Produktdatenqualität im PIM messen: KPIs, Data Quality Score und systematische Bewertung

Produktdatenqualität im PIM lässt sich nur dann gezielt verbessern, wenn sie messbar wird.

In vielen Unternehmen erfolgt dies über KPIs und einen Data Quality Score, der den Zustand von Produktdaten objektiv beschreibt.

Dabei geht es nicht nur darum, Daten zu erfassen oder zu prüfen – sondern ihren Zustand systematisch zu bewerten und kontinuierlich zu steuern.

👉 Genau hier setzt die Messung von Produktdatenqualität an.

Warum Produktdatenqualität gemessen werden muss

Schlechte Produktdatenqualität wirkt sich nicht nur intern aus, sondern hat direkte wirtschaftliche Konsequenzen:

höhere Retourenquoten
geringere Konversionsraten
sinkendes Kundenvertrauen
steigender Pflege- und Abstimmungsaufwand

Ohne Messung bleibt unklar:

wie gut die Daten tatsächlich sind
wo konkret Probleme liegen
welche Maßnahmen Priorität haben

👉 Erst durch klare Kennzahlen wird Datenqualität objektiv bewertbar.

Einordnung: Produktdatenqualität im PIM-Kontext

Der Begriff Produktdatenqualität wird in unterschiedlichen Kontexten verwendet.

Im Engineering- oder PLM-Umfeld bezieht er sich häufig auf technische Produktdaten wie CAD-Modelle oder Fertigungsinformationen.

👉 Im Kontext von PIM und E‑Commerce hingegen beschreibt Produktdatenqualität die Qualität von Produktinformationen für Vertrieb, Marketing und digitale Kanäle.

Welche KPIs zur Produktdatenqualität verwendet werden

Produktdatenqualität wird anhand definierter KPIs bewertet.

Typische KPI-Dimensionen sind:

Vollständigkeit
Korrektheit
Konsistenz
Aktualität
Eindeutigkeit

Je nach Anwendungsfall kommen weitere KPI-Dimensionen hinzu:

Relevanz: Passen Inhalte zum Nutzungskontext?
Validität: Entsprechen Werte definierten Formaten und Regeln?
Compliance: Werden regulatorische Anforderungen erfüllt?

👉 Diese KPIs beschreiben den Zustand der Daten – entscheidend ist jedoch, wie sie praktisch bewertet und kombiniert werden.

Warum Vollständigkeit als KPI allein nicht ausreicht

Die Messung von Vollständigkeit ist einfach:
Ein Attribut ist entweder gefüllt oder nicht.

Doch:

👉 Vollständige Daten sind nicht automatisch qualitativ hochwertige Daten.

Ein Feld kann:

formal gefüllt
aber fachlich falsch
widersprüchlich
oder unplausibel sein

👉 Dadurch entsteht ein KPI-Wert ohne echte Aussagekraft.

Korrektheit und Plausibilitätsprüfung

Neben Vollständigkeit spielen qualitative KPIs eine zentrale Rolle.

Plausibilitätsprüfungen im PIM erkennen zum Beispiel:

widersprüchliche Attributkombinationen
unrealistische Wertebereiche
fehlende fachliche Abhängigkeiten

👉 Wichtig:

Plausibilitätsprüfungen können Korrektheit nicht vollständig garantieren, liefern aber entscheidende Hinweise auf Qualität, Konsistenz und fachliche Logik.

Sie ersetzen keine fachliche Wahrheit, machen jedoch Abweichungen und Risiken sichtbar.

👉 Produktdatenqualität wird damit nicht nur gemessen, sondern fachlich bewertet.

Konkrete Beispiele finden Sie auf der Seite Typische Anwendungsfälle für Plausibilitätsprüfungen im PIM.

Editor‑Ansicht in Contene mit Artikelstammdaten und aktivem Crosscheck‑Panel: fehlende automatische Artikelbezeichnung, leere Bezeichner‑Felder und Validierungsfehler zu Bildern und Dokumenten werden angezeigt.

Wie KPIs im PIM konkret bewertet werden

In der Praxis werden KPIs in kombinierte Bewertungsmodelle überführt, die häufig auf regelbasierter Datenlogik basieren.

Typische Bestandteile:

gewichtete Pflichtfelder
Medienanforderungen (z. B. Bilder, Dokumente)
Vollständigkeitsregeln
Plausibilitätsprüfungen
kontextabhängige Anforderungen

👉 Entscheidend:

Nicht jeder KPI gilt für jeden Artikel.

Beispiel:

Sicherheitsdatenblätter sind nur für Gefahrgutartikel relevant
Für andere Artikel wird dieser KPI nicht berücksichtigt

👉 Dadurch bleibt die Bewertung fachlich korrekt.

Typische KPIs und Scoring-Modelle zur Messung der Produktdatenqualität

Die Bewertung von Produktdatenqualität erfolgt in der Praxis häufig über gewichtete KPIs, die zu einem Gesamtwert zusammengeführt werden.

Ein typisches Modell kombiniert mehrere Dimensionen:

Vollständigkeit (Completeness): Sind alle relevanten Attribute gepflegt?
Korrektheit (Accuracy): Entsprechen die Daten den tatsächlichen Eigenschaften?
Konsistenz (Consistency): Sind die Daten widerspruchsfrei?
Aktualität (Timeliness): Wie aktuell sind die Informationen?

Diese Dimensionen werden gewichtet und zu einem Data Quality Score zusammengeführt:

Completeness: 40%
Accuracy: 30%
Consistency: 20%
Timeliness: 10%

🔢 Beispiel für eine einfache Berechnung

Ein Unternehmen hat 100 Produkte:

92 vollständig gepflegt → 92 % Completeness
85 korrekt → 85 % Accuracy
90 konsistent → 90 % Consistency
80 aktuell → 80 % Timeliness

Daraus ergibt sich ein gewichteter Gesamtwert:

(92×0,4) + (85×0,3) + (90×0,2) + (80×0,1) = 88,3

🔥Data Quality Score: 88,3 von 100

📊 Interpretation des Scores

Der berechnete Wert ermöglicht eine klare Einordnung:

0–50 Punkte → kritische Datenqualität
50–80 Punkte → solide, aber optimierungsbedürftig
80–100 Punkte → hohe Datenqualität

👉 Dadurch wird Produktdatenqualität nicht nur messbar, sondern auch steuerbar.

Data Quality Score: KPI-Aggregation zum Systemzustand

Ein Data Quality Score ist eine aggregierte Kennzahl, die mehrere KPIs nach definierten Regeln und Gewichtungen zusammenführt.

Aus den KPI-Bewertungen entsteht:

eine Gesamtpunktzahl
die Ableitung eines Datenzustands

Ein mögliches Zustandsmodell könnte wie folgt aussehen:

Stufe 0: unvollständig (nicht veröffentlichungsfähig)
Stufe 1: teilweise gepflegt (nicht veröffentlichungsfähig)
Stufe 2: weitgehend vollständig (veröffentlichungsfähig)
Stufe 3: vollständig (veröffentlichungsfähig)

👉 Der Score übersetzt KPI-Werte in einen operativen Zustand.

Diese KPIs bilden die Grundlage dafür, Produktdatenqualität im PIM systematisch zu verbessern.

Messung erfolgt kontinuierlich – nicht nachgelagert

In vielen Systemen werden KPIs periodisch berechnet.

In modernen PIM-Ansätzen erfolgt die Bewertung typischerweise:

ereignisbasiert bei Änderungen
automatisch im Hintergrund

👉 Viele Systeme aktualisieren KPI-Werte kontinuierlich, anstatt ausschließlich auf periodische Batch-Läufe zu setzen.

Keine Blackbox: KPIs und Scores sind nachvollziehbar

Ein häufiges Problem klassischer KPI-Modelle ist fehlende Transparenz.

👉 Ergebnisse werden angezeigt, aber nicht erklärt.

In einem regelbasierten Modell ist die Bewertung nachvollziehbar und eng mit automatischer Datenvalidierung verknüpft.

jede KPI-Regel ist sichtbar
Soll- und Ist-Werte werden gegenübergestellt
konkrete Inhalte fließen in die Bewertung ein
Abweichungen sind direkt erklärbar

👉 Der Data Quality Score ist damit vollständig nachvollziehbar.

Hintergrundberechnungen ermitteln zum Beispiel ein Datenscoring — *Soll- und Ist-Punkte des Data Quality Score* *werden in einer Live-Ansicht je Artikel angezeigt*

Von KPIs zur Steuerung

Der entscheidende Mehrwert entsteht durch die Nutzung der KPI-Ergebnisse:

KPIs zeigen Probleme
Bewertungen priorisieren Maßnahmen
Systemlogik steuert Prozesse

Beispielsweise:

Freigabe für den Webshop
Export in Kanäle
Weiterverarbeitung in Systemen

👉 KPIs werden damit operativ wirksam. Die Systemlogik basiert häufig auf regelbasierter PIM Automatisierung, die Bewertungen direkt in Prozesse überführt.

Dashboard: KPIs als Steuerungsinstrument

Die KPI-Bewertung wird in Dashboards sichtbar:

Verteilung nach Datenqualitätsstufen
Anteil veröffentlichungsfähiger Artikel
Identifikation von Handlungsbedarf

👉 zentrale Funktion:

Klick auf KPI
Anzeige der betroffenen Artikel
direkte Bearbeitung

👉 KPIs werden nicht nur berichtet, sondern genutzt.

*Dashboard zur Messung der Produktdatenqualität im PIM*

Warum KPI-Modelle ohne Prozessintegration oft schwer skalieren

Viele KPI-Modelle bleiben in der Praxis isoliert.

Sie werden definiert, gemessen und ausgewertet – sind jedoch nicht direkt mit operativen Prozessen verknüpft.

Typische Folgen sind:

hoher Implementierungsaufwand
IT-Abhängigkeit bei Anpassungen
zeitverzögerte Auswertungen
keine direkte operative Nutzung

KPIs schaffen in diesen Fällen zwar Transparenz, führen jedoch nicht automatisch zu Verbesserungen oder operativen Entscheidungen.

👉 Entscheidend ist daher nicht das KPI-Modell selbst, sondern seine Integration in Prozesse und Systemlogik.

Entscheidender Unterschied: System statt Reporting

In einem integrierten PIM-Ansatz:

KPI-Regeln sind Teil des Systems
Bewertungen erfolgen kontinuierlich
Zustände entstehen automatisch
Entscheidungen werden direkt gesteuert

👉 Datenqualität ist Teil der Systemlogik.

Datenqualität ist nur ein Teil der Entscheidung

KPIs und Scores sind Grundlage – aber nicht die Entscheidung selbst.

Weitere Faktoren:

fachlicher Status
Verkaufbarkeit
logistische Bedingungen
Artikelabhängigkeiten

👉 Daraus entsteht eine übergeordnete Entscheidungslogik.

Zusammenhang zur Veröffentlichungsfähigkeit

Ein Artikel ist nur dann veröffentlichungsfähig, wenn:

seine KPI-Bewertung ausreichend ist
alle weiteren Bedingungen erfüllt sind
der Zustand stabil bleibt

👉 Veröffentlichung ist ein berechneter Zustand.

👉 Mehr dazu im Whitepaper zur Veröffentlichungsfähigkeit im PIM

FAQ: Produktdatenqualität messen

Was ist ein Data Quality Score?

Ein Data Quality Score ist eine Kennzahl, die mehrere KPIs zur Datenqualität in einem Wert zusammenfasst und daraus einen Datenzustand ableitet.

Welche KPIs messen Produktdatenqualität?

Typische KPIs sind Vollständigkeit, Konsistenz, Aktualität, Korrektheit, Validität und Compliance, ergänzt durch kontextabhängige Kriterien.

Warum reicht Vollständigkeit allein nicht aus?

Ein gefülltes Feld kann dennoch falsch oder unplausibel sein. Erst durch qualitative Prüfungen entsteht eine belastbare Bewertung.

Wie wird Produktdatenqualität im PIM automatisch bewertet?

Durch Regelwerke und KPI-Modelle, die bei Änderungen automatisch angewendet werden und daraus Scores, Zustände und Entscheidungen ableiten.

Fazit

Produktdatenqualität im PIM zu messen bedeutet:

KPIs definieren
Bewertungen automatisieren
Zustände berechnen
Entscheidungen ermöglichen

👉 Datenqualität wird nicht nur gemessen, sondern systemisch gesteuert.