Stammdaten und Produkthierarchien als Rückgrat des FMCG-Reportings

# Stammdaten und Produkthierarchien als Rückgrat des FMCG-Reportings

Eine Kundin kauft in einem Walmart in Ohio ein 12er-Pack CocaCocaCustomer Acquisition Cost: total sales and marketing spend divided by the number of new customers acquired over the same period.Vollständige Definition ansehen →-Cola. Dieselbe Marke, dieselbe Packungsgröße, verkauft sich auch in einem Tesco in Manchester. Ziehen Sie den Report „CocaCocaCustomer Acquisition Cost: total sales and marketing spend divided by the number of new customers acquired over the same period.Vollständige Definition ansehen →-Cola-Absatz“ aus dem System jedes Händlers, erhalten Sie zwei Zahlen, die sich ohne ernsthafte Detektivarbeit nicht abstimmen lassen. Unterschiedliche Produktcodes, unterschiedliche Kategoriebäume, unterschiedliche Mengeneinheiten. Das ist kein Fehler. Es ist der Normalzustand von FMCG-Stammdaten (fast-moving consumer goods, auch CPG, consumer packaged goods). Zu verstehen, warum das so ist, macht den Unterschied zwischen einem Reporting-Analysten, der einem Dashboard vertraut, und einem, der erklären kann, warum es falsch ist.

Warum Stammdaten das Rückgrat sind

Stammdaten sind die Referenzinformationen, die relativ stabil bleiben, während die Transaktionen um sie herum fließen: Produktidentifikatoren, Beschreibungen, Hierarchien, Packungsgrößen, Lieferantencodes, Filialstandorte. Im FMCG ist der Produktstamm der folgenreichste Datensatz überhaupt, weil fast jede nachgelagerte Kennzahl (Absatz, Share, Distribution, Forecast-Genauigkeit) nach Produkthierarchie geschnitten wird.

Ist der Produktstamm fehlerhaft, erbt jeder darauf aufgebaute Report den Fehler. Deshalb behandeln Data-Governance-Teams in Unternehmen wie Unilever, Nestlé oder PepsiCo Master Data ManagementMaster Data ManagementMaster Data Management (MDM) is the discipline of creating and maintaining a single, consistent, trusted version of an organization's core business entities like customers, products, and suppliers.Vollständige Definition ansehen → (MDMMDMMaster Data Management (MDM) is the discipline of creating and maintaining a single, consistent, trusted version of an organization's core business entities like customers, products, and suppliers.Vollständige Definition ansehen →) als Kontrollfunktion und nicht als IT-Pflichtübung.

Der zentrale Identifikator: GTIN und GS1

Die GTIN (Global Trade Item Number) ist der Identifikator auf Barcode-Ebene für ein bestimmtes Produkt in einer bestimmten Packungskonfiguration. Sie wird nach den Standards von GS1 vergeben, der globalen Non-Profit-Standardisierungsorganisation (gs1.org), die auch die am Point of Sale verwendeten EAN- und UPC-Barcodes verantwortet.

Die wichtigsten Mechanismen:

• Eine GTIN wird pro Handelseinheit vergeben, also pro eindeutiger Kombination aus Marke, Variante, Packungsgröße und Verpackung. Ändern Sie die Packungsgröße von 500 ml auf 750 ml, brauchen Sie eine neue GTIN.
• GTINs existieren in einer Hierarchie: Jede Verkaufseinheit (die einzelne Flasche) hat ihre eigene GTIN, und der Karton oder die Palette, in dem sie versandt wird, hat eine separate GTIN auf höherer Ebene. Händler scannen an der Kasse die GTIN der Verkaufseinheit, Distributionszentren die GTIN auf Kartonebene.
• GS1 empfiehlt (und viele Händler verlangen) eine neue GTIN, sobald es eine wesentliche Änderung am Produkt gibt, entsprechend den GS1 General Specifications, dem technischen Regelwerk zur Vergabe.

Genau hier bricht das Reporting. Eine Promotion mit „Packungsgrößenänderung“ (etwa temporär +20 % gratis) ist technisch ein neues Produkt mit neuer GTIN. Wenn das System eines Händlers diese temporäre GTIN auf eine separate SKU-Zeile (stock keeping unit) mappt, statt sie in die Historie des Basisprodukts einzurollen, sieht der Absatz auf Markenebene wie ein Einbruch aus, obwohl sich für den Shopper nichts geändert hat.

SKU-Attributbäume: wo die Märkte auseinanderlaufen

Eine SKU ist die vom Händler oder Hersteller definierte Bestandseinheit, aufgebaut auf der GTIN, aber umhüllt von lokalen Attributen: Kategoriecode, Unterkategorie, Segment, Preisstufe, Private-Label-Flag, Promotionsstatus.

Das Problem: Es gibt keine einzige globale Masterhierarchie, die jeder Händler verwendet. Jeder Lebensmittelhändler pflegt seine eigene Category-Management-Struktur, oft fünf bis sieben Ebenen tief, zum Beispiel:

Department > Category > Subcategory > Segment > Brand > Sub-brand > SKU
Food > Beverages > Carbonated Soft Drinks > Cola > Coca-Cola > Coca-Cola Zero > 12x330ml can

Die Struktur von Walmart, die von Tesco und die von Carrefour unterscheiden sich in Benennung, Tiefe und Gruppierungslogik. CocaCocaCustomer Acquisition Cost: total sales and marketing spend divided by the number of new customers acquired over the same period.Vollständige Definition ansehen →-Cola Zero kann im Baum eines Händlers unter „Diet/Zero Sugar“ hängen und bei einem anderen unter „Cola“ mit einem Sub-Flag. Rollen Sie „Absatz der Kategorie Cola“ über beide auf, erhalten Sie unterschiedliche Summen, je nachdem, welche Hierarchie die Aggregation vorgenommen hat.

Hersteller managen das über ihre eigene interne Produkthierarchie (häufig in einer MDMMDMMaster Data Management (MDM) is the discipline of creating and maintaining a single, consistent, trusted version of an organization's core business entities like customers, products, and suppliers.Vollständige Definition ansehen →-Plattform wie SAP Master Data GovernanceData GovernanceData governance is the set of policies, roles, and processes that ensure data is accurate, secure, well-defined, and used responsibly across an organization.Vollständige Definition ansehen → oder Informatica aufgebaut) und cross-mappen sie dann auf die Taxonomie jedes Händlers, ein manueller, fehleranfälliger Prozess, der meist bei einem Category- oder Trade-Insights-Team liegt.

Globale Klassifikationsstandards, die teilweise helfen

Zwei Standards versuchen, gemeinsame Grundlagen zu schaffen:

• GPC (Global Product Classification), gepflegt von GS1, bietet eine gemeinsame Kategoriestruktur auf Brick-Ebene. Die Adoption ist uneinheitlich, Händler legen ihre eigene Logik darüber.
• GDSN (Global Data Synchronisation Network) erlaubt Herstellern, standardisierte Produktattribute (MaMaUsing software to automate repetitive marketing tasks and campaigns, enabling personalisation at scale across channels like email, web, and social.Vollständige Definition ansehen →ße, Inhaltsstoffe, Allergene) einmal zu veröffentlichen, damit Händler sie abrufen kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen, was manuelle Eingabefehler reduziert.

Keiner der beiden Standards beseitigt das Problem der Kategoriehierarchie, denn die Händler kontrollieren weiterhin, wie sie Produkte für ihr eigenes Merchandising und Reporting gruppieren.

Wo das in Ihrem Reporting-Stack auftaucht

Wenn Sie Daten von Nielsen IQ oder Circana (früher IRI) ziehen, zwei großen Anbietern von FMCG-Marktmessung, wenden diese händlerübergreifend ihre eigenen harmonisierten Kategoriedefinitionen an, genau um dieses Problem zu lösen, das ist ihr zentrales kommerzielles Wertversprechen. Wenn Sie Daten direkt aus dem Point-of-Sale-Extrakt eines Händlers oder aus einem EDI-Feed (Electronic Data Interchange) ziehen, bekommen Sie dessen native Hierarchie, unharmonisiert.

Das erklärt eine gängige Diskrepanz aus der Praxis: Ein Brand Manager sieht „Category Share“-Zahlen von Nielsen, die nicht zu den Zahlen im Händlerportal für dieselbe Woche und dasselbe Store-Set passen. Beide kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen korrekt sein. Sie messen unterschiedliche Hierarchiedefinitionen.

Ein durchgerechnetes Beispiel: zwei GTIN-zu-SKU-Mappings abstimmen

Angenommen, Brand X verkauft ein Produkt mit:

• Interner SKU-Code des Herstellers: MFG-00456
• GTIN: 07613xxxxxxxx (14 Stellen, GS1-Standard)
• Interner SKU-Code von Händler A: A-88213
• Interner SKU-Code von Händler B: B-5567-CS

Wenn Ihre Cross-Reference-Tabelle MFG-00456 nur auf Händler A mappt, wird jede Absatzdatei von Händler B mit B-5567-CS nicht joinen. Das Produkt fällt stillschweigend aus dem Beitrag von Händler B zur Summe auf Markenebene heraus.

Eine einfache Governance-Prüfung: Anzahl der GTINs ohne gemappte Händler-SKU, monatlich verfolgt. Steigt diese Zahl, verliert Ihr konsolidierter Absatzreport unbemerkt Volumen. Diese einzelne Kennzahl, manchmal mapping completeness rate genannt, ist ein Frühindikator für Reporting-Qualität, den die meisten FMCG-Datenteams beobachten sollten, aber nur wenige systematisch tun.

Mapping completeness rate = (GTINs mit ≥1 aktivem Händler-SKU-Mapping / Gesamtzahl aktiver GTINs) x 100

Fällt diese Rate im Monatsvergleich schätzungsweise von rund 98 % auf 90 % (illustrative Zahlen für die Übung, kein Benchmark zur externen Zitierung), sind das grob 8 % Ihres aktiven Produktsortiments, die im konsolidierten Reporting unsichtbar zu werden drohen, was man klären sollte, bevor es in einem Board-Deck landet.

Datenqualitätskennzahlen für den Produktstamm

Eine ausgereifte FMCG-Data-Governance-Funktion verfolgt eine kleine Menge wiederkehrender Kennzahlen, die meist monatlich von Kategorie- oder Stammdatenverantwortlichen überprüft werden:

• Completeness: Anteil der gefüllten Pflichtattribute (Packungsgröße, Nettogewicht, GTIN, Launch-Datum). Die GDSN-Validierungsregeln von GS1 liefern eine Basis dafür, was als Pflichtfeld gilt.
• Duplication rate: Anzahl der GTINs, die auf funktional dasselbe Produkt verweisen, oft entstanden, weil regionale Teams unabhängig voneinander nahezu identische SKUs registrieren.
• Attributkonsistenz: ob dieselbe GTIN systemübergreifend (ERP, Händlerportal, GDSN-Pool) identisches Gewicht, identische MaMaUsing software to automate repetitive marketing tasks and campaigns, enabling personalisation at scale across channels like email, web, and social.Vollständige Definition ansehen →ße oder Allergen-Flags meldet. Abweichungen hier kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen reale Supply-Chain-Probleme auslösen, falsche Kartonzahlen auf Paletten, nicht nur Rauschen im Reporting.
• Abdeckung des Hierarchie-Mappings: die oben beschriebene Completeness-Kennzahl für GTIN zu Händler-SKU.
• Time to onboard a new SKU: wie viele Tage von der GTIN-Anlage bis zur vollständigen Aktivierung in allen Händlersystemen vergehen, ein MaMaUsing software to automate repetitive marketing tasks and campaigns, enabling personalisation at scale across channels like email, web, and social.Vollständige Definition ansehen →ß für Governance-Effizienz, das viele Hersteller je nach Komplexität des Händlers auf zwei bis sechs Wochen schätzen.

Praktische Diagnose-Checkliste

Wenn zwei Systeme beim Absatz „derselben“ Marke nicht übereinstimmen, arbeiten Sie diese Reihenfolge ab:

1. Zuerst den Match auf GTIN-Ebene prüfen, nicht den Match über Beschreibungen. Beschreibungen variieren je nach Locale und Abkürzungsstil.

2. Prüfen, ob GTIN-Varianten für Packungsgrößen oder Promotionspackungen ausgeschlossen oder doppelt gezählt werden.

3. Tiefe der Kategoriehierarchie und Knotennamen zwischen beiden Quellen vergleichen.

4. Datums- und Kalenderabgleich prüfen (Handelswochen versus Kalendermonate, eine häufige und eigenständige Ursache für Abweichungen).

5. Währung und Mengeneinheit verifizieren (Kartons versus Stück versus Einheiten).

Für eine tiefere Einführung in die hier erwähnten Identifikator-Standards ist die Erläuterung von GS1 eine solide kostenlose Quelle: GS1 GTIN basics.

🎬 [VIDEO: "What is GS1 and How Does it Work?" - youtube.com/@GS1 - eine kurze offizielle Erläuterung zu GTIN, Barcodes und dem GS1-Identifikatorsystem, das den FMCG-Produktstammdaten zugrunde liegt]

Key Takeaways

• Die GTIN, geregelt durch GS1-Standards, ist der atomare Produktidentifikator im FMCG, aber eine neue GTIN wird oft durch Packungs- oder Promotionsänderungen ausgelöst, was die Absatzhistorie fragmentiert, wenn man es nicht sorgfältig nachhält.
• Es gibt keine händlerübergreifend einheitliche Kategoriehierarchie. Jeder Lebensmittelhändler baut seine eigene Taxonomie, deshalb brauchen händlerübergreifende „Category Share“-Zahlen Harmonisierung (genau das verkaufen Anbieter wie Nielsen IQ und Circana).
• GDSN und GPC reduzieren manuelle Dateneingabe und bieten ein gemeinsames Klassifikationsgerüst, zwingen Händler aber nicht in identische Hierarchien.
• Verfolgen Sie mapping completeness rate, duplication rate und Attributkonsistenz monatlich. Das sind Frühindikatoren für Qualitätsprobleme im Reporting, nicht bloß IT-Hausarbeit.
• Wenn zwei Systeme nicht übereinstimmen, diagnostizieren Sie in dieser Reihenfolge: GTIN-Match, Pack-/Promo-Varianten, Hierarchiestruktur, Kalenderabgleich, Mengeneinheit. Die meisten Abweichungen klären sich an einem dieser fünf Checkpoints.