Datenqualität: Produktdaten fit machen für KI und DPP

Findbarkeit, Conversion, KI und Compliance hängen an derselben Basis: vollständigen, konsistenten und belastbaren Produktdaten, und dafür braucht es eine hohe Datenqualität.

Produktdaten waren lange ein operatives Thema. Sie mussten „irgendwie“ in den Webshop, in den Katalog, zum Händler, auf den Marktplatz oder in den Datenfeed. Wichtig war, dass ein Produkt online ging, bestellbar war und die wichtigsten Informationen sichtbar waren. Diese Sichtweise reicht nicht mehr aus. Produktdaten entscheiden heute darüber, ob Produkte gefunden, verstanden, empfohlen, gekauft, repariert, recycelt und künftig regulatorisch korrekt dokumentiert werden können.

Für Hersteller und Händler entsteht damit ein neuer Druckpunkt: Datenqualität ist nicht mehr nur ein Effizienzthema für E-Commerce-Teams oder Stammdatenabteilungen. Sie wird zur Grundlage für Sichtbarkeit, Conversion, KI-Fähigkeit und Compliance. Ein aktueller Beitrag auf marketing-boerse.de bringt es auf den Punkt: KI empfiehlt nur, was sie versteht. Fehlende, widersprüchliche oder ungenaue Produktinformationen verhindern nicht nur bessere Rankings, sondern können dazu führen, dass Produkte in Feeds, KI-Suchen oder Empfehlungen gar nicht erst auftauchen.

Gleichzeitig verschieben regulatorische Anforderungen den Fokus. Die europäische Ökodesign-Verordnung, offiziell Verordnung (EU) 2024/1781, ist am 18. Juli 2024 in Kraft getreten. Sie soll Nachhaltigkeit und Kreislauffähigkeit von Produkten über den gesamten Lebenszyklus verbessern und führt schrittweise neue Anforderungen für unterschiedliche Produktgruppen ein. Ein zentrales Element ist der digitale Produktpass, der künftig produktbezogene Informationen etwa zu Haltbarkeit, Energieeffizienz, Recyclingfähigkeit oder Umweltfußabdruck bereitstellen soll. (Anbei hier klicken für eine Übersicht zur Ökodesign-Verordnung der IHK)

Damit wird klar: Wer Produktdaten heute nur als Content für Produktdetailseiten betrachtet, greift zu kurz. Produktdaten werden zum verbindenden System zwischen Commerce, Marketing, KI, Lieferkette, Nachhaltigkeit und Rechtssicherheit.

Warum Datenqualität jetzt strategisch wird

Im digitalen Handel entscheidet Datenqualität auf mehreren Ebenen. Auf der Oberfläche sehen Kundinnen und Kunden Produkttitel, Bilder, Bulletpoints, technische Merkmale, Lieferinformationen und Preise. Dahinter arbeiten Suchalgorithmen, Marktplatzregeln, Feed-Engines, Recommendation-Systeme, Produktfilter, Chatbots, KI-Agenten und Vergleichsportale. Alle diese Systeme sind auf strukturierte, eindeutige und aktuelle Produktinformationen angewiesen.

Ein Produkt mit unvollständigen Attributen ist schlechter filterbar. Ein Produkt mit unscharfen Beschreibungen ist schwieriger für Suchmaschinen und KI-Systeme zu interpretieren. Ein Produkt mit abweichenden Maßangaben oder falschem Bildmaterial erzeugt Kaufabbrüche, Retouren und Supportfälle. Ein Produkt ohne belastbare Nachhaltigkeitsinformationen wird künftig in bestimmten Branchen nicht mehr ausreichend dokumentiert sein.

Die alte Frage lautete: „Sind unsere Produktdaten vollständig genug, um live zu gehen?“ Die neue Frage lautet: „Sind unsere Produktdaten gut genug, damit Menschen, Plattformen, KI-Systeme und Behörden sie korrekt verwenden können?“

Diese Verschiebung ist entscheidend. Datenqualität wird nicht mehr am einzelnen Feld gemessen, sondern an der Nutzbarkeit über verschiedene Anforderungen hinweg. Ein Materialattribut kann gleichzeitig relevant sein für die Shop-Suche, die Kaufentscheidung, eine Nachhaltigkeitsaussage, einen Ersatzteilprozess, den digitalen Produktpass und eine KI-gestützte Produktempfehlung. Je besser ein Unternehmen diese Mehrfachnutzung versteht, desto wirtschaftlicher wird die Datenpflege.

Findbarkeit: Produkte müssen maschinenlesbar relevant sein

Findbarkeit beginnt nicht erst bei SEO-Texten. Sie beginnt beim Datenmodell. Kategorien, Attribute, Synonyme, Variantenlogik, Produktbezeichnungen und technische Merkmale bestimmen, ob Produkte intern und extern korrekt zugeordnet werden können.

Für Händler ist das besonders kritisch, weil Sortimente häufig aus unterschiedlichen Herstellerdaten gespeist werden. Wenn ein Hersteller „anthrazit“, ein anderer „dunkelgrau“ und ein dritter „graphit“ liefert, entsteht ohne Normalisierung ein Problem für Filter, Suche und Vergleichbarkeit. Wenn Abmessungen mal in Millimetern, mal in Zentimetern und mal im Freitext angegeben werden, kann kein System zuverlässig sortieren oder empfehlen. Wenn Energieeffizienz, Material oder Kompatibilität fehlen, gehen relevante Suchanfragen ins Leere.

Für Hersteller ist Findbarkeit ebenso geschäftskritisch. Wer Händler, Marktplätze und Plattformen nicht mit vollständigen und kanalgeeigneten Informationen versorgt, verliert Sichtbarkeit am digitalen Regal. Dabei geht es nicht nur um klassische Suchmaschinen. Auch KI-gestützte Suchen und Einkaufsassistenten benötigen klare Signale: Was ist das Produkt? Wofür eignet es sich? Welche Varianten gibt es? Welche Einschränkungen gelten? Wodurch unterscheidet es sich von Alternativen?

Ein praktischer erster Schritt ist eine Attributanalyse nach Suchintention. Unternehmen sollten ihre Produktdaten nicht nur nach interner Logik prüfen, sondern aus Sicht realer Such- und Entscheidungssituationen. Welche Merkmale nutzen Kunden, Händler oder Einkäufer, um Produkte einzugrenzen? Welche Begriffe verwenden sie? Welche Eigenschaften werden in Filtern, Ausschreibungen, Marktplatzfeeds oder Beratungsgesprächen benötigt? Daraus entsteht ein Pflichtattributmodell, das nicht abstrakt, sondern absatzorientiert ist.

Conversion: Vertrauen entsteht aus Klarheit

Gute Produktdaten verkaufen nicht durch Länge, sondern durch Relevanz und Verlässlichkeit. Conversion entsteht, wenn Kundinnen und Kunden schnell verstehen, ob ein Produkt zu ihrem Bedarf passt. Dazu gehören verständliche Titel, aussagekräftige Bilder, strukturierte Merkmale, klare Vorteile, vollständige technische Daten, Liefer- und Zubehörinformationen sowie Hinweise zu Anwendung, Pflege, Sicherheit oder Kompatibilität.

Fehlerhafte oder unklare Produktdaten haben direkte Folgen. Ein Bild, das nicht zur Variante passt, erzeugt Unsicherheit. Eine fehlende Maßangabe verhindert den Kauf. Eine unpräzise Materialbeschreibung kann bei erklärungsbedürftigen Produkten zum Ausschlusskriterium werden. Widersprüche zwischen Kurzbeschreibung, Datenblatt und Shop-Attributen untergraben Vertrauen.

Besonders relevant ist die Konsistenz über Kanäle hinweg. Kunden vergleichen Produkte im Webshop, auf Marktplätzen, in Social-Commerce-Umgebungen, bei Händlern, in Datenblättern und zunehmend über KI-gestützte Recherche. Wenn Informationen je nach Kanal voneinander abweichen, entsteht Reibung. Der Beitrag auf marketing-boerse.de weist genau auf diese Wirkung hin: Inkonsistente Produktinformationen erhöhen Retouren und Nachfragen, senken Marktplatzrankings und beeinträchtigen die Performance von KI-Modellen.

Ein wirksames How-to für Conversion beginnt deshalb mit der Definition von kaufentscheidenden Informationen je Produktgruppe. Nicht jedes Produkt braucht denselben Content. Ein Ersatzteil benötigt andere Daten als ein Möbelstück, ein Reifen andere Angaben als ein Textilprodukt, eine Maschine andere Informationen als ein Konsumartikel. Unternehmen sollten pro Kategorie festlegen: Welche Informationen sind zwingend für die Kaufentscheidung? Welche reduzieren Retouren? Welche erklären den Mehrwert? Welche sind nur Nice-to-have?

Daraus lassen sich Content-Standards ableiten: Mindestanzahl und Art der Bilder, Pflichtattribute, Beschreibungsmuster, Variantenregeln, Zubehörlogik, Cross-Selling-Daten, Dokumente und rechtlich relevante Hinweise. Entscheidend ist, dass diese Standards in Systeme und Workflows übersetzt werden. Ein Styleguide allein verbessert keine Datenqualität, wenn keine Validierungsregeln, Verantwortlichkeiten und Freigabeprozesse dahinterstehen.

KI: Produktdaten müssen eindeutig, strukturiert und kontextfähig sein

KI verändert die Anforderungen an Produktdaten grundlegend. Klassische Suchsysteme konnten häufig noch mit Keywords, Titeln und Kategorien arbeiten. Generative KI, semantische Suche, Chatbots und Einkaufsagenten benötigen mehr Kontext. Sie müssen Produktinformationen interpretieren, vergleichen und in eine Empfehlung übersetzen können.

Dafür reicht werblicher Freitext nicht aus. KI-Systeme brauchen strukturierte Attribute, eindeutige Einheiten, gepflegte Taxonomien, semantische Beziehungen und konsistente Varianten. Ein KI-Assistent kann nur dann sinnvoll beraten, wenn er weiß, dass ein Produkt wasserfest, für Außenbereiche geeignet, kompatibel mit einem bestimmten System, reparierbar oder für eine bestimmte Zielgruppe ausgelegt ist. Diese Informationen müssen maschinenlesbar vorliegen, nicht nur irgendwo im Fließtext versteckt sein.

Für Unternehmen bedeutet das: KI-Readiness beginnt im PIM, MDM oder Produktdatenmodell. Wer KI-Projekte startet, ohne die zugrunde liegenden Produktdaten zu prüfen, automatisiert im Zweifel nur bestehende Schwächen. Dann entstehen falsche Empfehlungen, unvollständige Antworten oder unzuverlässige Produktvergleiche.

Ein sinnvoller Ansatz ist die Unterscheidung zwischen drei Datenebenen. Erstens: Identifikationsdaten wie GTIN, Artikelnummer, Modell, Marke, Hersteller, Variante und Klassifikation. Zweitens: Entscheidungsdaten wie Maße, Material, Farbe, Leistung, Kompatibilität, Anwendung, Zertifikate, Lieferumfang und Pflegehinweise. Drittens: Kontextdaten wie Zielgruppe, Nutzungsszenarien, Nachhaltigkeitsmerkmale, Ersatzteile, Reparaturinformationen oder Entsorgungshinweise. Je sauberer diese Ebenen strukturiert sind, desto besser können KI-Systeme Produkte verstehen und Empfehlungen begründen.

DPP und Ökodesign: Compliance wird zur Datenaufgabe

Die Ökodesign-Verordnung macht Produktdaten auch regulatorisch wichtiger. Ihr Anwendungsbereich kann nahezu alle physischen Produkte umfassen, einschließlich Bauteilen und Zwischenprodukten, die in der EU in Verkehr gebracht oder in Betrieb genommen werden. Ausgenommen sind laut DIHK-Merkblatt nur wenige Produktkategorien wie Lebensmittel, Futtermittel, Arzneimittel und Fahrzeuge.

Der erste Arbeitsplan der EU-Kommission für 2025 bis 2030 priorisiert unter anderem Eisen und Stahl, Aluminium, Textilien, Möbel, Reifen und Matratzen. Außerdem sollen bestimmte Elektronikgeräte schrittweise in die neue Verordnung überführt werden.

Für Hersteller und Händler ist besonders wichtig: Die ESPR geht über reine Energieeffizienz hinaus. Sie kann Anforderungen an Haltbarkeit, Reparierbarkeit, Wiederverwendbarkeit, Recyclingfähigkeit, Rezyklatanteil, Ressourcennutzung, Umweltfußabdruck und enthaltene Chemikalien umfassen. Dabei geht es nicht nur um Leistungsanforderungen, sondern auch um Informationsanforderungen entlang des Produktlebenszyklus.

Der digitale Produktpass wird dabei zum zentralen Datencontainer. Er soll Informationen zu Ökodesign-Anforderungen enthalten und je nach Zugriffsrechten unterschiedlichen Akteuren entlang der Lieferkette zur Verfügung stehen. Bis zum 19. Juli 2026 soll die EU-Kommission ein digitales Produktpass-Register erstellen, in dem eindeutige Produktkennungen gespeichert werden. Außerdem ist ein öffentlich zugängliches Webportal vorgesehen, über das Informationen gesucht und verglichen werden können.

Das bedeutet: Compliance wird nicht erst im Rechtsbereich entschieden, sondern in der Datenarchitektur. Unternehmen müssen wissen, welche nachhaltigkeits- und produktbezogenen Informationen sie besitzen, woher diese stammen, wie verlässlich sie sind, wer sie freigibt und wie sie aktualisiert werden. Ohne belastbare Datenherkunft wird der digitale Produktpass zur Risikofläche.

How-to: Anforderungen an Produktdaten systematisch verbessern

Der erste Schritt ist ein Datenqualitäts-Audit. Dabei sollten Unternehmen nicht nur prüfen, ob Felder gefüllt sind. Entscheidend ist, ob die Daten richtig, aktuell, konsistent, kanalgeeignet, rechtlich belastbar und maschinenlesbar sind. Sinnvolle Prüfdimensionen sind Vollständigkeit, Eindeutigkeit, Format, Plausibilität, Aktualität, Übersetzbarkeit, Medienqualität, Quellenstatus und Freigabestatus.

Der zweite Schritt ist ein produktgruppenspezifisches Zielbild. Nicht jede Kategorie braucht dieselben Daten. Für Textilien werden Materialzusammensetzung, Pflege, Herkunft, Größenlogik und künftig DPP-relevante Nachhaltigkeitsinformationen wichtiger. Für Möbel spielen Maße, Materialien, Ersatzteile, Montage, Pflege, Verpackung und Lebensdauer eine große Rolle. Für Elektronik sind Energieverbrauch, Reparierbarkeit, Softwareinformationen, Komponenten, Recyclingfähigkeit und Sicherheitsdokumente relevant. Für Reifen sind technische Spezifikationen, Labels, Einsatzbedingungen und Produktkennungen entscheidend.

Der dritte Schritt ist ein verbindliches Attributmodell. Dieses sollte Pflichtfelder, optionale Felder, erlaubte Werte, Einheiten, Datenformate, Sprachen, Kanalvarianten und Verantwortlichkeiten definieren. Besonders wichtig sind kontrollierte Wertelisten. Sie verhindern, dass dieselbe Eigenschaft in zehn Varianten gepflegt wird. Aus „recycelt“, „Recyclingmaterial“, „recycled content“ und „mit Rezyklatanteil“ muss ein sauber gepflegtes, auswertbares Attribut werden.

Der vierte Schritt ist Data Governance. Datenqualität braucht Rollen. Wer liefert welche Information? Wer prüft sie? Wer darf sie ändern? Wer ist verantwortlich, wenn ein Händler falsche Daten meldet? Wer aktualisiert regulatorische Attribute? Wer pflegt Medien? Wer überwacht Feed-Fehler? Ohne klare Zuständigkeit werden Produktdaten immer wieder zum Nebenprodukt anderer Prozesse.

Der fünfte Schritt ist Automatisierung. Validierungsregeln sollten Fehler erkennen, bevor Daten ausgespielt werden. Beispiele sind fehlende Pflichtattribute, falsche Einheiten, unrealistische Werte, Dubletten, nicht freigegebene Bilder, abgelaufene Zertifikate, fehlende Übersetzungen oder Widersprüche zwischen Varianten. Automatisierung ersetzt nicht die fachliche Verantwortung, aber sie reduziert manuelle Prüfaufwände und verhindert wiederkehrende Fehler.

Der sechste Schritt ist kanalübergreifende Syndizierung. Produktdaten müssen nicht nur intern sauber sein, sondern auch in den richtigen Formaten an Shops, Händler, Marktplätze, Datenpools, Apps, Printsysteme, KI-Anwendungen und künftig DPP-Umgebungen ausgespielt werden. Eine zentrale Datenbasis mit kanalbezogenen Ausleitungsregeln ist dafür deutlich robuster als manuelle Excel-Prozesse.

Der siebte Schritt ist kontinuierliches Monitoring. Datenqualität ist kein Projekt mit Enddatum. Sortiment, Vorschriften, Plattformanforderungen, Suchverhalten und KI-Systeme verändern sich laufend. Unternehmen sollten deshalb Kennzahlen einführen: Attributvollständigkeit je Kategorie, Fehlerquote je Lieferant, Time-to-Market für neue Produkte, Feed-Ablehnungen, Retourengründe, Suchanfragen ohne Treffer, Conversion nach Content-Qualität und DPP-relevante Datenlücken.

Die wichtigste Erkenntnis: Ein Datensatz muss mehrere Zwecke erfüllen

Die Herausforderung besteht nicht darin, für jeden neuen Zweck neue Dateninseln aufzubauen. Genau das hat viele Unternehmen in die heutige Komplexität geführt. Die eigentliche Aufgabe ist, Produktdaten so zu modellieren, dass sie mehrfach genutzt werden können: für den Webshop, für Händler, für Marktplätze, für KI, für Nachhaltigkeitskommunikation, für Serviceprozesse und für regulatorische Anforderungen.

Dafür müssen Hersteller und Händler Produktdaten als Infrastruktur verstehen. Ein PIM-System, MDM-System oder Product-Experience-Management-Ansatz ist dabei nicht nur ein Tool, sondern ein organisatorisches Betriebssystem für Produktinformationen. Es verbindet Datenmodell, Prozesse, Rollen, Validierung, Ausspielung und Qualitätsmessung.

Gerade mit Blick auf die Ökodesign-Verordnung wird frühes Handeln zum Vorteil. Zwar werden konkrete Anforderungen schrittweise über delegierte Rechtsakte für einzelne Produktgruppen festgelegt, und betroffene Unternehmen haben nach Inkrafttreten der jeweiligen Produktregelungen in der Regel mindestens 18 Monate Zeit für die Umsetzung. Doch wer erst beginnt, wenn die Pflicht konkret ist, muss Datenquellen, Lieferantenprozesse, Systemlogik und Governance unter Zeitdruck aufbauen.

Fazit: Datenqualität ist die Voraussetzung für Zukunftsfähigkeit

Findbarkeit, Conversion, KI-Fähigkeit und DPP-Compliance wirken auf den ersten Blick wie unterschiedliche Themen. In der Praxis haben sie dieselbe Grundlage: verlässliche Produktdaten. Unternehmen, die diese Grundlage beherrschen, können Produkte schneller ausspielen, besser verkaufen, sicherer dokumentieren und intelligenter automatisieren.

Hersteller profitieren, weil sie Handelspartner konsistenter beliefern, regulatorische Anforderungen besser vorbereiten und ihre Produkte in KI-gestützten Entscheidungsumgebungen sichtbar halten. Händler profitieren, weil sie Sortimente vergleichbarer machen, Filter und Suche verbessern, Retouren senken und Kundinnen und Kunden mehr Entscheidungssicherheit bieten.

Die Produktdaten der Zukunft sind nicht nur vollständig. Sie sind strukturiert, semantisch eindeutig, validiert, quellenbasiert, kanalübergreifend nutzbar und compliancefähig. Wer jetzt daran arbeitet, verbessert nicht nur einzelne Produktdetailseiten. Er schafft die Grundlage dafür, dass Produkte in einer von KI, Nachhaltigkeit und Regulierung geprägten Commerce-Welt überhaupt anschlussfähig bleiben.