Data Cleansing
Data cleansing is het opsporen en herstellen van fouten, dubbelingen, gaten en inconsistente notaties in data. In e-commerce gaat het om het opschonen van productdata.
Wat is Data Cleansing?
Data cleansing (data opschonen of data cleaning) is het opsporen en herstellen van fouten in een dataset: verkeerde waarden, dubbelingen, lege velden en inconsistente notaties. In e-commerce betekent productdata opschonen dat je leveranciersbestanden en oude catalogusdata publiceerbaar maakt, met één schrijfwijze per kleur, één eenheid per maat en geen dubbele SKU's. Opschonen herstelt wat al fout is. Datavalidatie houdt nieuwe fouten tegen bij de import, en dataverrijking vult aan wat ontbreekt, zoals omschrijvingen of attributen. De meeste teams combineren alle drie: de achterstand één keer opschonen en daarna validatieregels toevoegen zodat de data schoon blijft. Krijg een eerste beeld van je catalogus met de gratis productdata kwaliteitscalculator.
Waarom Data Cleansing belangrijk is voor e-commerce
Vervuilde productdata zie je terug bij je klanten. Filters missen producten omdat de ene Navy zegt en de andere donkerblauw, feeds worden afgewezen door een typfout in een GTIN en klanten sturen artikelen terug omdat een maat niet klopte. Volgens het Consumer Returns Report 2025 van Akeneo stuurde ongeveer 60% van de shoppers een product terug door onjuiste of misleidende omschrijvingen. Het probleem groeit met elk leveranciersbestand en elk nieuw kanaal. Eén keer opschonen voor een migratie of kanaallancering is gebruikelijk, maar zonder regels komen dezelfde fouten terug bij de volgende import.
Gratis tool
Bereken de datakwaliteit van één product
Vul titel, beschrijving, metavelden en attributen in. Je krijgt een totaalscore van 100, een score per categorie en de eerste verbeterpunten, op basis van de preset voor je branche.
Voorbeelden van Data Cleansing
- 1Veld: Kleur, Voor: navy, Navy Blue, NAVY, donkerblauw, Na: Navy
- 2Veld: Gewicht, Voor: 1kg, 1000 g, 1.0 KG, Na: 1000 g
- 3Veld: SKU, Voor: twee records met SKU TS-104, Na: één record, dubbeling gemarkeerd voor controle
- 4Veld: Titel, Voor: NIKE AIR MAX 90 WIT MT 42!!!, Na: Nike Air Max 90, wit, maat 42
- 5Veld: GTIN, Voor: 871234567890 (controlecijfer fout), Na: gemarkeerd en gecorrigeerd uit het leveranciersbestand
- 6Veld: Omschrijving, Voor: leveranciers-HTML met kapotte tags, Na: schone tekst met dezelfde inhoud
Hoe WISEPIM helpt
- Regels die data schoon houden: Quality Guard-regels markeren lege velden, verkeerde notaties en ongeldige waarden na elke import.
- In bulk herstellen: met bulkbewerking en de pagina Attribute values hernoem en standaardiseer je waarden voor duizenden producten tegelijk.
- Veilig importeren: Rollback Import draait een import met slechte data terug, en Operation history undo dekt bulkwijzigingen op betaalde abonnementen.
Veelgemaakte fouten met Data Cleansing
- Data één keer opschonen zonder regels toe te voegen, zodat fouten bij de volgende import terugkomen.
- Vermoedelijke dubbelingen verwijderen zonder te controleren welk record klopt.
- Waarden in de webshop aanpassen in plaats van bij de bron, zodat de volgende sync ze overschrijft.
- Waarden standaardiseren zonder eerst één lijst met toegestane waarden af te spreken.
- Met de hele catalogus beginnen in plaats van met de producten die het meest verkopen.
Tips voor Data Cleansing
- Analyseer eerst je data: tel per attribuut de lege velden, unieke waarden en dubbelingen.
- Spreek per attribuut één lijst met toegestane waarden af, zoals kleuren en eenheden, voordat je opschoont.
- Schoon op in het bronsysteem, niet in elk kanaal apart.
- Maak voor elke grote opschoonactie een back-up of export van je data.
- Maak van elke terugkerende fout een regel die hem bij de volgende import opvangt.
Trends rondom Data Cleansing
- AI stelt standaardwaarden voor en vindt waarschijnlijke fouten, waarna een mens de correctie bevestigt.
- Opschonen verschuift van eenmalige projecten naar regels die bij elke import draaien.
- Teams meten datakwaliteit met een score, zodat ze zien of het opschoonwerk iets oplevert.
- Marketplaces en AI-shopping-assistenten straffen inconsistente attributen af, wat de lat voor schone data hoger legt.
- Bij het onboarden van leveranciers hoort een datacontrole voordat bestanden de catalogus in gaan.
Tools voor Data Cleansing
- WISEPIM: PIM met Quality Guard-regels, bulkbewerking en Attribute values om productdata op te schonen en te standaardiseren.
- OpenRefine: gratis opensourcetool om rommelige datasets op te schonen en om te zetten.
- Akeneo PIM: PIM met volledigheidscontroles en functies voor datagovernance.
- Talend Data Quality: dataprofilering en opschoning voor grotere datateams.
- Excel of Google Sheets: prima voor kleine eenmalige opschoonacties met formules en filters.