Datenqualität über Lieferanten- und Filial-Feeds hinweg bewerten

# Datenqualität über Lieferanten- und Filial-Feeds hinweg bewerten

Montagmorgen, 6:45 Uhr: Eine Category Managerin einer mittelgroßen Supermarktkette öffnet den wöchentlichen Nachschub-Report und sieht, dass 340 SKUs (Stock-Keeping Units, die eindeutigen Codes für jede Produktvariante) in 12 Filialen null Verkäufe zeigen. Die Filialen hatten keine schlechte Woche. Ihre Kassendaten (POS, Point of Sale) kamen vier Stunden zu spät, verpassten den nächtlichen Batch-Job und wurden still aus dem Report ausgeschlossen. Niemand hat es gemeldet. Das passiert fast jede Woche irgendwo im Netz und verfälscht unbemerkt Forecasts, Nachbestellungen und Lieferanten-Scorecards. Die Lösung sind nicht mehr Dashboards. Es ist eine Datenqualitäts-Scorecard, die das abfängt, bevor es bei Entscheidern landet.

Warum Retail-Daten so häufig brechen

Data Pipelines im Handel sind ungewöhnlich fragil, weil sie viele unabhängige, kaum governte Quellen zusammenführen:

• Filial-POS-Systeme: Verkäufe auf Transaktionsebene, oft auf Legacy-Hardware mit inkonsistenten Upload-Zeitplänen.
• Lieferanten-Feeds: Produktkataloge, Preise, Verfügbarkeiten, übermittelt per EDI (Electronic Data Interchange, ein standardisiertes Format für den Austausch von Geschäftsdokumenten wie Bestellungen und Rechnungen) oder zunehmend per APIAPIApplication Programming Interface: a standardised interface that lets applications communicate and exchange data without knowing each other's internal workings.Vollständige Definition ansehen →.
• Warehouse-Management-Systeme (WMS): Warenbewegungen, Wareneingang und Einlagerungsdaten.
• E-Commerce- und Marketplace-Feeds: Online-Bestellungen, Click-and-Collect, Retouren.
• Master Data: die „Source of Truth“ für SKU, UPC (Universal Product Code) und Preishierarchien.

Jede Quelle hat ihre eigene Update-Frequenz, ihr eigenes Format und ihren eigenen Owner. Ein Lieferant ändert vielleicht ohne Ankündigung einen UPC. Eine Filiale lädt Verkäufe um Mitternacht im Batch hoch statt stündlich. Nichts davon ist böswillig, aber es summiert sich zu einem Reporting, das präzise aussieht und still falsch ist.

Die vier Säulen einer Datenqualitäts-Scorecard

Eine praxistaugliche Scorecard bewertet jeden Feed (je Filiale, je Lieferant, je Datendomäne) auf vier Dimensionen. Jede sollte einen einfachen Prozentwert liefern, damit Scores über hunderte Filialen oder Lieferanten hinweg vergleichbar sind.

1. Vollständigkeit

Sind alle erwarteten Datensätze vorhanden?

Metrik: (empfangene Datensätze / erwartete Datensätze) × 100

Beispiel: Eine Kette erwartet nächtliche POS-Uploads von 500 Filialen. In einer bestimmten Nacht kommen 486 pünktlich an. Vollständigkeit = 486/500 = 97,2 %. Händler zielen für zentrale Verkaufs-Feeds üblicherweise auf 98 bis 99,5 % Vollständigkeit (Branchenschätzung, variiert je nach Größe der Kette und IT-Reife).

2. Genauigkeit

Entsprechen die Werte der Realität oder einer verlässlichen Referenz?

Metrik: (korrekte Datensätze / geprüfte Datensätze) × 100

Klassischer Genauigkeitsfehler: Ein Lieferanten-Feed listet eine SKU als „12er-Pack“, obwohl der physische Karton 24 Einheiten enthält. Das verdoppelt still den scheinbaren Bestand. Genauigkeit wird üblicherweise geprüft, indem Datensätze gegen eine physische Zählung, den Master-Katalog des Lieferanten oder GS1-Standards gesampelt werden (die globale Organisation, die UPC/EAN-Barcodes und Produktdatenstandards herausgibt; siehe GS1-Leitfaden zur Datenqualität).

3. Aktualität

Kamen die Daten innerhalb des Zeitfensters an, in dem Entscheidungen darauf aufbauen?

Metrik: (innerhalb des SLA empfangene Datensätze / Datensätze insgesamt) × 100

SLA = Service-Level-Agreement, die vereinbarte maximale Verzögerung. Wenn Nachschubentscheidungen um 7 Uhr laufen und die Verkaufsdatei einer Filiale um 9 Uhr eintrifft, ist sie vollständig und korrekt, aber für diesen Zyklus nutzlos. Aktualitätsprobleme sind die häufigste Ursache für Phantom-Stockouts bei schnelldrehenden Konsumgütern (FMCG).

4. Konsistenz

Sehen dieselben Entitäten über Systeme hinweg gleich aus?

Metrik: (systemübergreifend übereinstimmende Datensätze / verglichene Datensätze) × 100

Der Klassiker: SKU „884-2201“ im WMS, „SKU884-2201-A“ im POS und „8842201“ im Lieferanten-EDI-Feed, alle für dasselbe Produkt. Ohne einheitliche Produkt-ID-Strategie fallen bei Joins über Systeme hinweg still Datensätze weg oder werden dupliziert.

Durchgerechnetes Beispiel: ein Lieferanten-Feed bewerten

Angenommen, ein Händler erhält einen wöchentlichen Bestands-Feed von einem Snack-Lieferanten für 1.200 SKUs über 150 Filialen (erwartet: 1.200 Datensätze pro Filiale, 180.000 insgesamt).

| Dimension | Gemessen | Erwartet | Score |

|---|---|---|---|

| Vollständigkeit | 176.400 Datensätze empfangen | 180.000 | 98,0 % |

| Genauigkeit | 174.000 Datensätze stimmen mit physischer/Referenzprüfung überein (stichprobenbasiert) | 176.400 geprüft | 98,6 % |

| Aktualität | 168.000 Datensätze kamen innerhalb des 6-Stunden-SLA an | 176.400 | 95,2 % |

| Konsistenz | 171.000 SKU-Codes stimmen exakt mit Master Data überein | 176.400 | 96,9 % |

Ein einfacher Composite Score mit gleicher Gewichtung jeder Dimension:

composite = (98.0 + 98.6 + 95.2 + 96.9) / 4 = 97.2%

Händler setzen die Handlungsschwelle oft bei rund 95 %: Darunter löst der Feed eine Prüfung mit dem Lieferanten oder dem IT-Team der Filiale aus, bevor ihm im automatisierten Nachbestellen vertraut wird. Diese 95-%-Linie ist eine verbreitete Daumenregel der Branche, kein regulatorischer Standard, und sollte daran kalibriert werden, wie viel Downstream-Risiko ein Feed trägt.

Ein minimales Scoring-Skript

Für Teams mit auch nur rudimentärem SQLSQLSales Qualified Lead: a prospect the sales team has validated as ready for direct outreach and a proposal, having passed clear qualification criteria.Vollständige Definition ansehen →- oder Python-Zugang lässt sich dieses Muster über Feeds hinweg verallgemeinern:

def completeness(received, expected):
    return round(received / expected * 100, 1)

def composite_score(completeness, accuracy, timeliness, consistency, weights=None):
    weights = weights or [0.25, 0.25, 0.25, 0.25]
    scores = [completeness, accuracy, timeliness, consistency]
    return round(sum(s * w for s, w in zip(scores, weights)), 1)

# Beispiel Snack-Lieferant
score = composite_score(98.0, 98.6, 95.2, 96.9)
print(score)  # 97.2

Gewichte sind wichtig: Ein Händler mit automatisiertem (algorithmischem) Nachschub gewichtet Aktualität vielleicht mit 40 %, weil veraltete Daten die Reorder-Logik sofort kaputt machen, während eine langsamere quartalsweise Sortimentsprüfung mehr Verzögerung verträgt.

Governance: Wer ist für die Behebung zuständig

Scoring ist Diagnose, nicht Therapie. Governance verteilt die Verantwortung:

• Data Stewards (oft in Merchandising- oder Supply-Chain-Teams) verantworten bestimmte Domänen, etwa die SKU-Master-Datei, und sind für die Klärung von Abweichungen zuständig.
• Lieferanten-Scorecards enthalten zunehmend Datenqualitäts-KPIs (Key Performance Indicators) neben Fill Rate und Liefertreue. Große Händler wie Walmart und Tesco koppeln Lieferantenbewertungen seit langem teilweise an EDI-/Daten-Compliance, nicht nur an Liefermetriken (öffentlich dokumentiert über ihre Supplier-Compliance-Programme).
• GDSN (Global Data Synchronization Network), betrieben von GS1, erlaubt Händlern und Lieferanten, Produktdaten aus einer gemeinsamen Quelle zu synchronisieren, und löst das Problem der „drei verschiedenen SKU-Codes“ strukturell statt nachgelagert zu flicken.

In Europa regelt die DSGVO (Datenschutz-Grundverordnung) die Datenqualitätspflichten bei kundenbezogenen Daten, besonders zu Richtigkeit und Recht auf Berichtigung, wenn Kundenkarten- oder E-Commerce-Daten betroffen sind. Für alle personenbeziehbaren Daten im Feed ist das eine rechtliche Pflicht, nicht nur operative Best Practice.

Benchmarks zur Verankerung Ihrer Scorecard

Branchenschätzungen mit Stand 2025 (als Richtwerte zu verstehen, keine geprüften Zahlen):

• Zielwerte für die Vollständigkeit zentraler POS-Daten: 98 bis 99,5 % für große Ketten mit reifer IT.
• Akzeptable SKU-Genauigkeit bei Master Data: 97 %+ gilt als stark; unter 95 % werden typischerweise Cleanup-Projekte ausgelöst.
• Aktualitäts-SLA für tägliche Nachschub-Feeds: üblicherweise unter 4 bis 6 Stunden nach Filialschluss.
• Konsistenz-Matchraten von EDI/APIAPIApplication Programming Interface: a standardised interface that lets applications communicate and exchange data without knowing each other's internal workings.Vollständige Definition ansehen → über Systeme hinweg: Händler, die in GDSN oder Master-Data-Management-Plattformen (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 →) investieren, berichten von Verbesserungen aus den niedrigen 90ern in die hohen 90er (Anteil gematchter Produktdatensätze), laut Anbieter-Case-Studies von GS1 und 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 →-Anbietern wie Informatica und Stibo Systems.

Behandeln Sie all das als Benchmarks zur Kalibrierung, nicht als universelle Zielwerte. Eine regionale Discountkette mit manuellen Filial-Uploads kann sinnvollerweise schlankere SLAs fahren als ein globaler Lebensmittelhändler mit Echtzeit-APIAPIApplication Programming Interface: a standardised interface that lets applications communicate and exchange data without knowing each other's internal workings.Vollständige Definition ansehen →-Feeds.

Key Takeaways

• Bewerten Sie jeden Feed (Filiale, Lieferant, System) auf vier Dimensionen: Vollständigkeit, Genauigkeit, Aktualität, Konsistenz, jeweils als einfacher Prozentwert, damit Scores über hunderte Quellen hinweg vergleichbar sind.
• Ein Composite Score mit Handlungsschwelle (üblich sind rund 95 %, kalibriert auf Ihr Risiko) zeigt Teams, wann ein Feed eine manuelle Prüfung braucht, 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 → automatisierte Entscheidungen wie Nachschub steuert.
• Inkonsistenz von SKU- und Produkt-IDs über POS, WMS und Lieferanten-EDI-Feeds ist der mit Abstand häufigste stille Fehler; der GDSN-Standard von GS1 löst das strukturell.
• Aktualitätsprobleme sehen oft wie Genauigkeitsprobleme aus (fehlende Verkäufe, Phantom-Stockouts), sind aber eigentlich SLA-Verletzungen; diagnostizieren Sie die PipelinePipelineAll active sales opportunities across the stages of the sales process, together with their combined potential value and probability of closing.Vollständige Definition ansehen →-Stufe, nicht nur die Zahl.
• Governance (Data Stewards, Lieferanten-Scorecards und für EU-Betriebe die DSGVO-getriebenen Richtigkeitspflichten) macht aus einem einmaligen Audit ein dauerhaftes Qualitätsprogramm.