Produktdatenqualität

Definition: Produktdatenqualität bezeichnet den Grad der Vollständigkeit, Richtigkeit, Konsistenz und Aktualität aller produktbezogenen Informationen in einem Online-Shop, PIM-System oder Produktkatalog. Hochwertige Produktdaten umfassen präzise Beschreibungen, korrekte technische Attribute, vollständige Bildsets, aktuelle Preise und Bestandsinformationen sowie kanalspezifisch korrekte Formatierungen. Schlechte Produktdaten sind eine der häufigsten, aber am wenigsten sichtbaren Ursachen für niedrige Conversion Rates, hohe Retourenquoten und schlechte Marktplatz-Platzierungen.

Erläuterung

Produktdaten sind das Fundament des gesamten E-Commerce-Betriebs – und sie werden systematisch unterschätzt. Ein Shop kann das beste Design und die bestoptimierten Ads haben; wenn die Produktdaten unvollständig oder falsch sind, konvertiert er schlecht. «Grössenangabe fehlt», «Bild zeigt falsches Modell», «Material unbekannt» – jede dieser Datenlücken kostet Conversions und erzeugt Retouren.

Die 4 Qualitätsdimensionen

• Vollständigkeit: Alle Pflichtfelder für Shop und Marktplätze befüllt; Bilder in ausreichender Anzahl; Übersetzungen für alle Zielmärkte; technische Attribute (Masse, Gewicht, Material, Kompatibilität) vorhanden
• Richtigkeit: Daten entsprechen der Realität; Masse korrekt gemessen; Farben farbgetreu dargestellt; Kompatibilitätsangaben geprüft; Herkunftsland korrekt; Fehler direkte Retourenursache
• Konsistenz: Gleiche Produkte haben gleiche Datentiefe und -struktur; Attributbenennung einheitlich (nicht mal «Blau», mal «Blue», mal «#0000FF»); über alle Kanäle (Shop, Amazon, Zalando) identische Kerndaten
• Aktualität: Preise, Bestandsstatus und Produktspezifikationen aktuell; Auslaufartikel deaktiviert; Saisonware rechtzeitig aktiviert; Preisaktualisierungen nach Einkaufspreis-Änderungen zeitnah

Auswirkungen auf Conversion und Retouren

• Fehlende Grössenangaben: Im Fashion-E-Commerce führt fehlende Grössentabelle zu 15–25 % höherer Retourenquote; Käufer bestellen mehrere Grössen auf Verdacht (Bracketing)
• Falsche Kategorisierung: Produkte in falschen Kategorien werden nicht gefunden; SEO-Potential nicht ausgeschöpft; Kunden finden das Produkt nicht über Filter-Navigation
• Inkonsistente Marktplatzdaten: Amazon-Listing weicht von eigener Shopseite ab; führt zu Verwirrung und Misstrauen; schlechtere Conversion als konsistentes Listing
• Fehlende GTIN/EAN: Ohne korrekte GTIN keine korrekte Produkt-Zuordnung auf Google Shopping und Preisvergleichsportalen; Traffic entgeht, da falsche Produkte angezeigt werden

Qualitätsscore und Monitoring

• Completeness Score: Prozentualer Anteil befüllter Pflichtfelder pro Produkt; PIM-Systeme (Akeneo, Pimcore) berechnen diesen automatisch; Ziel: 100 % für A-Artikel, 80 %+ für B-Artikel
• Zalando Content Score: Zalando bewertet Produktdaten mit eigenem Score; höherer Score = bessere Platzierung; Bilder, Texte, Attribute und Tags werden gewertet; öffentlich im Seller-Center einsehbar
• Automatische Validierung: Validierungsregeln im PIM: Pflichtfelder, erlaubte Werte, Zeichenlimits; Fehler werden bei Eingabe angezeigt; verhindert unvollständige Datensätze live zu gehen
• Retourenanalyse als Daten-Feedback: Retourengründe auswerten; «Produkt entspricht nicht der Beschreibung» als Daten-Qualitätsproblem identifizieren; systematische Verbesserung möglich

Prozesse für nachhaltige Datenqualität

• Daten-Governance: Wer ist verantwortlich für welche Produktdaten? Klare Ownership; Änderungs-Workflow mit Vier-Augen-Prinzip für kritische Attribute; Dokumentation von Datenstandards
• Onboarding neuer Produkte: Standardisierter Prozess für neue SKUs; Checkliste mit Pflichtattributen vor Go-Live; Freigabeprozess mit Qualitätsprüfung
• Regelmässige Audits: Quartalsweise Durchsicht der Top-100-Artikel auf Datenvollständigkeit; jährlicher vollständiger Katalog-Audit; automatische Reports aus PIM oder Analytics