Produktdatenqualität und Data Governance: Was dahintersteckt und wie Sie sie verbessern

Produktdatenqualität ist das Erste, was nach dem Go-live eines PIM-Systems bricht, und das Letzte, was die meisten Teams messen. Das System speichert den Datensatz. Qualität und Governance entscheiden, ob er veröffentlichungsfähig ist. Dieser Leitfaden definiert Datenqualität, zeigt, wie Sie sie messen, wer sie verantworten sollte, wie Metadaten und Taxonomie funktionieren, in welchen sieben Schritten Sie sie verbessern und was sich ändert, wenn KI die Daten anfasst.

Was ist Datenqualität?

Datenqualität ist ein Produktdatensatz, der die Aufgabe noch erfüllen kann, für die Sie ihn erhoben haben. Ein Datenbestand hat hohe Qualität, wenn er die Anforderungen seines Verwendungszwecks erfüllt. Bei Produktinformationen ist dieser Zweck konkret: Ein Kanal kann den Artikel veröffentlichen, ein Käufer kann der Spezifikation vertrauen, und ein Kollege kann dieselbe Zeile nehmen und zum selben Schluss kommen.

Jede zusätzliche Stelle, an der jemand einen Wert eintippt, ist eine zusätzliche Stelle, an der ein Fehler entsteht. Ein im ERP korrigiertes, im Marktplatz-Feed aber falsch gebliebenes Gewicht ist ein Qualitätsfehler, selbst wenn beide Systeme gepflegt wirken. Wenn Sie schlechte Eingaben nicht blockieren und die vorhandenen Datensätze nicht reparieren, veröffentlichen Kanäle das falsche Produkt.

Die Anforderungen unterscheiden sich je Marktplatz, Land und Marke. Der Test bleibt gleich. Hohe Qualität können Sie nur behaupten, wenn Sie wissen, wie gut für den jeweiligen Kanal aussieht.

Die fünf Dimensionen der Produktdatenqualität

Die fünf Dimensionen sind der übliche Weg, dieses Bild explizit zu machen. In der Praxis überschneiden sie sich. Bewerten Sie sie trotzdem getrennt: Ein vollständiger Datensatz kann falsch sein, und ein korrekter kann genau das eine Feld vermissen, das der Kanal verlangt.

• Richtigkeit. Der Datensatz nennt Fakten über das Produkt, das Sie liefern. Ein falsches Material, ein veralteter Preis oder ein Maß in der falschen Einheit bedeutet, dass die Listung einen anderen Artikel beschreibt als den im Lager.
• Vollständigkeit. Der Datensatz enthält die Felder, die die Aufgabe braucht, und sie sind aktuell. Ein Marktplatz, der die Zeile wegen eines fehlenden Attributs ablehnt, hat Ihnen seine Definition von vollständig bereits gegeben.
• Konsistenz. Menschen, Exporte und Berichte lesen die Daten gleich. Webshop, Preisliste und Portal können jeweils ordentlich sein und sich trotzdem widersprechen.
• Integrität. Der Datensatz bleibt vom Eingang über die Anreicherung bis zur veröffentlichten Version unversehrt. Ein stilles Überschreiben bei einem Import ist ein Integritätsfehler: Sie haben noch eine Zeile, aber nicht mehr die, die Sie freigegeben haben.
• Relevanz. Richtige Daten, die das Unternehmen nicht veröffentlicht, können dennoch die falschen Daten zum Pflegen sein. Zusätzliche Felder kosten Zeit und verdecken die Attribute, für die ein Bericht oder Kanal gebaut wurde.

Wo Qualität bricht

Probleme zeigen sich, wenn Datenbanken zusammengeführt oder Systeme integriert werden und Felder, die zusammenpassen sollten, es nicht tun, weil Schema oder Format abweichen. Derselbe Bruch tritt nach einer Übernahme auf oder wenn isolierte Dateien erstmals in einem Data Warehouse landen. ERP und Shop können beide als führendes System gelten und sich trotzdem widersprechen, weil jedes eine andere Version des Artikels übernommen hat.

Die Arbeit besteht aus Rationalisierung und Validierung. Sie entscheiden, welche Quelle für welches Feld gewinnt, und prüfen, dass der Gewinner noch zum Produkt passt. Die Grundprinzipien des Master Data Management stellen das in den größeren Rahmen: Produktdaten sind eine Domäne der Stammdaten, und die Regeln zur Verantwortung gelten über den Katalog hinaus. Wo das ERP endet und das PIM beginnt zeigt, welches System welches Attribut führen sollte.

Was Sie zuerst messen

• Wählen Sie den Kanal, der Sie ablehnt. Seine Pflichtattribute sind Ihre Vollständigkeitsliste. Beginnen Sie dort.
• Wählen Sie die Felder, die ein Kunde vergleichen kann. Größe, Material, Preis, die Aussage auf dem Etikett. Das sind die Richtigkeitsprüfungen, die in diesem Quartal zählen.
• Benennen Sie pro Feld die führende Quelle. Lieferantendatei, ERP oder PIM. Zwei Gewinner bedeuten, dass der nächste Import die Bereinigung rückgängig macht.
• Prüfen Sie nach der Veröffentlichung erneut. Integrität ist der Wert, der das PIM verlassen hat, nicht der Wert, der noch auf dem Bildschirm der bearbeitenden Person steht.

Der Preis einer kurzen Liste: Sie ignorieren Felder, die eine künftige Vorschrift verlangt. Nehmen Sie diese auf, sobald sie einen Leser haben. Ein Qualitätsprogramm, das jede Spalte perfektionieren will, bevor ein einziger Kanal sauber ist, wird nie fertig.

Was ist Datenmanagement?

Datenmanagement ist der administrative Prozess, Daten zu beschaffen, zu prüfen, zu speichern, zu schützen und zu verarbeiten, damit die Nutzer rechtzeitig eine verlässliche Version erhalten. PIM, DAM und MDM verwalten jeweils einen Teil der Datensätze, die ein Unternehmen nutzt. Datenmanagement ist die Arbeit unter allen dreien.

Daten sind die Fakten in und um die Organisation: Kundendaten, Buchungen, Aufträge, Produktdokumentation, Messwerte aus der Produktion. Strukturierte Daten sind in einer Datenbank organisiert und nachvollziehbar. Unstrukturierte Daten liegen noch in Dateien, Dokumenten, Nachrichten und Bildern. Eine Menge von Werten wird zur Information, wenn sie Struktur, Kontext und Bedeutung hat, sodass jemand sie deuten kann. Datenmanagement bringt diese Information vor der Entscheidung zur richtigen Person, nicht danach.

Die tägliche Arbeit ist Pflege: Dateien auf Änderungen prüfen, korrigieren und neue Werte aus externen Quellen über Verknüpfungen ergänzen, damit eine Aktualisierung nicht vom Abtippen abhängt. Konsistenz zählt so viel wie Aktualität. Ist dasselbe Unternehmen, dieselbe Person oder dieselbe Adresse in mehr als einer Datenbank gespeichert, müssen die Werte übereinstimmen. Ein Schreibunterschied genügt, damit zwei Systeme ein Unternehmen als zwei behandeln. Enterprise Data Management ist dieselbe Arbeit, bezogen auf die gesamte Organisation.

Wer verantwortet die Produktdatenqualität? Governance

Ein PIM ist nur so gut wie die Governance darum herum. Governance meint hier die Richtlinien, Prozesse und Strukturen, die bestimmen, wie Produktinformationen verwaltet werden. Das System speichert den Datensatz. Governance entscheidet, wer einen Wert ändern darf, was gut bedeutet und welche Version live gehen darf.

In der Praxis ist Data Governance der Rahmen, in dem eine Organisation ihre Daten für die eigenen Zwecke steuert: Regeln für den Umgang mit Daten und benannte Rollen für die Ausführung. Sechs Dinge gehören hinein.

Richtlinie und Compliance

Halten Sie den Lebenszyklus schriftlich fest: Anlage, Veröffentlichung, Archivierung. Eine Richtlinie, der Menschen folgen können, hält interne Datensätze konsistent und das Unternehmen innerhalb der gesetzlichen Anforderungen und Branchenstandards, die für das Produkt gelten. Eine Richtlinie, der niemand folgen kann, hält einen Redakteur am Ende des Tages nicht davon ab, eine Aussage in einen Kanal zu kopieren.

Qualitätsstandard

Legen Sie den Standard für die Erfassung fest, die Validierung, die darauf läuft, und das Audit, das sie prüft. Nutzen Sie die fünf Dimensionen oben und sagen Sie, welche davon jeder Kanal verlangt. Wenn die Richtlinie das nicht sagt, hat das Audit nichts, woran es scheitern kann.

Rollen

Benennen Sie, wer welchen Teil des Datensatzes verantwortet. Überschneidungen und Lücken sind die Quelle von Fehlern und Nacharbeit. Setzen Sie den Namen einer Person an das Feld. Ein gemeinsames Postfach gibt keine Zeile frei.

Zwei Rollen zählen am meisten. Data Owner haben die Befugnis, verbindliche Entscheidungen für eine Datendomäne zu treffen. Data Steward folgen im Alltag festgelegten Prozessen. Ein Stammdatenteam, das als manuelle Reparaturtruppe am Ende der Kette arbeitet, ist ein Erfassungsteam ohne Prozessbefugnis, keine Governance-Funktion. In der PIMvendors-Folge von Single Source mit Nicola Askham, die zu Data Governance berät, war die Ursache für den Verfall nach dem Go-live fast nie das System: Niemand war formal über den gesamten Datenlebenszyklus verantwortlich, verteilt auf Einkauf, Category Management, E-Commerce und regionalen Vertrieb.

Workflow und Freigabe

Neue oder geänderte Informationen werden vor der Veröffentlichung geprüft und freigegeben. Ein Workflow, dem Menschen folgen, hält Fehler aus dem Kanal. Sechs Freigabeschritte, die alle umgehen, bringen Verzögerung und steuern die Veröffentlichung nicht. Pragmatismus gehört zur Governance: Wenn jedes neue Produkt die Unterschrift einer einzigen Person braucht und diese im Urlaub ist, umgehen Menschen das System. Ein Rahmen, der den Eilfall und die unvollständige Erfassung beim Eingang zulässt und dann einen klaren Korrekturweg hat, hält besser als einer, der nicht nachgeben kann.

Sicherheit und Zugriff

Zugriffsrechte halten sensible Produktinformationen von Personen fern, die sie nicht sehen oder ändern dürfen. In einem gewöhnlichen Katalog zählt das, sobald der Datensatz einen Einkaufspreis, eine noch nicht freigegebene Aussage oder eine Vertragsbedingung eines Lieferanten enthält.

Verbesserung und Schulung

Überprüfen Sie den Prozess, wenn sich das Geschäft oder die Werkzeuge ändern. Schulen Sie Menschen im PIM, in den erwarteten Arbeitsweisen und in neuen Funktionen, sobald sie erscheinen. Ein neues Marktplatzattribut ist eine neue Lektion.

Warum sich Governance lohnt

• Ein Datensatz, auf den Sie sich verlassen können. Der Wert auf dem Bildschirm ist der Wert, den der Kanal zeigt, weil ihn eine Person freigegeben hat.
• Weniger Schleifen vor der Veröffentlichung. Klare Rollen und ein echter Workflow sorgen dafür, dass eine Änderung nicht auf eine Besprechung wartet, um zu klären, wer Ja sagen darf.
• Eine Compliance-Position, die Sie erklären können. Lebenszyklus und Freigabe zeigen Sie, wenn jemand fragt, welche Aussage an einem bestimmten Datum live war.
• Geschützte sensible Felder. Kosten, noch nicht freigegebene Produkte und Vertragsbedingungen bleiben bei den Personen, die sie sehen dürfen.

Die Data-Management-Umfrage von Experian aus dem Jahr 2018 unter mehr als 1.000 Datenfachleuten ergab, dass 55 % sagten, unzuverlässige Daten störten die Organisation erheblich, und 69 % sagten, falsche Daten untergrüben ihre Fähigkeit, ein hervorragendes Kundenerlebnis zu liefern. Ohne funktionierende Governance-Struktur leiden Wettbewerbsfähigkeit und Rechtskonformität gleichermaßen. Regulierung erhöht den Druck: Der Digitale Produktpass und die PPWR verlangen beide strukturierte, geprüfte Produktdaten, und genau das liefert ein ausgereifter Governance-Rahmen.

Der Preis: Governance fügt eine Freigabe hinzu, und eine Freigabe fühlt sich für die Person, die früher direkt in der Tabelle bearbeitet hat, wie Reibung an. Nehmen Sie die Reibung weg, und nichts steht mehr zwischen einer Entwurfsaussage und dem Kanal.

Ein Datenmanagement-Team aufbauen

Sobald ein PIM- oder MDM-Projekt genehmigt ist, lautet die nächste Frage, wer es betreibt. Gehen Sie in dieser Reihenfolge vor:

1. Benennen Sie, warum die Organisation das Team braucht und welche Geschäftsprobleme es verantwortet. Schreiben Sie das Problem auf, bevor Sie Stellenbezeichnungen festlegen.
2. Legen Sie den Umfang fest: welche Datenbestände, welche Geschäftsfunktionen, welche Stakeholder.
3. Erfassen Sie den Ist-Zustand: Arbeitsweisen, Prozesse und Technologien sowie die Lücken.
4. Erstellen Sie den Plan: Ziele, Zeitplan, Budget, Kennzahlen sowie ein Governance-Rahmen, Richtlinien, Verfahren und Standards.
5. Bauen Sie das Team auf: Analysten, Engineers, Architekten und Governance-Spezialisten, je nach Umfang.
6. Wählen Sie die Werkzeuge zuletzt, entlang des Umfangs: Integration, Datenqualität und Sicherheit.
7. Kommunizieren und schulen Sie jeden Stakeholder, der die Daten erzeugt oder nutzt, und überwachen Sie anschließend anhand der Kennzahlen.

Askhams Rat für den Start: mit einem konkreten Geschäftsproblem beginnen, nicht mit „wir brauchen Data Governance“. Starten Sie klein und benennen Sie eine Person als Koordinator.

Metadaten und Taxonomie

Was sind Metadaten?

Metadaten sind Daten, die andere Daten beschreiben (Merriam-Webster). Es sind die Angaben, die Sie an eine Seite, ein Dokument oder eine Datei hängen, damit der Inhalt gefunden, wiederverwendet und auf Relevanz beurteilt werden kann. Bei einem Dokument: Autor, Dateigröße, Erstellungsdatum und Schlagwörter. Bei einem Produktbild: Dateityp, Größe, Rechte und das zugehörige Produkt.

Metadaten gibt es in mehreren Arten:

• Beschreibend: Titel, Thema, Autor, Erstellungsdatum.
• Rechte: Urheberrechtsstatus, Rechteinhaber, Lizenzbedingungen.
• Technisch: Dateityp, Größe, Kompression. Das nutzen die Verwaltung digitaler Objekte und die Interoperabilität.
• Strukturell: der Platz eines Objekts in einer Hierarchie oder Reihenfolge.

Instrumente zur Verwaltung

Ein Metadaten-Ansatz beginnt mit einem Metadatenset: was jedes Element ist, warum Sie es nutzen und auf welche Informationen es zutrifft. Diese Instrumente bauen aufeinander auf:

• Kontrolliertes Vokabular. Eine feste Auswahlliste, etwa die zwölf Monate oder eine Liste von Zielgruppen. Sie verhindert Tippfehler und erlaubt schnelles Verschlagworten.
• Taxonomie. Eine Hierarchie aus Knoten, wenn eine Liste in Haupt- und Unterkategorien wächst. Sie macht Ergebnisse relevant und gibt Ihnen etwas zum Filtern.
• Facetten. Gruppen von Metadatenfeldern, die gemeinsam genutzt werden, vor allem zum Filtern auf einer Website.
• Thesaurus. Begriffe, nach Bedeutung geordnet: Synonyme, verwandte Begriffe, ein Vorzugsbegriff und eine Definition.
• Ontologie. Entitäten, die durch beliebige Beziehungen verbunden sind. Mächtig und komplex, und der Aufbau erfordert einen Spezialisten.

Nutzen Sie Standards, die bereits existieren und die andere Organisationen schon anwenden. So vermeiden Sie ein eigenes Schema, und die Informationen bleiben auffindbar, weil die Gegenseite dieselben Begriffe verwendet.

Produkttaxonomie

Eine Taxonomie ist eine maßgebliche, begrenzte Liste von Begriffen oder Kategorien, in der jeder Begriff für genau ein eindeutiges Konzept steht (Encyclopedia of Knowledge Organization). Wer Badeshorts sucht, geht einen Pfad wie Herrenbekleidung, Sommerbekleidung, Bademode. Dieser Pfad unterstützt Indexierung, Verschlagwortung, Kategorisierung und Metadaten und macht Produkte auffindbar, wenn jemand stöbert oder sucht.

Eine funktionierende Taxonomie verändert mehrere Dinge:

• Attribute folgen dem Zweig. Ein sauber eingerichtetes PIM ordnet der richtigen Kategorie die richtigen Attribute zu. Kaffeetassen erben nicht die Maße von Verlängerungskabeln, sodass Käufer keine Spezifikationen sehen, die zu einem anderen Produkt gehören.
• Daten werden normalisiert erfasst, sodass Sie auf Redundanz prüfen und genau steuern können, was Sie veröffentlichen.
• Suche und Kampagnen verbessern sich. Ein falsch kategorisiertes Produkt kann bei nicht passenden Suchanfragen erscheinen, was Klicks erhöht und die Conversion in Shopping-Kampagnen senkt.
• Lieferanteninhalte lassen sich leichter übernehmen. Ein PIM, das Standards wie GS1 oder ETIM folgt, kann Produktinhalte mit relativ wenig Nacharbeit aufnehmen. Siehe Produktklassifizierung mit GS1, ETIM und ECLASS. Klassifizierungsmodelle wie UNSPSC und GS1 GPC dienen bei wachsenden Katalogen demselben Zweck.

Sieben Schritte zu effizientem Produktdatenmanagement

Effizientes Datenmanagement beginnt mit KPIs, die zeigen, ob der PIM-Prozess funktioniert, dazu benannte Verantwortliche und Regeln, denen Menschen folgen. Diese sieben Bereiche zeigen, wo Sie ausgereift sind, wo Sie sich verbessern können und wo Sie handeln müssen.

1. Das PIM mit KPIs messen

   Unternehmen gehen oft ohne Ziellinie live. Ohne Zahlen können Sie nicht sagen, ob das System das Geschäft unterstützt oder wo Verbesserung möglich ist. Legen Sie KPIs zu Beginn fest, anhand der Dimensionen oben. An ihnen hängen spätere Entscheidungen, auch die, ob die Software noch passt.

2. Das Datenprogramm an die Unternehmensziele knüpfen

   Betrachten Sie das PIM im Unternehmen, nicht als isoliertes Werkzeug. Eine hohe Retourenquote oder ein beschädigtes öffentliches Bild lässt sich oft auf inkonsistente oder unvollständige Produktdaten in den Ausgabekanälen zurückführen. Eine Datenstrategie, die die Unternehmensziele stützt, begrenzt diese Risiken.

3. Benennen, wer was verantwortet

   Prüfen Sie die Organisation: welche Rollen den Prozess berühren und ob Sie die Leute haben, um die Ziele zu erreichen. Schulen Sie die Personen im System. Datenmanagement funktioniert, wenn Verantwortlichkeiten, Aufgaben und Kompetenzen auf jeder Ebene definiert sind.

4. Die Qualität durch Regeln sichern

   Verarbeitung lohnt sich nur, wenn Standards halten: Produktbeschreibungen, Maßeinheiten, Datumsangaben, Artikelnummern und der gesetzliche Rahmen, den Sie erfüllen müssen. Dubletten sowie unvollständige oder falsche Adresszeilen sind Zeichen, dass das Informationsmanagement nachlässt. Spezifikationen und Datenmodelle müssen zuerst existieren, damit Produktdaten vollständig und in einer Form geliefert werden können.

5. Prozesse abstimmen, damit eine Änderung schnell durchgeht

   Meist arbeiten mehrere Abteilungen im PIM, daher müssen ihre Prozesse auf einer Datenbasis zusammenpassen. Freigabeabläufe für Produkte unter gesetzlichen Vorgaben, etwa Lebensmittel oder Medizinprodukte, brauchen eine klare Struktur und eine Dokumentation. Ein Rückruf ist der Stresstest: Der Artikel verlässt das Sortiment, verschwindet aus dem Shop oder dem Regal, und die Kassensysteme erhalten die Aktualisierung. Legen Sie fest, welches Szenario welche Maßnahme verlangt.

6. Die Datenarchitektur verständlich halten

   Eine große Artikelzahl wird in der Pflege teuer und für die Menschen im PIM undurchsichtig. Katalogisieren Sie die Datenmodelle und prüfen Sie sie auf Konsistenz, sonst wird die nächste Pflegerunde zum Durcheinander. Eine klare Struktur ist der Weg, auf dem Menschen die Information finden, die sie brauchen.

7. Automatisierung und Handarbeit abwägen

   Für manche Unternehmen ist der Onlineshop das Zentrum. Für andere sind es der Printkatalog und die technischen Datenblätter. Diese Wahl bestimmt die Einrichtung. Individuelle, hochwertige Informationen bedeuten mehr manuelle Pflege. Prüfen Sie bei großen Mengen in mehreren Sprachen, wie weit sich die Arbeit standardisieren oder automatisieren lässt. Überprüfen Sie die Ziele nach dem Go-live erneut und passen Sie sie an. Datenmanagement ist diese wiederkehrende Prüfung.

Die Bedürfnispyramide der Produktdaten

Eine zweite Möglichkeit, die Arbeit zu ordnen, ist eine Pyramide. Überspringen Sie eine Ebene, und die Ebene darüber rät nur noch.

• Erfassen. Wie Produktdaten ins Unternehmen kommen: Protokollierung von Klicks, Aufrufen und Käufen, externe Daten und nutzergenerierte Inhalte wie Bewertungen.
• Bewegen und speichern. Ein verlässlicher Fluss zwischen Systemen, Speicher, der mitwachsen kann, und Pipelines, die standardisieren, bereinigen und ordnen, bevor jemand berichtet.
• Erkunden und transformieren. Inkonsistenzen, Fehler und Dubletten bereinigen, Auffälligkeiten erkennen und die Attribute und Metadaten ergänzen, die Analysen brauchen.
• Aggregieren und kennzeichnen. Analysen, die KPIs, an denen Sie Entscheidungen messen, und Segmente nach Region oder Kaufhistorie.
• Lernen und optimieren. A/B-Tests, maschinelles Lernen für Empfehlungen und Prognosen. KI gehört hierher, nachdem die unteren Ebenen stehen.

Arbeiten Sie von unten nach oben: erfassen und speichern, bevor Sie bereinigen, bereinigen, bevor Sie aggregieren, aggregieren, bevor Sie ein Modell trainieren.

Datenqualität im KI-Zeitalter

KI bereinigt Produktdaten nicht für Sie

KI verarbeitet jede Datei, die Sie ihr geben, schneller als ein Mensch mit einer Tabelle. Wenn Namen, Einheiten und Lieferantenbezeichnungen schon voneinander abweichen, taucht die Abweichung früher in mehr Systemen auf. In einem PIMvendors-Webinar beschrieb Susan Walsh von The Classification Guru ein Modul zur Normalisierung von Lieferantennamen, das drei nicht zusammengehörige Unternehmen zu einer Lieferantengruppe zusammenführte (einen Friseur, ein Reinigungsunternehmen und eine Anwaltskanzlei), weil sie ein Wort teilten. Ein wiederholtes Wort ist keine gemeinsame Identität. Bei einer Tabelle mit einer Million Zeilen sieht das mit bloßem Auge niemand.

Ihre praktischen Punkte:

• Halten Sie die Erfassungsregeln schriftlich fest. Benennung, Einheiten, welches Lieferantenfeld gewinnt, wer einen Wert überschreiben darf. Werkzeuge wechseln alle paar Jahre, und Regeln dafür, wie ein Wert erfasst wird, gelten weiter. Eine bereinigte Datei ohne Regeln ist binnen Monaten wieder verschmutzt.
• Setzen Sie KI bei prüfbarer Arbeit ein. Tabellenformeln, Abgleiche, Erkennung von Dubletten und Mustern. Lassen Sie einen Menschen bei Klassifizierungen entscheiden, die eine kommerzielle Aussage verändern.
• Beginnen Sie mit einer Pivot-Tabelle, nicht mit einer Plattform. Legen Sie den Export in eine Pivot-Tabelle, sortieren Sie Beschreibung gegen Produktcode und sehen Sie sich die Inkonsistenzen an, die ein roher Export verbirgt. Beheben Sie nach geschäftlicher Wirkung.
• Beheben Sie den Eingang. Wenn die Lieferantendatei die Quelle der fehlerhaften Zeilen ist, geben Sie das Budget doppelt aus, wenn Sie das PIM bereinigen und den Posteingang unangetastet lassen.

Auch Trainingsdaten zählen. In einer Partium-Demo zu Teiledaten ging es darum, dass KI Qualitätsdaten zum Training braucht, dass synthetische Daten ein erhebliches Risiko bergen und dass Unternehmen prüfen sollten, wie vertrauenswürdig ihre Datenquellen sind. Siehe was KI im PIM wirklich leistet und wo sie versagt.

Risiko, Verzerrung und Chaos

Modelle, die mit unordentlichen Daten trainiert werden, sind nur so gut wie ihre schlechteste Eingabe. Schwache Verbindungen zwischen Datensätzen führen zu irreführenden Erkenntnissen. Lockere Zugriffskontrolle lässt KI an Daten, die sie nicht sehen darf. Unbekannte Datenherkunft macht Ergebnisse schwer vertrauenswürdig, und historische Verzerrungen in den Daten werden wiederholt. Governance ist das Fundament: wissen, woher Daten kommen, steuern, wer und was sie sehen kann, und Nachvollziehbarkeit von KI-Entscheidungen verlangen. KI kann Governance auch unterstützen, etwa indem sie Dubletten und Fehler findet, Zugriffe überwacht und die Datenherkunft nachverfolgt, solange ein Mensch die Regeln verantwortet. Die Idee stützt sich auf den Artikel von Tina Salvage im CDO Magazine.

Unvollständige Daten fallen aus KI-Antworten heraus

Produktdaten, die fehlen, widersprüchlich sind oder in Werbetext vergraben liegen, überspringt ein KI-Shopping-Assistent leicht. Er wendet sich einer Listung zu, die vollständig genug wirkt, um ihr zu vertrauen. Salsifys AEO-101-Beitrag beschreibt das Ausschlussmuster: fehlende oder inkonsistente Attribute, widersprüchliche Maße zwischen Ihrer Website und Händlern, vager Text ohne Aussage zu Material oder Passform und kein strukturiertes Markup. Die Lösung ist die Qualitätsarbeit oben: Ergänzen Sie die Attribute, die früher optional wirkten (Material, Größe mit Einheiten, Kompatibilität, Pflege), beseitigen Sie Widersprüche zwischen Kanälen und fügen Sie Struktur hinzu. Siehe KI-taugliche Produktdaten und Agentic Commerce.

KI-Agenten steuern, die ins PIM schreiben

KI-Agenten reichern Produktdaten inzwischen über APIs und das Model Context Protocol (MCP) an, einen offenen Standard, mit dem ein KI-Client die Werkzeuge eines Systems aufrufen kann. Bevor Sie den nächsten Agenten anbinden, klären Sie, wem er Rechenschaft schuldet. Die Dokumentation von Akeneo und Bluestone zeigt dasselbe Muster: Der Agent übernimmt eine bestehende Identität und trägt die Rechte dieses Nutzers. Beide empfehlen einen eigenen Nutzer mit minimalen Rechten für Agenten, und nichts erzwingt das.

Inriver schlägt auf Grundlage externer Forschung vor, einen Agenten wie einen neuen Mitarbeiter zu behandeln: eine eindeutige Identität, ein klar umrissener Zuständigkeitsbereich und aufgabenbezogene Rechte. Ein Agent, der Beschreibungen anreichert, braucht Zugriff auf Inhaltsfelder, nicht auf Preisfreigaben oder Kanalzugangsdaten. Inriver verweist auf IBM-Forschung, wonach 35 % der Führungskräfte nicht sagen können, wer befugt ist, eine KI-Empfehlung zu überstimmen. Die Richtlinie muss diese Person pro Attributgruppe benennen, und der PIM-Workflow muss den Konflikt zu ihr leiten. Stibo Systems lässt seine Agenten innerhalb seiner Rollen, Rechte und Kontrollen laufen, und Pimcore führt sein Agent-Bundle über die Workflow-Engine aus, sodass Agentenarbeit dieselben Freigaben durchläuft wie menschliche Arbeit.

Drei Prüfungen beim Kauf:

1. Geben Sie jedem Agenten eine eigene Identität und einen benannten fachlichen Verantwortlichen. Ein gemeinsamer API-Schlüssel hinterlässt keine Spur, welcher Agent was getan hat.
2. Begrenzen Sie Rechte bis auf Attributgruppe, Sprache und Katalog, mit reinen Vorschlagsrechten für regulierte Attribute. Prüfen Sie, ob Freigaberegeln auch bei einem MCP-Schreibzugriff greifen.
3. Machen Sie jeden Schreibzugriff eines Agenten nachvollziehbar und umkehrbar. Fragen Sie, wie Sie eine Massenänderung an Tausenden Datensätzen zurücknehmen. Bluestone warnt, dass der Änderungsverlauf nicht als garantierte Rückgängig-Funktion gelten sollte.

Weiterführende Inhalte

Qualität messen Sie pro Kanal anhand von fünf Dimensionen, Governance gibt ihr einen Verantwortlichen, Metadaten und Taxonomie geben ihr Struktur, und die sieben Schritte halten die Arbeit am Laufen. Zu den Systemen, die diese Arbeit ausführen, siehe Was ist ein PIM, PIM-Funktionen und Leistungsmerkmale und PIM-Einführung.

Wie es weitergeht

Beide Tools sind kostenlos und unabhängig von jedem Anbieter.

Unsicher, ob Sie schon ein PIM brauchen?

Ein kurzer Check, der zeigt, ob ein eigenes PIM-System Ihrem Katalog hilft oder ob Tabellen und ERP noch ausreichen.

Prüfen, ob ein PIM passt

Bereit, Anbieter zu vergleichen?

Beantworten Sie Fragen zu Größe, Branche und Muss-Kriterien und erhalten Sie eine gerankte Shortlist.

Meine Anbieter-Shortlist erstellen