel opvullers als "n.v.t." of "0" als leeg.
4. Percentage dubbele producten: producten in een groep dubbelen / actieve producten. Zie de gids over ontdubbelen voor de matchregels.
5. Synchronisatievertraging: mediane tijd tussen een prijs- of voorraadwijziging in de bron en het moment waarop het kanaal die toont. Meet op een steekproef van 20 wijzigingen per week.

Procesmetrics: hoe goed het framework problemen vangt en oplost

1. First-time-right bij import: producten die bij binnenkomst alle basisregels doorstaan / geïmporteerde producten. Rapporteer per leverancier; dit is het beste cijfer voor een gesprek met een leverancier.
2. Gemiddelde hersteltijd: gemiddelde tijd tussen een gefaalde regel en de geslaagde hercontrole, voor blokkerende problemen. Lange hersteltijden betekenen meestal dat het probleem geen eigenaar heeft.
3. Leeftijd van de achterstand: leeftijd van het oudste open blokkerende probleem en het aantal problemen ouder dan 14 dagen.
4. Heropeningspercentage: problemen die binnen 30 dagen na herstel opnieuw falen / herstelde problemen. Een hoog percentage betekent dat je het symptoom oploste en de volgende import de fix overschreef.

Uitkomstmetrics: wat slechte data kost

1. Afwijzingspercentage per kanaal: producten met een probleem op itemniveau in het kanaal / verstuurde producten. Voor Google Shopping haal je het aantal uit het overzicht van productproblemen in Merchant Center.
2. Retourpercentage door content: retouren met een reden als "komt niet overeen met omschrijving" of "verkeerde maat" / bestellingen, per categorie. Shoppers handelen hier echt naar: in het consumentenonderzoek van Salsify uit 2025 zei 71% weleens iets te hebben geretourneerd vanwege een onjuiste omschrijving.
3. Vragen vóór aankoop per 100 producten: klantenservicetickets en berichten via marktplaatsen die vragen naar productfeiten die op de pagina hadden moeten staan, zoals "Zit de accu erbij?"

In ons woordenboek vind je onder product data kwaliteitsmetrieken nog meer varianten. Voeg ze niet allemaal toe. Elke metric die je rapporteert, heeft een eigenaar nodig die erop handelt.

Een maandreview van 520 stuks elektrisch gereedschap op Kaufland

Hier is een fictieve maandreview voor de 520 elektrische gereedschappen van de retailer, waarvan er 410 op Kaufland staan. De cijfers zijn verzonnen, maar realistisch van vorm:

Samen gelezen wijzen de cijfers naar één grondoorzaak. De accu-informatie van leverancier B staat in vrije tekst, de import zet die niet in het attribuut, mensen herstellen het met de hand, de volgende import overschrijft de fix en klanten die het detail missen sturen de boormachine terug. De actie is dus niet "datakwaliteit verbeteren". De actie is: map het aantal accu's van leverancier B bij import naar het attribuut, bescherm handmatig herstelde velden tegen overschrijven en zet "zonder accu" in de titel van de losse varianten. Volgende maand moeten gereedheid, heropeningen en retouren alle drie bewegen.

Ondergrenzen en doelen bepalen vanuit je eigen nulmeting

Kopieer geen doelen van een ander bedrijf. Meet eerst een maand lang een nulmeting en zet dan twee lijnen per metric:

• Ondergrens: het niveau waaronder de eigenaar binnen een week ingrijpt. Zet die iets boven de nulmeting, zodat hij afgaat bij echte achteruitgang en niet bij ruis.
• Doel: het niveau waar je je voor het kwartaal aan verbindt. Baseer het op wat het kanaal eist; een marktplaats die onvolledige listings weigert, vraagt bijna 100% gereedheid voor producten die je daar wilt verkopen.
• Richting: bij vertraging, hersteltijd, achterstand en retourpercentage is lager beter. Zet dat op het rapport, anders viert iemand een stijgende lijn.

Verhoog een doel pas als een metric twee reviewrondes boven het doel bleef. Elke maand de lat verleggen maakt de trendlijn betekenisloos.

Zeven keuzes waardoor een framework blijft steken in een dashboard

• Alleen volledigheid meten. Een gevuld veld kan nog steeds fout zijn. Combineer vulgraad met slagingspercentages en minstens één uitkomstmetric.
• Eén totaalscore als enige cijfer. Een totaalscore werkt prima voor een trendlijn, maar eigenaren moeten de regel en het veld zien die faalden.
• Data in het kanaal repareren. Een titel direct in Kaufland of je webshop aanpassen herstelt één plek en verdwijnt bij de volgende synchronisatie. Herstel het bij de bron.
• Regels zonder ernst. Vijftig waarschuwingen per product leren mensen waarschuwingen te negeren.
• Geen controle vóór export. Controleren na publicatie betekent dat het kanaal of de klant de fout als eerste vindt.
• AI-output blind vertrouwen. Gegenereerde omschrijvingen en attributen verdienen dezelfde regels en dezelfde review als data die een mens typt.
• Een frameworkdocument dat niemand opent. Staan de regels in een pdf en niet in het systeem met de data, dan lopen ze binnen een kwartaal uit elkaar.

Eén pagina per kanaal: sjabloon voor je datakwaliteit framework

Vul één pagina per kanaal in. Blijft een regel leeg, dan is dat het gat dat je als eerste dicht.

1. Kanaal en scope: bijvoorbeeld "Kaufland, categorieën Elektrisch gereedschap en Tuin".
2. Kritieke velden: de 10 tot 20 velden die een listing blokkeren, een filter voeden of een retour veroorzaken.
3. Eigenaar per veldgroep: een naam, geen team.
4. Regels: voorwaarde, bereik, ernst (blokkeren of waarschuwen) en de reden dat de regel bestaat.
5. Controlemomenten: import, bewerken, vóór export, na publicatie. Noteer welk systeem de controle op elk moment uitvoert.
6. Metrics: vijf tot acht, elk met formule, ondergrens, doel en eigenaar.
7. Herstel: waar falende producten heen gaan, de triagevolgorde en de maximale hersteltijd voor blokkerende problemen.
8. Ritme: dagelijks, wekelijks, maandelijks en per kwartaal, met deelnemers.
9. Wijzigingslog: datum, aangepaste regel, reden. Zo voer je dezelfde discussie niet twee keer.

Het framework laten draaien in een PIM

Een spreadsheet kan het template bevatten, maar kan geen regels draaien bij import of een product tegenhouden bij een export. Daar verdient een PIM zich terug. In WISEPIM staan de regels in Quality Guard: je kiest per regel de ernst Block, Warn of Skip en per kanaal een eigen set regels, en de regels draaien bij elke import, bulkbewerking, AI-run en handmatige opslag. Producten die op een blokkeerregel falen, wachten in een quarantainewachtrij met de regel en het kanaal dat ze tegenhield. De herstelwachtrij uit bouwsteen 6 heb je dan zonder extra werk.

Voor de maandreview volgt het datakwaliteitsrapport een score van 0 tot 100 door de tijd en rangschikt het velden op vulgraad. Dat dekt een aantal toestandsmetrics uit de lijst hierboven. Uitkomstmetrics zoals retouren komen nog steeds uit je webshop of marktplaats, dus neem die mee in dezelfde review.

Wil je weten waar je eigen catalogus begint? Haal een steekproef door de gratis productdata kwaliteit calculator en schrijf daarna de eerste pagina van het template voor het kanaal dat de meeste omzet oplevert.