Datenqualität bewerten: Completeness, Accuracy und Timeliness in FMCG-Feeds

# Datenqualität bewerten: Completeness, Accuracy und Timeliness in FMCG-Feeds

Eine National Account Managerin einer mittelgroßen Snack-Marke öffnet montagmorgens das Point-of-Sale-Dashboard (POS) ihres Händlers und sieht für ein Top-SKU (Stock Keeping Unit, eindeutige Kennung für Produkt und Verpackung) über das Wochenende null verkaufte Einheiten in 40 Stores. Das Produkt steht im Regal. Kunden kaufen es. Die Scan-Daten sind einfach nie angekommen. Das ist ein „late scan-out“, einer von drei Datenfehlern, die FMCG-Unternehmen (Fast Moving Consumer Goods, auch CPG oder Consumer Packaged Goods) jedes Jahr still und leise Millionen kosten: durch Phantom-Stockouts, falsche Nachbestellungen und fehlgezündete Trade Promotions.

Diese Lektion baut die Scorecard auf, mit der Datenteams solche Fehler erkennen, bevor sie einen Forecast ruinieren.

Die relevanten Daten: zentrale FMCG-Feeds

Drei Feed-Familien dominieren die FMCG-Datenarbeit:

1. Point-of-Sale-(POS-)/Scan-Daten. Händlerkassen erfassen Absatzeinheiten, Preis und Zeitstempel je UPC (Universal Product Code, die Barcode-Nummer, die ein bestimmtes Produkt und eine Packungsgröße identifiziert). Aggregatoren wie NIELSENIQ und Circana (früher IRI) fassen das händlerübergreifend in syndizierten Panels zusammen.

2. Bestandsfeeds von Händlern/Distributoren. Bestände je Store oder Lager, meist per EDI (Electronic Data Interchange, ein standardisiertes Format für B2B-Transaktionen) über Formate wie EDI 852 (Product Activity Data) oder EDI 846 (Inventory Inquiry/Advice).

3. Lieferungs- und Auftragsdaten. EDI 850 (Purchase Order), 856 (Advance Ship Notice) und 810 (Invoice), die einem Hersteller sagen, was bestellt, geliefert und fakturiert wurde.

Eine vierte, wachsende Kategorie: Loyalty- und E-Commerce-Clickstream-Daten aus Retail-Media-Netzwerken (Walmart Connect, Kroger Precision Marketing, Tesco Clubcard-Daten über Dunnhumby), die Kauf mit Shopper-Identität und Browsing-Verhalten verknüpfen.

Jeder Feed hat einen eigenen Failure Mode. POS-Feeds werden stale oder verlieren Stores. Bestandsfeeds weichen von der physischen Realität ab („Phantom Inventory“: das System sagt 12 Einheiten im Regal, gezählt werden null). Lieferdaten passen nicht zusammen, wenn ein UPC nach einer Änderung der Packungsgröße neu zugeordnet wird und der alte Code in einem System weiterlebt.

Warum das kommerziell zählt

Phantom Inventory löst eine spezifische, teure Schleife aus: Das System glaubt, Ware sei vorhanden, also wird keine Nachbestellung ausgelöst, das Regal bleibt leer, der Verkauf ist verloren. Forschung zu Out-of-Stocks (ein langer Strang von Studien aus der Gruen-Ära bis zu neueren Retail Analytics) schätzt die Out-of-Stock-Quoten im Handel wiederholt auf rund 5 bis 8 % der SKUs an einem beliebigen Tag, als Branchen-Benchmark-Schätzung; Phantom Inventory gilt als anerkannter Treiber, wobei der genaue Anteil von Datenfehlern gegenüber Regalausführung je Kategorie variiert und branchenweit nicht präzise quantifiziert ist.

Die Drei-Säulen-Qualitäts-Scorecard

FMCG-Datenteams bewerten eingehende Feeds auf drei Dimensionen. Jede erhält einen Schwellenwert; wird ererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → verletzt, wird der Feed markiert, bevor ererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → ein Forecast- oder Replenishment-System berührt.

Completeness

Anteil der erwarteten Datensätze, die tatsächlich eingegangen sind.

Formel: Completeness % = (erhaltene Datensätze / erwartete Datensätze) × 100

Rechenbeispiel: Ein Distributor soll täglich Bestände für 850 Stores melden. Die heutige Datei enthält 803 Stores.

803 / 850 = 0,9447 → 94,5 % Completeness.

Typischer Schwellenwert (Schätzung nach Branchenpraxis): Alles unter 98 % Completeness bei POS-Feeds, die im Demand Forecasting genutzt werden, wird markiert; unter 95 % bei sekundären Bestandsfeeds ist ein Hard Stop, der Auto-Replenishment-Trigger blockiert. Diese Schwellen variieren je Unternehmen und sind keine allgemeine Vorschrift, sondern operative Normen, die jedes Data-Governance-Team selbst setzt.

Accuracy

Ob die Werte der Ground Truth entsprechen. In FMCG heißt das meist:

• UPC Match Rate: Anteil der gescannten UPCs, die korrekt auf den Master-Produktkatalog des Herstellers abgebildet werden (GS1s GDSN, das Global Data Synchronization Network, ist das Rückgrat der Branche für dieses Mapping).
• Bestandsabweichung: Differenz zwischen den im System gemeldeten Beständen und der physischen Cycle Count.

Rechenbeispiel: Die Cycle Count findet 40 Einheiten im Regal; der Bestandsfeed sagt 58.

Abweichung = |58 − 40| / 40 = 45 % Überbewertung. Das ist Phantom Inventory, und zwar gravierend.

Typischer Schwellenwert: Eine UPC Match Rate unter 99 % gilt üblicherweise als rote Flagge, die eine Katalogabstimmung erfordert. Die Toleranz für Bestandsabweichungen ist bei High-Velocity-SKUs enger (oft unter 5 %) und bei Slow Movern weiter.

Timeliness

Wie schnell Daten relativ zum Zeitpunkt des Ereignisses ankommen.

Gängige Benchmarks (Schätzungen, je Händlervereinbarung unterschiedlich):

• POS-Scan-Daten: erwartet innerhalb von 24 bis 48 Stunden nach dem Verkauf (T+1 oder T+2).
• EDI-852-Bestandsfeeds: täglich, oft als Overnight Batch.
• EDI-856-Advance-Ship-Notices: innerhalb von Stunden nach Abgang der Lieferung.

Rechenbeispiel: Die Scan-out-Daten eines Händlers für den Samstagsumsatz kommen am Mittwoch statt am Montag. Das sind 2 Tage Verzug gegen einen T+2-Standard, ein klarer SLA-Bruch (Service Level Agreement), der die Daten dieses Stores aus dem aktuellen Forecast-Lauf ausschließen sollte, statt das Modell unbemerkt zu verzerren.

Eine einfache Flagging-Regel in der Praxis

Hier ein minimales Pseudocode-Muster, mit dem Datenteams einen Feed automatisch markieren, bevor ererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → in ein Demand-Planning-Modell einfließt:

for each store_feed in daily_batch:
    completeness = records_received / records_expected
    variance = abs(system_qty - cycle_count_qty) / cycle_count_qty
    lag_days = today - feed_event_date

    if completeness < 0.98:
        flag("INCOMPLETE", store_feed)
    if variance > 0.05 and sku_velocity == "high":
        flag("PHANTOM_INVENTORY_RISK", store_feed)
    if lag_days > 2:
        flag("STALE_FEED", store_feed)

    if any_flag:
        exclude_from_forecast(store_feed)
        route_to_data_steward(store_feed)

Das ist absichtlich einfach gehalten. Echte Produktivsysteme (oft auf Plattformen wie Snowflake, Databricks oder händlerspezifischer EDI-Middleware) ergänzen Gewichtungen, Store-Historien und statistische Outlier Detection, aber der Logikbaum ist derselbe: messen, Schwellenwert prüfen, quarantänisieren, eskalieren.

Governance: wer die Behebung verantwortet

Scoring ist ohne Eskalationspfad nutzlos. Die meisten reifen FMCG-Datenorganisationen betreiben ein Data Governance Council (cross-funktional, meist Sales Operations, IT und Category Management), das:

1. die Stammdaten (Produktkatalog, UPC-Zuordnungen) im Einklang mit GS1-Standards verantwortet.

2. wöchentliche Qualitäts-Scorecards je Händler-/Distributor-Partner reviewt.

3. chronische Fälle (ein Händler dauerhaft unter 95 % Completeness) an das kommerzielle Team eskaliert, für ein Gespräch über Datenqualität, denn das ist eine Frage der Handelspartnerbeziehung, nicht nur ein IT-Ticket.

Die Datenqualitäts-Leitlinien von GS1 und die Voluntary Interindustry Commerce Solutions Association (VICS, heute überwiegend in GS1-US-Initiativen aufgegangen) haben historisch gemeinsame Standards für EDI-Transaktionssätze geliefert, die händlerübergreifende Scorecards überhaupt vergleichbar machen. Ohne gemeinsamen Standard müsste ein „vollständiger“ Feed von Händler A und Händler B strukturell nicht einmal dasselbe bedeuten.

Benchmarking Ihrer Scorecard

Es gibt keinen globalen Regulator, der FMCG-Datenqualitätsschwellen setzt (anders als etwa bei der Finanzberichterstattung nach IFRS oder GAAP). Benchmarks kommen aus:

• Handelspartnervereinbarungen: SLAs, direkt zwischen Hersteller und Händler/Distributor verhandelt.
• Branchen-Syndikatoren: NielsenIQ und Circana veröffentlichen Methodenhinweise zu Panel-Completeness und Projektionsgenauigkeit, nützlich als externe Referenzpunkte.
• GS1-Standards: für Stammdatenstruktur und UPC-Integrität, nicht für statistische Schwellenwerte.

Ein praktischer Startpunkt für eine neue Scorecard in 2026: Completeness ≥ 98 %, UPC Match Rate ≥ 99 %, Timeliness innerhalb T+2, Bestandsabweichung ≤ 5 % für die SKUs mit höchster Velocity. Behandeln Sie das als vernünftige Defaults aus der Branchenpraxis, gegen die Sie anhand Ihrer eigenen historischen Daten kalibrieren, nicht als feste externe Vorgaben.

🎬 [VIDEO: „How Retailers and Suppliers Share Data (EDI Explained)“ - youtube.com - ein Durchgang durch die EDI-Transaktionstypen (850, 856, 810, 852), die den meisten FMCG-Datenfeeds zugrunde liegen]

Key Takeaways

• FMCG-Datenqualität ruht auf drei Feed-Familien: POS-/Scan-Daten, Bestandsfeeds (EDI 852/846) und Lieferungs-/Auftragsdaten (EDI 850/856/810). Jede scheitert anders.
• Bewerten Sie jeden Feed auf Completeness (erhaltene vs. erwartete Datensätze), Accuracy (UPC Match Rate, Bestandsabweichung gegen Cycle Count) und Timeliness (Verzug gegen T+1/T+2-SLA).
• Phantom Inventory (System sagt Ware vorhanden, das Regal sagt etwas anderes) ist eine Hauptursache für falsche „keine Nachbestellung nötig“-Signale; eine Abweichungsschwelle um 5 % für High-Velocity-SKUs ist eine gängige Schätzung aus der Branchenpraxis, um das zu markieren.
• Schwellenwerte sind operative Normen, gesetzt von Handelspartnern und internen Governance-Gremien, keine staatliche Regulierung; GS1s GDSN-Standard kommt einem gemeinsamen Branchenrückgrat für Stammdaten am nächsten.
• Flag-and-Quarantine-Logik (schlechte Feeds aus Forecasts ausschließen, an einen Data StewardData StewardA business-side owner responsible for the quality, consistency and appropriate use of data in their domain.Vollständige Definition ansehen → routen) ist wertvoller als der Versuch, schlechte Daten still im Modell zu „reparieren“.