Produktdaten-Qualität messen: Die wichtigsten PIM-KPIs & wie du sie steuerst

„Unsere Produktdaten sind eigentlich ganz gut.“ Diesen Satz hört man in fast jedem Projekt — und er ist wertlos. „Eigentlich ganz gut“ lässt sich nicht steuern, nicht priorisieren und schon gar nicht gegenüber der Geschäftsführung verargumentieren. Solange Datenqualität ein Bauchgefühl bleibt, wird sie im Zweifel weggekürzt.

Deshalb unsere These: Datenqualität ist kein Gefühl, sondern vier messbare KPIs — Completeness, Accuracy, Consistency und Timeliness. Wer diese vier Kennzahlen sauber definiert und regelmäßig misst, verwandelt ein diffuses Qualitätsversprechen in eine Zahl, die man verfolgen, verbessern und berichten kann. Und diese vier KPIs entscheiden inzwischen über weit mehr als eine hübsche Produktseite: Sie entscheiden darüber, ob KI-Systeme deine Produkte überhaupt verstehen, ausspielen und empfehlen.

In diesem Artikel bekommst du für jeden der vier KPIs eine präzise Definition, eine nachrechenbare Formel, realistische Richtwerte und die konkreten Hebel, mit denen du ihn im PIM steuerst.

Warum Datenqualität messbar sein muss

Ohne Messgröße passiert in Datenqualitäts-Projekten immer dasselbe: Es wird über Einzelfälle diskutiert. Jemand findet ein Produkt ohne Bild, jemand anderes eine falsche Maßeinheit — und daraus entsteht entweder Alarmismus oder Achselzucken. Beides führt zu keiner Entscheidung.

Messbare KPIs lösen genau drei Probleme:

• Priorisierung. Wenn du weißt, dass die Kategorie „Werkzeuge“ bei 62 % Vollständigkeit liegt und „Verbrauchsmaterial“ bei 94 %, weißt du, wo dein Team als Nächstes ansetzt. Ohne Zahl gewinnt die lauteste Meinung.
• Fortschritt. Datenpflege ist unsichtbare Arbeit. Ein KPI macht sie sichtbar — und damit auch den Effekt einer Investition in PIM, Prozesse oder Personal.
• Verbindlichkeit. Ein Zielwert („95 % Completeness für alle shopfähigen Artikel bis Q4″) ist ein Versprechen, an dem man arbeiten kann. „Wir machen die Daten besser“ ist keines.

Voraussetzung für all das ist ein System, in dem Produktdaten überhaupt strukturiert und zentral liegen. Warum Daten das eigentliche Herzstück jedes PIM-Systems sind — und nicht die Software drumherum — haben wir in Daten: das Herzstück jedes PIM-Systems beschrieben. In einer Excel-Landschaft lassen sich diese KPIs schlicht nicht seriös erheben.

Die 4 Kern-KPIs der Produktdatenqualität — mit Formeln

Die folgenden vier Kennzahlen sind der Kern: Jede ist als Prozentwert definiert, jede lässt sich im PIM automatisiert berechnen und steuern, und alle vier zusammen ergeben ein belastbares Gesamtbild. Daneben spielen zwei weitere Dimensionen eine Rolle — Validity (Formatkonformität), die wir hier bewusst unter Accuracy führen, weil sie im PIM über dieselben Regeln geprüft wird, und Uniqueness (Dublettenfreiheit), die man sinnvollerweise separat je Datenbestand erhebt: Sie ist eher ein Bereinigungs- als ein laufender Steuerungs-KPI, gerade nach Sortimentszukäufen und Lieferantenimporten.

Wichtig vorab: Alle vier KPIs beziehen sich immer auf einen definierten Betrachtungsumfang — also auf eine Menge von Produkten (z. B. alle shopfähigen Artikel) und eine Menge von Attributen (z. B. alle Pflichtfelder für den Kanal „Onlineshop“). Ohne diesen Scope ist jede Zahl beliebig.

1. Completeness (Vollständigkeit)

Definition: Completeness misst den Anteil der tatsächlich befüllten Pflichtfelder an allen für einen Kanal geforderten Pflichtfeldern.

Formel:

Completeness (%) = (befüllte Pflichtfelder / geforderte Pflichtfelder) × 100

Beispiel: Dein Onlineshop fordert 20 Pflichtattribute pro Artikel. Bei 1.000 Artikeln sind das 20.000 geforderte Felder. Befüllt sind 17.400. → Completeness = 17.400 / 20.000 × 100 = 87 %.

Worauf du achten musst: „Befüllt“ heißt nicht „sinnvoll befüllt“. Ein Feld mit „tbd“, „-“ oder „siehe Datenblatt“ zählt technisch als gefüllt, fachlich aber nicht. Definiere deshalb Mindestkriterien (z. B. Beschreibung ≥ 200 Zeichen, kein Platzhaltertext) und rechne sie in die Zählung ein. Sinnvoll ist außerdem eine zweite Sicht: die artikelbezogene Completeness — also der Anteil der Artikel, die zu 100 % vollständig sind. Der liegt typischerweise deutlich unter dem Feldwert und ist ehrlicher, weil ein Artikel mit 19 von 20 Feldern trotzdem nicht ausspielbar ist.

2. Accuracy (Korrektheit)

Definition: Accuracy misst den Anteil der Attributwerte, die sachlich richtig sind und den definierten Regeln entsprechen — also gegen eine Referenz oder ein Regelwerk validiert bestehen.

Formel:

Accuracy (%) = (korrekte Attributwerte / geprüfte Attributwerte) × 100

Beispiel: Von 50.000 geprüften Werten fallen 1.150 durch die Validierung (falsche Einheit, unplausibler Wert, ungültige EAN-Prüfziffer). → Accuracy = 48.850 / 50.000 × 100 = 97,7 %.

Worauf du achten musst: Accuracy ist der einzige der vier KPIs, der eine externe Wahrheit braucht — eine Referenz, gegen die geprüft wird. Consistency vergleicht Quellen nur untereinander und stellt fest, dass sie auseinanderlaufen, nicht welche recht hat. Erst Accuracy beantwortet das. Diese Referenz kann automatisiert sein (Prüfziffernlogik bei GTIN/EAN, Wertebereiche, erlaubte Werteliste, Einheiten-Plausibilität) oder stichprobenartig-manuell (Abgleich mit Datenblatt oder Herstellerangabe). Trenne beides sauber: Automatisierte Regelverstöße sind vollständig messbar, die inhaltliche Richtigkeit von Freitexten nur stichprobenbasiert. Nenne im Reporting immer dazu, welcher Anteil automatisiert und welcher per Stichprobe geprüft wurde.

3. Consistency (Konsistenz)

Definition: Consistency misst den Anteil der Datensätze, die über alle Systeme, Kanäle und Sprachen hinweg widerspruchsfrei sind — gleiche Bedeutung, gleiche Schreibweise, gleiche Struktur.

Formel:

Consistency (%) = (widerspruchsfreie Datensätze / geprüfte Datensätze) × 100

Beispiel: Bei 1.000 Artikeln weichen 60 zwischen PIM und Shop ab (abweichende Maßeinheit, andere Farbbezeichnung, fehlende Übersetzung eines Attributwerts). → Consistency = 940 / 1.000 × 100 = 94 %.

Worauf du achten musst: Consistency hat drei Ausprägungen, die du getrennt messen solltest, weil sie unterschiedliche Ursachen haben:

• System-Konsistenz: Stimmen PIM, Shop, Marktplatz und Katalog überein?
• Sprach-Konsistenz: Sind alle Sprachvarianten auf demselben Stand und derselben Version?
• Semantische Konsistenz: Heißt „Farbe: anthrazit“ überall gleich, oder steht anderswo „dunkelgrau“, „RAL 7016″ und „Anthracite“?

Der dritte Punkt ist der unterschätzte. Er ist auch der, an dem KI-Systeme scheitern — dazu unten mehr. Sauber gepflegte Wertelisten und eine konsistente Klassifizierung von Produktdaten sind hier der wirksamste Hebel: Wo Werte aus einer kontrollierten Liste kommen, kann semantische Inkonsistenz gar nicht erst entstehen.

4. Timeliness (Aktualität)

Definition: Timeliness misst den Anteil der Datensätze, die innerhalb eines definierten Zeitfensters aktualisiert bzw. ausgespielt wurden — also nicht veraltet sind.

Formel:

Timeliness (%) = (Datensätze innerhalb des Aktualitätsfensters / alle Datensätze) × 100

Beispiel: Dein Aktualitätsfenster für Preis- und Verfügbarkeitsdaten ist 24 Stunden. Von 1.000 Artikeln wurden 970 innerhalb dieses Fensters aktualisiert. → Timeliness = 970 / 1.000 × 100 = 97 %.

Worauf du achten musst: Das Aktualitätsfenster ist keine universelle Größe, sondern hängt vom Datentyp ab. Preise und Bestände brauchen Stunden, Marketingtexte und Bilder eher Monate, regulatorische Angaben oft ein festes Prüfintervall. Definiere das Fenster deshalb je Attributgruppe und rechne Timeliness getrennt. Eine zweite nützliche Kennzahl daneben ist die Time-to-Market: die Zeit von der Artikelanlage bis zur kanalfertigen Freigabe. Sie misst nicht die Daten selbst, sondern die Prozessgeschwindigkeit dahinter — und erklärt oft, warum Timeliness einbricht.

Zielwerte & Benchmarks — als Richtwerte verstanden

Jetzt die Frage, die immer kommt: Welcher Wert ist gut genug?

Wichtige Einordnung vorab: Die folgenden Werte sind Erfahrungs- und Richtwerte aus Produktdaten-Projekten, keine allgemeingültigen Studienergebnisse. Sie sind stark abhängig von Branche, Sortimentstiefe, Kanalmix und Reifegrad. Nutze sie als Startpunkt für deine eigene Zieldefinition — nicht als Norm, gegen die du dich messen musst.

Zwei Lesehinweise dazu: Erstens sind 100 % kein sinnvolles Ziel — die letzten Prozentpunkte kosten unverhältnismäßig viel, und ein Teil davon liegt außerhalb deiner Kontrolle (Lieferantendaten, Übersetzungsläufe). Zweitens ist die Entwicklung über die Zeit aussagekräftiger als der Absolutwert. Ein Sortiment, das von 71 % auf 88 % Completeness geklettert ist, ist in einer besseren Verfassung als eines, das seit zwei Jahren bei 91 % stagniert und langsam abrutscht.

Definiere deine Zielwerte deshalb differenziert: nach Kanal (Marktplätze verlangen mehr als der eigene Shop), nach Sortimentsrelevanz (A-Artikel strenger als Langsamdreher) und nach Datentyp.

Wie du die KPIs im PIM steuerst

Messen allein verbessert nichts. Der eigentliche Wert entsteht dort, wo die KPIs an konkrete Mechanismen im PIM gekoppelt sind. Vier Hebel decken den Großteil ab:

1. Pflichtfeld-Definitionen je Kanal. Der Ausgangspunkt für Completeness. Lege pro Ausgabekanal fest, welche Attribute zwingend sind — der Shop braucht andere als Amazon, Amazon andere als der Print-Katalog. Erst dadurch wird Vollständigkeit überhaupt berechenbar, weil du einen definierten Nenner hast. Ein gutes PIM zeigt diesen Wert live als Fortschrittsanzeige pro Artikel und pro Kanal an — damit sieht die Redaktion beim Pflegen sofort, was noch fehlt.

2. Validierungsregeln und Plausibilitätsprüfungen. Der Hebel für Accuracy. Wertebereiche, Einheitenprüfung, Pflichtformate, Prüfziffernlogik, Abhängigkeiten zwischen Feldern („wenn Kategorie X, dann ist Attribut Y Pflicht“). Entscheidend ist, dass diese Regeln beim Import und bei der Eingabe greifen, nicht erst im nachgelagerten Report — dann korrigierst du nämlich schon veröffentlichte Fehler. Wie automatische Plausibilitätsprüfungen konkret aufgebaut werden, zeigen wir in PIM-Validierung: automatische Plausibilitätsprüfungen.

3. Kontrollierte Wertelisten und Klassifizierung. Der Hebel für Consistency. Überall, wo ein Attributwert aus einer gepflegten Liste stammt statt aus einem Freitextfeld, verschwindet eine ganze Fehlerklasse. Dasselbe gilt für eine saubere Klassifikationsstruktur: Sie sorgt dafür, dass gleichartige Produkte auch gleichartige Attributsets bekommen — die Voraussetzung dafür, dass Vollständigkeit und Konsistenz überhaupt vergleichbar sind.

4. Workflows, Freigaben und Ownership. Der Hebel für Timeliness. Ein Artikel, der ohne Freigabeschritt und ohne verantwortliche Rolle im System liegt, altert unbemerkt. Konkret: Statusmodell (Entwurf → in Anreicherung → freigegeben → publiziert), zugewiesene Verantwortliche je Attributgruppe, Erinnerungen bei überschrittenem Aktualitätsfenster und ein fester Review-Zyklus für Bestandsartikel.

Dazu kommt der organisatorische Rahmen: Ein KPI, den niemand regelmäßig anschaut, ist Dekoration. Setze ein festes Reporting-Intervall (monatlich reicht meist), zeige die Werte pro Kategorie und pro verantwortlichem Team, und behandle Abweichungen wie jede andere Kennzahl auch — mit einer Maßnahme, nicht mit einer Diskussion.

Die Brücke zu GEO und Agent-Readiness

Bis vor Kurzem war Datenqualität vor allem ein Argument für Conversion, Retouren und Servicekosten. Das gilt weiter — hat aber eine neue, deutlich härtere Dimension dazubekommen.

Wenn ein KI-System — ein Sprachmodell in einer Produktsuche, ein Einkaufsagent, eine generative Antwortmaschine — deine Produkte verarbeitet, dann macht es genau das, was ein Mensch nicht tut: Es liest die Daten strukturell und wörtlich. Es interpretiert nicht wohlwollend, es füllt keine Lücken aus Erfahrung, und es weiß nicht, dass „anthrazit“ und „dunkelgrau“ bei dir dasselbe meinen. Für ein solches System gilt sehr direkt:

• Fehlende Attribute heißt: Das Produkt kann bei einer attributbasierten Anfrage nicht ausgewählt werden. Wer die Einbauhöhe nicht angibt, taucht bei „passt in eine 60-cm-Nische“ nicht auf — nicht schlechter platziert, sondern gar nicht.
• Falsche Werte heißt: Das System empfiehlt falsch — und das fällt später als Retoure oder Reklamation auf dich zurück.
• Inkonsistente Werte heißt: Das System kann Produkte nicht zuverlässig vergleichen oder gruppieren und lässt sie im Zweifel außen vor.
• Veraltete Daten heißt: Empfehlungen laufen auf Preise oder Verfügbarkeiten, die es nicht mehr gibt.

Anders gesagt: Die vier KPIs sind gleichzeitig die Messgrößen für deine KI-Sichtbarkeit. Completeness bestimmt, ob du überhaupt in die Auswahl kommst. Accuracy und Consistency bestimmen, ob du korrekt und vergleichbar dargestellt wirst. Timeliness bestimmt, ob die Empfehlung noch gilt. Was das für die Aufbereitung deiner Daten konkret bedeutet, vertiefen wir in Agent-ready Produktdaten — dort geht es um die Sichtbarkeit selbst, hier um deren Messung und Steuerung.

Der praktische Nutzen dieser Verbindung: Du brauchst für „KI-Readiness“ keine separate Initiative und kein zweites Kennzahlensystem. Wenn du deine vier Datenqualitäts-KPIs im Griff hast, arbeitest du bereits an deiner Auffindbarkeit in generativen Systemen. Es ist dieselbe Arbeit — nur mit einem zusätzlichen, sehr aktuellen Argument gegenüber der Geschäftsführung.

Fazit: Vier Zahlen statt einem Bauchgefühl

Produktdatenqualität wird beherrschbar, sobald sie eine Zahl hat. Completeness, Accuracy, Consistency und Timeliness sind zusammen ein vollständiges und praktikables Messsystem: klar definiert, im PIM automatisiert berechenbar, an konkrete Steuerungshebel gekoppelt — und zugleich der beste Indikator dafür, ob deine Produkte in KI-gestützten Kanälen überhaupt vorkommen.

Fang klein an: ein Kanal, ein definiertes Pflichtfeld-Set, ein monatlicher Wert. Der erste gemessene Prozentsatz ist fast immer ernüchternd — und genau deshalb der wertvollste Punkt im ganzen Projekt.

FAQ: Produktdatenqualität messen

Was ist Produktdatenqualität?

Produktdatenqualität beschreibt, wie gut Produktdaten ihren Zweck erfüllen — also ob sie vollständig, korrekt, konsistent und aktuell genug sind, um in allen Verkaufskanälen fehlerfrei ausgespielt zu werden. Sie wird über vier Kern-KPIs gemessen: Completeness (Vollständigkeit), Accuracy (Korrektheit), Consistency (Konsistenz) und Timeliness (Aktualität).

Wie misst man Datenqualität von Produktdaten?

Über vier Prozent-Kennzahlen, jeweils bezogen auf einen definierten Umfang aus Produkten und Attributen: Completeness = befüllte Pflichtfelder / geforderte Pflichtfelder × 100. Accuracy = korrekte Attributwerte / geprüfte Attributwerte × 100. Consistency = widerspruchsfreie Datensätze / geprüfte Datensätze × 100. Timeliness = Datensätze innerhalb des Aktualitätsfensters / alle Datensätze × 100. Ein PIM-System berechnet diese Werte automatisiert je Kanal und Kategorie.

Welche KPIs gibt es für Produktdatenqualität?

Die vier Kern-KPIs sind Completeness, Accuracy, Consistency und Timeliness. Ergänzend nützlich sind die artikelbezogene Completeness (Anteil der zu 100 % vollständigen Artikel) und die Time-to-Market (Zeit von der Artikelanlage bis zur kanalfertigen Freigabe), die die Prozessgeschwindigkeit hinter der Aktualität sichtbar macht.

Wie berechnet man die Vollständigkeit von Produktdaten?

Completeness (%) = (befüllte Pflichtfelder / geforderte Pflichtfelder) × 100. Beispiel: 20 Pflichtattribute bei 1.000 Artikeln ergeben 20.000 geforderte Felder; sind 17.400 befüllt, liegt die Completeness bei 87 %. Wichtig ist, Platzhalter wie „tbd“ oder „-“ nicht als befüllt zu werten und zusätzlich die artikelbezogene Vollständigkeit zu betrachten.

Welcher Zielwert ist bei Produktdatenqualität gut?

Als Erfahrungs-Richtwerte gelten: Completeness ab etwa 95 % auf Feldebene, Accuracy ab etwa 99 % bei automatisiert prüfbaren Regeln, Consistency ab etwa 98 % und Timeliness ab etwa 99 % für Preis- und Bestandsdaten im 24-Stunden-Fenster. Dieser Zeitraum ist eine Annahme, keine Branchennorm; dasselbe gilt für das 12-Monats-Fenster für Content. Diese Werte sind branchen- und sortimentsabhängig und nicht allgemeingültig — die Entwicklung über die Zeit ist aussagekräftiger als der Absolutwert.

Was hat Datenqualität mit KI-Sichtbarkeit zu tun?

KI-Systeme lesen Produktdaten strukturell und wörtlich: Fehlende Attribute schließen ein Produkt von attributbasierten Anfragen komplett aus, inkonsistente Werte verhindern Vergleichbarkeit, falsche Werte führen zu Fehlempfehlungen und veraltete Daten zu ungültigen Angeboten. Damit sind Completeness, Accuracy, Consistency und Timeliness zugleich die Messgrößen für die Sichtbarkeit in KI-gestützten Such- und Einkaufssystemen.

Wie steuert man Datenqualitäts-KPIs im PIM?

Über vier Mechanismen: kanalspezifische Pflichtfeld-Definitionen (steuert Completeness), Validierungs- und Plausibilitätsregeln beim Import und bei der Eingabe (Accuracy), kontrollierte Wertelisten und eine saubere Klassifizierung (Consistency) sowie Workflows mit Statusmodell, Ownership und Review-Zyklen (Timeliness). Ergänzt wird das durch ein festes Reporting-Intervall je Kategorie und verantwortlichem Team.