Mode · Datenqualitätsmetriken für Merchandising und Katalog

Eine Kundin sucht auf Ihrer Site nach „schwarzes Midikleid". Vierzig Ergebnisse laden. Bei zwölf fehlt die Materialzusammensetzung, fünf zeigen nur ein Flat-Lay-Bild ohne Aufnahme am Modell, drei haben eine Größentabelle, die „M" auf 32 Zoll Taillenumfang abbildet (falsch für diese Marke), und zwei sind dasselbe Kleid, zweimal unter verschiedenen SKUs gelistet. Diese Kundin bounct. In Ihrem Revenue-Dashboard sehen Sie nie, warum. Das ist Katalog-Datenqualität, und sie killt leise sowohl Conversion als auch Allocation.

Diese Lektion zeigt Ihnen, wie Sie das messen.

Warum Katalogqualität ein Datenproblem ist, kein Content-Problem

Merchandiser behandeln fehlende Produktdaten oft als „da hat jemand vergessen, etwas einzutragen". Tatsächlich ist es ein messbares, nachverfolgbares Datenqualitätsproblem mit direkten Downstream-Effekten.

Zwei Systeme konsumieren Ihre Katalogdaten:

• Das kundenseitige System (Site-Search, Filter, Produktseiten). Fehlende Attribute bedeuten, dass Produkte in gefilterten Ergebnissen nicht erscheinen. Ein Kleid ohne Wert für „Ärmellänge" ist unsichtbar, wenn eine Kundin nach „langarm" filtert.
• Das Allocation- und Planungssystem. Duplikate von SKUs (Stock Keeping Units, der eindeutige Code für jede verkäufliche Variante) teilen das Demand-Signal auf zwei Records auf, sodass Ihr Replenishment-Modell beide zu knapp ordert.

Schlechte Katalogdaten brechen Discovery und sie brechen die Rechnung, die entscheidet, wohin Inventory geht.

Die vier Kernmetriken

Wir tracken vier Metriken. Jede ist eine einfache Ratio, die Sie heute aus einem Produktexport berechnen können.

1. Attribut-Vollständigkeitsrate

Der Anteil der erforderlichen Attribute, die im Katalog tatsächlich gefüllt sind.

Definieren Sie zuerst ein Set erforderlicher Attribute pro Kategorie. Für Kleider wäre das etwa: Farbe, Materialzusammensetzung, Ärmellänge, Ausschnitt, Kleidlänge, Pflegehinweise, Herkunftsland. Für Handtaschen sieht es anders aus: Material, MaMaEinsatz von Software, um wiederkehrende Marketingaufgaben und Kampagnen zu automatisieren und Personalisierung in großem Maßstab über Kanäle wie E-Mail, Web und Social zu ermöglichen.Vollständige Definition ansehen →ße, Trägerart, Verschluss.

Dann:

Attribut-Vollständigkeit = gefüllte Attributzellen / (Produkte x erforderliche Attribute pro Produkt)

Rechenbeispiel. Sie haben 500 Kleider, jedes braucht 7 Attribute. Das sind 3.500 erforderliche Zellen. Ihr Export zeigt, dass 2.940 gefüllt sind.

2.940 / 3.500 = 0,84 = 84 % Vollständigkeit

Benchmark-Hinweis: Retailer zielen üblicherweise auf 95 Prozent oder mehr bei such-kritischen Attributen. Alles unter 90 Prozent bedeutet meist sichtbare Lücken in der gefilterten Navigation. (Behandeln Sie „95 Prozent" als weit verbreitetes operatives Ziel, nicht als offiziellen Standard.)

Mitteln Sie nicht alle Attribute gleich. Gewichten Sie die, nach denen Kunden filtern. Ein fehlender „Pflegehinweis" tut weniger weh als eine fehlende „Farbe", die den Artikel aus jedem Farbfilter entfernt.

2. Bild-Coverage

Bilder treiben Fashion-Conversion stärker als jedes einzelne Textfeld. Messen Sie zwei Dinge.

Einhaltung der Mindestbildanzahl: der Anteil der SKUs, die Ihren Bildstandard erfüllen. Wenn Ihr Standard „mindestens eine Aufnahme am Modell plus drei Detailaufnahmen" lautet, fällt ein Produkt mit nur einem Flat-Lay durch.

Bild-Compliance = SKUs, die den Bildstandard erfüllen / SKUs insgesamt

On-Model-Coverage speziell, weil Apparel mit einer Aufnahme am KKDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →örper deutlich besser konvertiert als ein reines Produktbild.

Beispiel: 500 Kleider, 430 haben ein Bild am Modell.

430 / 500 = 86 % On-Model-Coverage

Die Lücke von 14 Prozent sind oft Neuheiten der Saison oder Artikel aus Marketplace-Quellen, bei denen Sie nur das Flat-Bild des Vendors übernommen haben.

3. Genauigkeit der Größentabellen

Das am wenigsten Gemessene und das Teuerste. Falsche Größentabellen treiben Returns, und Return-Rates im Apparel-Bereich sind hoch: bei Online-Apparel liegen Returns üblicherweise im Bereich von 20 bis 30 Prozent, ein großer Anteil davon fit-getrieben (weit verbreitete Branchenschätzungen, Stand 2025). Fit-getriebene Returns sind reine Margenleckage plus Kosten der Reverse Logistics.

Die Genauigkeit von Größentabellen ist schwerer zu berechnen als die anderen, weil „korrekt" keine gefüllte-oder-leere Zelle ist. Praktikable Maße:

• Verknüpfungsrate Tabelle-zu-Produkt: Anteil der SKUs, die der korrekten Größentabelle für ihre Marke und Kategorie zugeordnet sind. Die Tabelle einer US-Marke auf einen EU-konfektionierten Artikel angewandt ist ein Defekt.
• Konsistenzprüfung der Maße: markieren Sie Tabellen, in denen Maße über die Größen hinweg nicht monoton steigen (ein S-Brustumfang größererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → als ein M-Brustumfang ist ein Datenfehler).

# Nicht-monotone Größentabellen markieren (Signal für Eingabefehler)
def flag_bad_charts(chart):
    chests = [chart[s] for s in ["XS","S","M","L","XL"]]
    return chests != sorted(chests)   # True = als fehlerhaft markiert

Lassen Sie das wöchentlich über jede Tabelle laufen. Es fängt die „M und L vertauscht"-Fehler, die Return-Spikes erzeugen.

4. Duplikat-SKU-Rate

Duplikate entstehen, wenn dasselbe physische Produkt zweimal in Ihr System kommt: einmal aus einem Vendor-Feed, einmal per manueller Eingabe, oft mit leicht abweichenden Titeln.

Duplikatrate = duplizierte SKU-Records / SKU-Records insgesamt

Duplikate zu erkennen braucht Matching-Logik, nicht nur Exact-Match auf den Titel. Matchen Sie auf Kombinationen: Marke + Stylenummer + Farbe + Größe, oder nutzen Sie die GTIN (Global Trade Item Number, der Barcode-Standard), wo verfügbar. Wenn zwei Records dieselbe GTIN haben, sind es dieselben Produkte.

Beispiel: 12.000 SKU-Records, die Matching-Logik findet 360, die Duplikate eines bestehenden Records sind.

360 / 12.000 = 3 % Duplikatrate

Auch 3 Prozent sind relevant: diese 360 teilen Inventory und Demand über zwei Records auf und korrumpieren Ihr Allocation-Modell.

🎬 [VIDEO: „Product Data QualityData QualityDer Grad, in dem Daten für ihren Zweck geeignet sind: korrekt, vollständig, konsistent, aktuell, valide und eindeutig. Schlechte Datenqualität untergräbt Analytics, Reporting und KI.Vollständige Definition ansehen → Fundamentals" - youtube.com - ein klarer Durchgang durch die Dimensionen Completeness, Consistency und Accuracy, angewandt auf Retail-Kataloge]

Wo diese Daten liegen

Ihre Metriken sind nur so gut wie Ihre Quellen. Der typische Datenfluss eines Apparel-Katalogs:

• PIM (Product Information Management): das Mastersystem mit Attributen, Beschreibungen und Bildlinks. Hier wird Vollständigkeit gemessen und durchgesetzt.
• DAM (Digital Asset Management): speichert die eigentlichen Bild- und Videodateien, auf die sich die Bild-Coverage-Metriken beziehen.
• ERP / Merchandising-System: hält SKU-Records, GTINs und Inventory, die Quelle für die Duplikaterkennung.
• Vendor- / Marketplace-Feeds: eingehende Daten variabler Qualität, die häufigste Quelle von Lücken und Duplikaten.

Das Governance-Prinzip: definieren Sie erforderliche Attribute und Bildstandards im PIM als Validierungsregeln, damit schlechte Records gar nicht erst publiziert werden können. Qualität nach der Publikation zu messen ist Triage. Beim Ingestion zu blocken ist Prävention.

Eine solide, herstellerneutrale Einführung in die Disziplin hinter diesen Dimensionen finden Sie in der DAMA-Übersicht der Datenqualitätsdimensionen, dem Branchenverband für Data Management.

Metriken in eine Scorecard überführen

Kombinieren Sie die vier zu einer Katalog-Health-Sicht, wöchentlich aktualisiert, geschnitten nach Kategorie und Datenquelle.

Der Schnitt nach Quelle zeigt meist, dass Marketplace- und Dropship-Feeds die meisten Defekte tragen, während First-Party-Produkte aus dem eigenen Studio hoch punkten. Das sagt Ihnen genau, wo Sie investieren sollten: Regeln fürs Vendor-Onboarding, nicht mehr internes Personal.

Qualität mit Ergebnissen verbinden

Um Budget für Datenqualitätsarbeit zu bekommen, verbinden Sie Metriken mit Geld, und zwar über Daten, nicht über Vermutungen.

Discovery-Lift. Fahren Sie einen Before/After-Test. Nehmen Sie 200 Kleider, bei denen „Ärmellänge" fehlt, füllen Sie das Feld und messen Sie über vier Wochen ihre ImpressionsImpressionsDie Gesamtzahl der Ausspielungen einer Anzeige oder eines Inhalts, unabhängig von Klicks. Jede Ausspielung zählt als eine Impression, auch bei derselben Person.Vollständige Definition ansehen → in der gefilterten Suche gegen eine Kontrollgruppe. Produkte, die neu in Filtern erscheinen, sollten Impressions gewinnen. Das ist ein sauberer, messbarer Kausaltest.

Return-Reduktion. Tracken Sie die Return-Rate für SKUs vor und nach der Korrektur der Größentabelle. Wenn eine korrigierte Tabelle bei einem Jeans-Style die Fit-Return-Rate von 28 Prozent auf 22 Prozent senkt, sind diese sechs Punkte direkt zurechenbar und pro Einheit quantifizierbar.

Allocation-Genauigkeit. Vergleichen Sie nach der Deduplizierung den Forecast-Fehler (gemessen als MAPE, Mean Absolute Percentage Error, die durchschnittliche Größe der Forecast-Abweichungen) für zusammengeführte SKUs. Ein konsolidiertes Demand-Signal macht den Forecast typischerweise präziser.

Der Punkt: argumentieren Sie nie prinzipiell für Datenqualität. Instrumentieren Sie sie. Jede dieser Metriken hat einen messbaren Downstream-Effekt, den Sie testen können.

Eine einfache Kadenz

• Täglich: Validierungsregeln blocken unvollständige Records beim PIM-Ingestion.
• Wöchentlich: die Vier-Metriken-Scorecard laufen lassen, geschnitten nach Kategorie und Quelle.
• Monatlich: den Check auf nicht-monotone Größentabellen und einen vollen Duplikat-Scan über den gesamten Katalog laufen lassen.
• Quartalsweise: einen Before/After-Test zu Discovery oder Returns fahren, um die Geldstory frisch zu halten.

Key Takeaways

• Vier Metriken decken das meiste Katalogrisiko ab: Attribut-Vollständigkeit, Bild-Coverage, Genauigkeit der Größentabellen und Duplikat-SKU-Rate. Jede ist eine einfache Ratio aus einem Produktexport.
• Gewichten Sie Vollständigkeit nach dem, wonach Kunden filtern. Eine fehlende Farbe entfernt einen Artikel aus der Suche; ein fehlendes Pflegeetikett selten.
• Die Genauigkeit der Größentabellen ist am teuersten und wird am wenigsten gemessen. Fit-getriebene Returns (ein großer Teil der häufig genannten 20 bis 30 Prozent Return-Rate bei Online-Apparel) gehen direkt auf falsche oder falsch verknüpfte Tabellen zurück.
• Beim Ingestion verhindern, nicht nach dem Publish. Setzen Sie erforderliche Attribute und Bildstandards als PIM-Validierungsregeln durch; schneiden Sie Defekte nach Quelle, da Marketplace-Feeds meist die meisten tragen.
• Verbinden Sie Qualität immer mit einem gemessenen Ergebnis: Discovery-Impressions, Return-Rates oder Forecast-Fehler. Instrumentieren Sie den Effekt, behaupten Sie ihn nicht.