Datenqualitätssoftware wurde früher von der IT nach einem schlechten Audit beschafft. 2026 entscheidet sie darüber, ob KI-Projekte in die Produktion gehen. Dieser Artikel erklärt, was die Tools heute leisten und wo sie bei Produktdaten scheitern. Die zweite Hälfte zeigt, wie PIM Produktdaten genau hält, bevor sie veröffentlicht werden.
Wichtigste Erkenntnisse
- Schlechte Daten sind der Hauptgrund, warum KI-Projekte steckenbleiben. Gartner verband die Aufgabe von KI-Projekten direkt mit fehlenden KI-bereiten Daten.
- Moderne Datenqualitätssoftware verbindet Regeln für bekannte Probleme mit Observability für unerwartete Änderungen. Beide erzeugen Warnmeldungen, die jemand verwalten muss.
- KI-Agenten reparieren Daten und beschädigen sie mit gleicher Geschwindigkeit. Behandeln Sie sie als Datenproduzenten mit Genehmigungsschritten und Audit-Logs.
- Ein Vollständigkeitsscore zeigt, dass Felder ausgefüllt sind. Er zeigt nicht, dass die Werte korrekt sind.
- Bei Produktdaten ist PIM der Ort, um Fehler zu blockieren, bevor sie einen Kanal erreichen. Tools weiter stromabwärts können sie nur melden.
- EU-Hersteller face feste Termine. Batterieausweise werden im Februar 2027 Pflicht, weitere Produktgruppen folgen.
Warum Datenqualität ein KI-Problem wurde
Eine Gartner-Umfrage von 1.203 Datenmanagement-Führungskräften im Juli 2024 ergab, dass 63 % der Organisationen entweder die richtigen Datenmanagement-Praktiken für KI nicht hatten oder sich unsicher waren. Daraus prognostizierte Gartner, dass Organisationen bis 2026 60 % der KI-Projekte aufgeben würden, die nicht durch KI-bereite Daten unterstützt werden.
Die Logik ist einfach. Ein Dashboard zeigt eine merkwürdige Zahl, und jemand runzelt die Stirn. Ein KI-Agent nimmt das falsche Gewicht oder den veralteten Preis und handelt danach. Niemand runzelt die Stirn, bis ein Kunde es tut.
Der Gartner-Analyst fasste es in derselben Mitteilung zusammen:
„Wenn die Daten Probleme haben, dann sind die Daten nicht bereit für KI."
Die Mitteilung behandelt KI-bereite Daten auch als eine laufende Praxis. Sie empfiehlt Datenobservability und besseres Metadatenmanagement und erwartet, dass sich die Datenanforderungen mit jedem neuen KI-Use-Case verschieben. Eine einmalige Cleanup-Projekt wird also nicht lange halten.
Was Datenqualitätssoftware 2026 leistet
Regeln und Observability erfassen unterschiedliche Probleme
Regelbasierte Checks decken ab, was Sie bereits wissen. Eine GTIN hat 14 Ziffern. Ein Preis kann nicht negativ sein. Ein Spannungswert braucht eine Einheit. Sie schreiben die Regel einmal, und das Tool markiert jeden Datensatz, der dagegen verstößt.
Observability deckt ab, wofür niemand eine Regel geschrieben hat. Das Tool lernt normale Muster für Frische, Volumen, Schema und Wertverteilung und meldet dann, wenn sich etwas ändert. Ein Lieferanten-Feed, der normalerweise 4.000 Zeilen liefert, kommt mit 400 an. Eine Spalte ändert nach einem ERP-Update den Typ.
Die meisten reifen Teams führen beide aus. Der übliche Fehler ist Warnmeldungen-Überfluss. Schalten Sie jeden Detektor ein und das Team liest bald keine Warnmeldungen mehr. Entscheiden Sie, wer welche Warnmeldung erhält, und stimmen Sie die Schwellwerte in den ersten Wochen ab, oder das Tool wird zu teuerem Hintergrundlärm.
KI ist in die Tools eingezogen
Plain-Language-Regelerstellung ist ein gemeinsames Feature geworden. Ein Data Steward schreibt „jedes Kabel braucht einen Querschnitt in mm²" und das Tool erzeugt die Prüfung. Viele Tools schlagen auch Regeln aus Profilierungsergebnissen vor, schlagen Fixes vor und beantworten Fragen zu Qualitätsergebnissen in Chats. Einige Anbieter versenden jetzt Agent-ähnliche „Data Stewards", die Problemrückstände bearbeiten.
Das senkt die Kompetenzanforderungen für das Schreiben von Checks. Jemand muss immer noch wissen, was die Regel sagen soll, weil das Tool glücklich eine perfekte Prüfung für eine falsche Anforderung schreiben wird.
Qualität wird von wer die Daten nutzt definiert
Gute Daten bedeuten jetzt Daten, die zu einem spezifischen Verbraucher passen. Ein Produktdatensatz kann für das ERP gut funktionieren und auf einem Marketplace fehlschlagen, der zwölf Attribute erfordert, die das ERP nie gespeichert hat. Datenkontrakte formalisieren dies. Das Team, das die Daten erzeugt, und das Team, das sie verbraucht, einigen sich auf Felder, Formate, Besitzer und Service-Level, und das Tool prüft gegen diese Vereinbarung.
Unstrukturierte Daten sind jetzt im Scope. Datenblätter, PDFs und Bilder speisen KI-Systeme, daher werden die Tools erwartet, Attribute daraus zu extrahieren und die Ergebnisse zu prüfen.
Checks rücken näher zur Quelle
Das Bereinigen von Daten im Warehouse jede Nacht wiederholt die gleichen Fixes immer wieder. Daher schieben Organisationen Checks in die Systeme, wo Daten erzeugt werden. MDM verwaltet Masterdatensätze. PIM verwaltet Produktinhalte.
Risiken zum Planen
Das größte Risiko ist, dass KI-Pläne der Datenvorbereitung vorauseilen. Die Gartner-Zahlen oben beschreiben es gut genug. Die Lösung ist langweilig: Bewerten Sie die Datenvorbereitung vor der Finanzierung eines KI-Projekts, und tun Sie dies vor dem Pilot statt nach seinem Scheitern.
KI-Agenten bringen ein neueres Risiko. Sie erzeugen Daten genauso schnell, wie sie diese reparieren. Im Januar 2026 berichtete Bloomberg, dass Amazons experimentelles Buy For Me-Tool automatisch Angebote für Produkte von unabhängigen Shops erstellt hatte, einschließlich Shops, die sich nie zum Verkauf auf Amazon entschieden hatten. Einige Angebote wiesen auf den falschen Artikel hin. Ein Schreibwarengeschäft erhielt Rückerstattungsanforderungen, nachdem Kunden einen größeren Stressball bestellten, den das Geschäft nicht führt, und den kleineren erhielten, den es führt. Andere Händler sahen falsche Produktbilder und Großhandelspreise, die Käufern angezeigt wurden. Amazon sagte, dass Verkäufer sich abmelden könnten und dass das Programm über 500.000 Artikel abdeckte, gegenüber etwa 65.000 beim Start.
Wenn eine Marke strukturierte Produktdaten nicht veröffentlicht, wird jemands KI sie raten. Die Marke verwaltet immer noch die Reklamationen.
Anbieter-Konsolidation ist ein langsameres Risiko. Informatica gehört jetzt Salesforce, und Talend gehört Qlik. Erworbene Tools können zusammengeführt, umbepreist oder deprioritiert werden. Wenn ein Anbieter kürzlich den Besitzer wechselte, fügen Sie Datenexportformate und Austrittsbedingungen in den Vertrag ein.
Das letzte Risiko sitzt in der Business-Case. Viele veröffentlichte Datenqualitätsstatistiken stammen von Anbieter-Umfragen, die andere Anbieter-Umfragen zitieren, oft ohne Datum oder Stichprobengröße. Bevor eine Zahl in eine Budgetanforderung geht, finden Sie die Quelle und überprüfen Sie das Jahr und wer befragt wurde.
Wie PIM Produktdatenqualität erzwingt
Datenqualitäts-Tools im Warehouse überwachen Pipelines. Bis ein Tool ein falsches Produktgewicht markiert, kann dieses Gewicht bereits in mehreren Distributor-Feeds sitzen. PIM sitzt früher, wo Produktdaten erzeugt, angereichert und genehmigt werden. Diese Position ermöglicht es, einen schlechten Datensatz zu blockieren, bevor er veröffentlicht wird.
Unsere Kunden kommen oft zu uns, nachdem Produktdaten über das ERP hinausgewachsen sind. Für einen typischen Hersteller hält das ERP-Artikelstamm, was Produktion und Logistik brauchen. Marketing-Attribute, Übersetzungen und Zertifikate leben in Tabellenkalkulationen, die von wem immer Zeit hatte in dieser Woche gepflegt werden. Jeder Distributor will seine eigene Vorlage, daher wird das gleiche Produkt für jeden neu getippt, und jede Neuerfassung fügt neue Fehler hinzu.
In Projekten, die wir implementierten, begann die Lösung mit einem gemeinsamen Datenmodell. Dann zogen die Checks in dieses Modell. Diese Kontrollen leisten die meiste Arbeit:
- Typisierte Attribute mit festen Einheiten und erlaubten Werten. Ein Gewichtsfeld akzeptiert eine Zahl in Kilogramm, daher wird „ca. 2 kg" nie eingegeben.
- Validierungsregeln pro Kanal und Sprache. Ein Marketplace könnte eine GTIN und Paketabmessungen erfordern, während der deutsche Katalog eine übersetzte Sicherheitsmitteilung erfordert.
- Vollständigkeits- und Bereitschafts-Scores pro Kanal, damit das Team sieht, welche Produkte wo live gehen können.
- Lieferantendaten-Onboarding durch validierte Vorlagen oder ein Portal. Lieferanten korrigieren ihre eigenen Fehler beim Upload, bevor jemand in Ihrem Team die Daten anfasst.
- KI-Extraktion und Anreicherung mit menschlicher Genehmigung. Die KI zieht Attribute aus Datenblättern und entwirft Beschreibungen, und eine Person genehmigt das Ergebnis.
- Ein vollständiges Audit-Trail. Jede Änderung verzeichnet wer sie machte, wann und den vorherigen Wert, einschließlich Änderungen durch KI.
- Prüfungen gegen die Spezifikation jedes Kanals vor dem Export, daher verlässt ein Feed, der eine Retailer-Regel bricht, das System nie.
Vollständigkeits-Scores können lügen
Vollständigkeit ist die leichteste Zahl in PIM. Sie zählt ausgefüllte erforderliche Felder und verwandelt sie in einen Prozentsatz. Es ist auch leicht zu manipulieren.
Ein Feld, das mit dem falschen Wert gefüllt ist, erzielt genau wie ein korrektes.
Das Dashboard bleibt grün, während Distributoren Produkte zurückschicken. Wir sehen regelmäßig Kataloge, die nahezu vollständig aussehen, wo eine Stichprobe gegen die ursprünglichen Datenblätter immer noch falsche Abmessungen und abgelaufene Zertifikate findet.
Bereitschaftsregeln gehen weiter. Sie fragen, ob ein Produkt die Bedürfnisse eines spezifischen Verbrauchers erfüllt: eine Distributor-Artikelspezifikation, eine Marketplace-Kategorie-Regel, ein regulatorisches Datenschema oder einen KI-Shopping-Assistenten, der nach Attributen filtert. Jeder Verbraucher bekommt seinen eigenen Regelsatz.
Fügen Sie also Genauigkeitsstichproben hinzu. Jeden Monat 20 zufällige Datensätze pro Produktfamilie gegen Datenblätter und Zertifikate abziehen. Die Fehlerrate aus dieser Stichprobe sagt mehr als der Vollständigkeitsscore.
Behandeln Sie KI-Agenten wie einen neuen Lieferanten
PIM-Anbieter versenden jetzt Agenten, die Lieferantendaten abbilden, Beschreibungen schreiben, übersetzen und Produkte klassifizieren. Sie arbeiten schnell. Ein Agent, der 10.000 Produkte in einer Stunde anreichert, kann auch 10.000 Produkte in einer Stunde falsch machen.
Regeln sie wie einen neuen Lieferanten, dessen Daten Sie noch nicht trauen. Agenten schlagen Änderungen vor und eine Person genehmigt sie. Genehmigungen bleiben im Scope, daher kann ein Agent Beschreibungen bearbeiten, aber nicht Preise oder Sicherheitsdaten. Jede Agent-Aktion erhält einen Log-Eintrag. KI-generierter Text trägt ein Label, daher können Reviewer und Auditoren ihn später finden.
Kunden, die mit uns die KI-Anreicherung starten, beginnen üblicherweise mit risikoarmen Feldern wie Marketing-Texte und Übersetzungen. Sie behalten die Genehmigung auf jede Änderung am Anfang. Sobald die gesampelten Fehlerraten niedrig bleiben, erweitern sie den Scope auf technische Attribute. Dies ist langsamer, als alles auf einmal einzuschalten. Es verhindert auch ein Cleanup-Projekt sechs Monate später.
Veröffentlichen Sie strukturierte Daten, bevor jemand anders sie rät
KI-Shopping-Assistenten filtern Produkte nach Attributen, Einheiten und Kategorien. Ein Produkt mit fehlender Spannung oder einem freien Textmaterial-Feld fällt aus der Kandidatenmenge, bevor jemand die Marketing-Kopie liest. Der Amazon-Fall zeigt die andere Seite. Wenn strukturierte Daten fehlen, füllt eine KI von Drittanbietern die Lücke mit ihren eigenen Vermutungen.
Veröffentlichen Sie daher autorisierte Produktdaten in Formaten, die Maschinen lesen können: strukturierte Feeds und Markup für Kanäle und APIs für Partner und KI-Tools. PIM ist die natürliche Quelle, da seine Daten bereits Validierung bestanden haben.
Der digitale Produktpass wird dies zur Compliance
Die EU-Verordnung Ökodesign für nachhaltige Produkte (ESPR) trat im Juli 2024 in Kraft. Ihr Digitaler Produktpass (DPP) ist ein digitaler Datensatz, normalerweise durch einen QR-Code zugänglich, der ein Produkt durch seine Wertschöpfungskette begleitet. Nach einer Übersicht der Anwaltskanzlei Krogerus wird er Informationen wie Materialien, Herkunft, Kohlenstoffbilanz, Haltbarkeit, Reparierbarkeit und Recycelbarkeit enthalten.
Das zentrale DPP-Register der EU ging im Juli 2026 online, aber Unternehmen müssen Produktdaten nur registrieren, wenn der delegierte Rechtsakt für ihre Produktgruppe angewendet wird. Batterieausweise werden ab 18. Februar 2027 für Elektrofahrzeug-, Leichtverkehrs- und Industriebatterien über 2 kWh Pflicht. Der delegierte Rechtsakt für Textilien wird 2027 erwartet, mit Compliance wahrscheinlich etwa 18 Monate später. Mit der Zeit soll das Regime fast alle auf dem EU-Markt in den Verkehr gebrachten Produkte abdecken, was Hersteller, Importeure und Distributor außerhalb der EU einbezieht.
Die meisten Passdaten stammen von Lieferanten und Engineering. Hersteller, die sich auf den DPP vorbereiten, stellen normalerweise fest, dass die Materialzusammensetzung nur in Lieferantenzertifikaten und PDFs existiert, in keinem System, das diese exportieren kann. In Projekten, die wir implementierten, modellierten wir Passport-Attribute als separate Attributgruppe und sammelten sie durch den gleichen validierten Lieferanten-Onboarding-Flow wie andere Produktdaten. Auf diese Weise kommen die Daten in einem geprüften Format an, mit einer Aufzeichnung, wer sie bereitgestellt hat.
Genaue DPP-Datenanforderungen hängen von delegierten Rechtsakten ab, die nicht alle veröffentlicht sind. Bauen Sie das Modell so auf, dass Attribute ohne Redesign hinzugefügt werden können.
Wo PIM endet und andere Datenqualitätssoftware beginnt
PIM verwaltet Produktinhalte zum Verkaufen: Attribute, Beschreibungen, Assets, Übersetzungen und Kanal-Anforderungen. MDM erzeugt goldene Datensätze über Domänen wie Produkt, Kunde und Lieferant, mit Matching und Zusammenführung von Duplikaten. Datenqualitäts- und Observability-Tools überwachen die Pipelines, die Analytics und KI speisen.
Viele Unternehmen führen alle aus. Ein häufiges Setup nutzt das ERP oder MDM als Quelle der technischen Wahrheit und PIM als Anreicherungs- und Bereitschafts-Schicht, mit Observability auf den Pipelines. Die Grenzen verschwimmen, da mehrere Anbieter jetzt PIM und MDM abdecken. Bilden Sie die Fähigkeiten ab, die Sie brauchen, und ignorieren Sie die Kategorie-Labels.
Wie Sie Datenqualitätssoftware für Produktdaten auswählen
- Testen Sie mit Ihren eigenen Daten. Laden Sie eine messy Lieferanten-Datei und einen echten ERP-Export während der Testphase, da Demo-Daten immer sauber sind.
- Überprüfen Sie, wie das Tool Einheiten, Varianten und mehrsprachige Attribute verwaltet. Tools, die für Analytics-Tabellen gebaut wurden, behandeln Produktdaten oft als flache Reihen.
- Finden Sie heraus, welche KI-Features ohne Genehmigung ändern können und ob jede KI-Bearbeitung geloggt wird.
- Überspringen Sie den Stern-Durchschnitt in Bewertungen und lesen Sie die Beschwerden. Sie zeigen Lernkurven und Integrationsgrenzen schneller als eine Demo.
- Wenn der Anbieter kürzlich den Besitzer wechselte, fragen Sie nach der Roadmap und bekommen Sie Exportformate und Austrittsbedingungen schriftlich.
- Fragen Sie nach der Quelle jeder Statistik in der Business-Case des Anbieter.
Beginnen Sie mit einer Produktfamilie und einem Kanal. Definieren Sie Bereitschaft für dieses Paar und messen Sie Genauigkeit auf einer Stichprobe. Dann erweitern Sie.