Datenqualitätskennzahlen für Produkt- und Materialstammdaten

# Datenqualitätskennzahlen für Produkt- und Materialstammdaten

Eine Merchandiserin für Lederwaren in einer europäischen Maison zieht die SKU-Liste (Stock Keeping Unit, ein eindeutiger Code für jede Produktvariante) für eine besonders gut laufende Tote-Bag und findet drei verschiedene Farbcodes für dasselbe „Nero"-Schwarz, zwei widersprüchliche Felder zur Lederart und Materialkosten, die seit vierzehn Monaten nicht aktualisiert wurden. Das E-Commerce-Team, das mit einem anderen Extrakt arbeitet, führt die Tasche in einer Farbstellung, die die Produktion letzte Saison eingestellt hat. Niemand hat gelogen. Die Daten sind einfach still vor sich hin verrottet.

Das ist der Normalzustand von Produktstammdaten im Luxussegment. Kleine Losgrößen, häufige Limited Editions, mehrere ERP-Migrationen (Enterprise Resource Planning, das Kernsystem für Bestand, Produktion und Aufträge) nach Übernahmen und handeingegebene Attribute in den Ateliers ergeben zusammen Kataloge, die in der Präsentation sauber aussehen und auf SKU-Ebene auseinanderfallen.

Warum Produkt- und Materialstammdaten im Luxussegment besonders fragil sind

Massenmarkt-Händler haben es mit Zehntausenden SKUs aus einer Handvoll Fabriken zu tun. Ein Luxushaus kann pro Saison Tausende SKUs führen, viele davon in Auflagen unter 500 Einheiten, bezogen von Dutzenden Gerbereien und Ateliers, jedes mit eigenen Namenskonventionen.

Stammdaten meint hier die zentralen Referenzdatensätze, von denen andere Systeme abhängen: Produkt-ID, Materialzusammensetzung, Farbstellung, Größenlauf, Lieferantencode, HS-Code (Harmonized System Code, die internationale Zollklassifikation für den grenzüberschreitenden Versand) und Preis. Wenn diese Datensätze zwischen PLM (Product Lifecycle Management, das System, das ein Produkt von der Gestaltung bis zur Einstellung verfolgt), ERP und E-Commerce-Plattformen auseinanderlaufen, bricht alles Nachgelagerte: Größentabellen, Zollanmeldungen, Nachhaltigkeitsangaben und Personalisierungsalgorithmen.

Materialstammdaten sind der schärfere Schmerzpunkt. Eine einzelne Handtasche kann Kalbsleder, Messingbeschläge und Baumwollfutter referenzieren, jedes mit eigenem Rückverfolgbarkeitsdatensatz für Regulierungen wie den kommenden Digitalen Produktpass der EU (ein verpflichtender digitaler Nachweis über Materialien und Herkunft eines Produkts, ab 2027 schrittweise eingeführt unter der EU-Ökodesign-Verordnung für nachhaltige Produkte, ESPR). Ist der Materialcode falsch, ist auch das Compliance-Dokument falsch.

Die zentralen Datensätze, die man kennen muss

• PLM-Datensätze: Designspezifikationen, Stückliste, saisonale Farbstellungen, Musterfreigaben.
• ERP-/Bestandsdaten: Lagerbestände, Lagerorte, SKU-Status (aktiv, eingestellt, archiviert).
• Lieferanten- und Materialstammdateien: Gerbereicodes, Materialzusammensetzung, Zertifizierungen (z. B. Leather Working Group Ratings).
• E-Commerce-Produktkatalog: kundenseitige Beschreibungen, Bilder, Größenhilfen, marktspezifische Preise.
• Zoll- und Handelsdaten: HS-Codes, Ursprungsland, genutzt für grenzüberschreitende Compliance.

Jeder dieser Bereiche gehört typischerweise einem anderen Team, wird in einem anderen Rhythmus aktualisiert und (wenn überhaupt) manuell abgeglichen. Das ist die Ursache der meisten Datenqualitätsprobleme in der Branche.

Die drei wichtigsten Kennzahlen

Vollständigkeit

Vollständigkeit misst den Anteil der Pflichtfelder, die tatsächlich befüllt sind. Für eine Lederwaren-SKU 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 →önnte ein minimaler Pflichtfeldsatz so aussehen: Produkt-ID, Materialzusammensetzung, Farbcode, Größe, Gewicht, HS-Code und Lieferanten-ID.

Rechenbeispiel: Angenommen, ein Katalog hat 4.000 aktive SKUs, und jede erfordert 8 Pflichtfelder (32.000 Feldinstanzen insgesamt). Ein Audit findet 2.240 Felder leer oder mit Platzhaltertext wie „TBD" befüllt.

Vollständigkeitsquote = (32.000, 2.240) / 32.000 = 0,93, also 93 %.

Eine im Benchmarking von Datenqualität im Handel häufig zitierte Einschätzung (siehe DAMA International's Data Management Body of Knowledge für den allgemeinen Rahmen) wertet alles unter 95 % Vollständigkeit bei Pflichtfeldern als Governance-Warnsignal, das behoben werden muss, bevor die Daten in kundenseitige oder Compliance-Systeme fließen.

Konsistenz

Konsistenz misst, ob dieselbe reale Entität in allen Systemen gleich beschrieben wird. Die „Nero"-schwarze Tote mit drei Farbcodes ist ein Konsistenzfehler, kein Vollständigkeitsfehler: Jedes Feld ist befüllt, nur widersprüchlich.

Eine einfache Konsistenzprüfung: Nehmen Sie eine Stichprobe von SKUs, die sowohl im PLM als auch im E-Commerce existieren, und berechnen Sie den Prozentsatz, bei dem die Schlüsselattribute (Material, Farbe, Größe) exakt übereinstimmen.

Konsistenzquote = (SKUs mit übereinstimmenden Attributen über Systeme hinweg) / (Gesamtzahl der Stichproben-SKUs)

Werden 500 SKUs geprüft und 460 stimmen sauber überein, liegt die Konsistenz bei 92 %. Luxushäuser, die nach Fusionen mehrere Legacy-ERPs betreiben, sehen diesen Wert oft auf 70 bis 85 % fallen (Schätzung, basierend auf typischen Integrationsmustern nach Fusionen), und genau deshalb budgetieren Integrationsprojekte massiv für Data Cleansing, nicht nur für Softwarelizenzen.

Aktualität (Freshness)

Freshness misst, wie aktuell ein Datensatz im Verhältnis dazu ist, wann 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 → hätte aktualisiert werden müssen. Eine eingestellte Farbstellung, die online noch als „auf Lager" geführt wird, ist ein Freshness-Fehler.

Eine praktikable Kennzahl: das Durchschnittsalter „veralteter" Datensätze, definiert als Datensätze, die seit einem auslösenden Ereignis (Saisonende, Preisänderung, Einstellung), das sie hätte aktualisieren müssen, nicht angefasst wurden.

Wird die Einstellung im PLM an Tag 0 markiert, der E-Commerce-Katalog aber nur wöchentlich synchronisiert, 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 →önnte ein akzeptables Freshness-SLA (Service Level Agreement, ein definiertes Leistungsziel) „unter 7 Tagen Verzug" lauten. Alles darüber hinaus birgt auf kundenseitigen Kanälen das Risiko, Produkte zu verkaufen, die es nicht mehr gibt, ein direkter Treiber von Retouren und Kundenbeschwerden.

Aus Kennzahlen eine Scorecard machen

Ein einfaches Governance-Dashboard kombiniert die drei zu einem zusammengesetzten Data QualityData QualityThe degree to which data is fit for purpose: accurate, complete, consistent, timely, valid and unique. Poor quality data undermines analytics, reporting and AI.Vollständige Definition ansehen → Index (DQI), oft gewichtet nach Geschäftsauswirkung:

DQI = (0.4 × Completeness) + (0.35 × Consistency) + (0.25 × Freshness)

Die Gewichte sind eine Ermessensentscheidung, kein universeller Standard, kalibriert danach, was dem Geschäft am meisten schadet. Ein Haus, das stark über den eigenen E-Commerce verkauft, gewichtet Freshness eventuell höher; ein Haus mit Fokus auf Wholesale und Zoll-Compliance gewichtet eher die Vollständigkeit von HS-Codes und Materialzusammensetzung höher.

Mit illustrativen Zahlen (93 % Vollständigkeit, 92 % Konsistenz, 88 % Freshness):

DQI = (0,4 × 93) + (0,35 × 92) + (0,25 × 88) = 37,2 + 32,2 + 22 = 91,4

Diese eine Zahl wird über die Zeit, pro Produktlinie und pro Datenquelle nachverfolgbar und gibt Merchandising und IT ein gemeinsames Ziel statt getrennter Anekdoten.

Governance: wem die Behebung gehört

Kennzahlen ohne Verantwortlichkeit verfallen innerhalb einer Saison wieder. Gute Praxis, abgeleitet aus allgemeinen Data-Governance-Frameworks wie DAMA-DMBOK, weist zu:

• Data Stewards je Domäne (einer für Produkt, einer für Material, einer für Lieferantendaten), verantwortlich dafür, „korrekte" Werte zu definieren und Konflikte zu klären.
• Eine Single Source of Truth je Attributtyp, üblicherweise PLM für Designattribute und ERP für Bestand und Logistik, mit E-Commerce als nachgelagertem Konsumenten, nie als Ursprung.
• Change-Trigger: Jede Einstellung einer Farbstellung, jede Preisänderung oder Materialsubstitution muss ein Update-Event an alle nachgelagerten Systeme auslösen, statt auf den nächsten manuellen Export zu warten.

Das ist weniger ein Technologieproblem als ein Accountability-Problem. Die Tools (Datenkataloge, Master-Data-Management-Plattformen von Anbietern wie Informatica oder Reltio) zählen weniger als die Frage, ob tatsächlich jemand verantwortlich ist, wenn das Nero-Schwarz nächste Saison einen vierten neuen Code bekommt.

🎬 [VIDEO: „What is 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 →?" - youtube.com - eine kompakte, herstellerneutrale Erklärung zu 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 →-Konzepten, direkt anwendbar auf Produkt- und Materialkataloge]

Benchmarks realistisch setzen

Es gibt keinen universellen veröffentlichten „Durchschnitt des Luxussektors" für diese Kennzahlen; Häuser legen sie nicht offen, und kein Regulierer schreibt eine Berichterstattung vor. Behandeln Sie jede Zahl, die Sie hören, als interne Schätzung, und benchmarken Sie stattdessen sich selbst:

• Quartalstrend Ihres eigenen DQI, nach Produktkategorie.
• Prozentsatz der SKUs, die einen Mindestschwellenwert reißen (z. B. unter 90 % Vollständigkeit), verfolgt als Zahl, die Sie auf null drücken wollen.
• Time-to-Correction: wie lange es von der Fehlererkennung bis zur Behebung dauert, ein Indikator dafür, ob die Governance-Prozesse tatsächlich funktionieren.

Key Takeaways

• Produkt- und Materialstammdaten im Luxussegment sind über PLM, ERP, Lieferantendateien und E-Commerce-Kataloge verstreut, jeweils mit anderen Verantwortlichen und Aktualisierungsrhythmen, wodurch Abweichung der Normalzustand ist, nicht die Ausnahme.
• Verfolgen Sie drei Kernkennzahlen: Vollständigkeit (sind Pflichtfelder befüllt), Konsistenz (sieht dieselbe SKU in allen Systemen gleich aus) und Freshness (ist der Datensatz aktuell im Verhältnis zu realen Änderungen).
• Ein gewichteter Data QualityData QualityThe degree to which data is fit for purpose: accurate, complete, consistent, timely, valid and unique. Poor quality data undermines analytics, reporting and AI.Vollständige Definition ansehen → Index, der diese drei zu einer Zahl zusammenführt, gibt Merchandising, IT und Compliance ein gemeinsames, nachverfolgbares Ziel.
• Governance, nicht Tooling, ist die eigentliche Lösung: Data Stewards benennen, pro Attribut eine Single Source of Truth festlegen und automatische Update-Trigger bei Ereignissen wie Einstellung oder Preisänderung erzwingen.
• Benchmarken Sie gegen Ihren eigenen historischen Trend und die Fehlerzahlen auf SKU-Ebene, da kein verifizierter öffentlicher Branchenbenchmark für diese Kennzahlen existiert.