Garbage in, Garbage out:

Ein Onlinehändler investiert in die modernste Suchtechnologie auf dem Markt, KI-gestützt, semantisch, blitzschnell. Trotzdem findet ein Kunde eine bestimmte Bohrmaschine nicht, obwohl sie längst im Sortiment liegt. Der Grund liegt selten in der Suchtechnik selbst. Er liegt meist eine Ebene tiefer: im Produktdatensatz, der weder Leistungsangabe noch Einsatzbereich noch ein zweites Synonym enthält, mit dem die Kundin gesucht hat. Die beste Suche der Welt kann ein Produkt nicht finden, das sie nicht versteht – und sie versteht es nur so gut, wie die Daten dahinter es zulassen.

Genau dieser Zusammenhang wird in vielen E-Commerce-Projekten unterschätzt. Unternehmen geben viel Geld für Suchalgorithmen aus und vergleichsweise wenig Aufmerksamkeit für das, was diese Algorithmen eigentlich mit Bedeutung füllen soll: saubere, vollständige, konsistente Produktdaten. Dabei ist genau das der Hebel, der aus einer durchschnittlichen Suche einen echten Umsatztreiber macht.

Warum Suche nur so gut ist wie die Daten dahinter

Suchfunktionen, Filter und Produktempfehlungen sind technisch betrachtet nichts anderes als Auswertungen von Produktattributen. Fehlen diese Attribute oder sind sie unvollständig gepflegt, kann das Shopsystem sie schlicht nicht analysieren – mit der Folge, dass Suche, Filter und Empfehlungen im Zweifel nicht optimal funktionieren.[1] Ein Produkt ohne hinterlegte Materialangabe taucht bei der Filterung nach Material nicht auf. Ein Artikel ohne konsistente Maßeinheiten lässt sich innerhalb einer Produktgruppe nicht sauber vergleichen. Und ein Datensatz, der als Dublette doppelt im System liegt, führt sowohl Kunden als auch das eigene Produktmanagement in die Irre, etwa bei der Verfügbarkeit.[1]

Diese Probleme wirken auf den ersten Blick klein und technisch. In der Summe entscheiden sie jedoch darüber, ob ein Kunde sein gesuchtes Produkt überhaupt zu Gesicht bekommt – lange bevor Preis, Design oder Versandkosten überhaupt eine Rolle spielen.

Was schlechte Produktdaten wirklich kosten

Wie teuer das in der Praxis wird, zeigt eine Studie des ECC Köln in Zusammenarbeit mit Atrify: Insbesondere bei schnelldrehenden Konsumgütern (FMCG) geben 68 Prozent der Kundinnen und Kunden, die in den letzten zwölf Monaten eine Online-Bestellung abgebrochen haben, fehlende oder fehlerhafte Produktinformationen als Grund dafür an.[2] Rund 77 Prozent der Befragten stimmen zudem der Aussage zu, lieber in einem Shop zu bestellen, der umfangreiche Produktinformationen bereitstellt.[2] Eine weitere Befragung der Initiative Digitale Handelskommunikation kommt zu einem ähnlich deutlichen Bild: Wenn eine gewünschte Produktinformation nirgends zu finden ist, kauft fast die Hälfte der Befragten, 49 Prozent, lieber etwas anderes oder gleich gar nichts.[3]

Diese Zahlen zeigen: Schlechte Produktdaten kosten nicht nur einzelne Klicks in der Suche. Sie kosten am Ende ganze Kaufentscheidungen – und zwar bei genau den Kunden, die eigentlich schon kaufbereit waren. Besonders bitter daran: Diese Kunden geben in der Regel kein Feedback und beschweren sich nicht. Sie schließen den Tab, wechseln zum nächsten Suchergebnis und kaufen dort, wo die Informationslage vollständiger ist – ohne dass der ursprüngliche Shop je erfährt, warum der Umsatz ausgeblieben ist.

Die Dimensionen guter Produktdaten

Damit Produktdaten eine Suche tatsächlich zuverlässig füttern können, müssen sie mehrere Kriterien gleichzeitig erfüllen. Vollständigkeit bedeutet, dass für jedes Produkt alle im Datenmodell vorgesehenen Attribute sinnvoll befüllt sind, nicht nur Titel und Preis. Konsistenz bedeutet, dass Größeneinheiten, Bezeichnungen und Kategorisierungen über das gesamte Sortiment hinweg einheitlich verwendet werden, damit Kunden innerhalb einer Produktgruppe überhaupt gezielt filtern und vergleichen können. Eindeutigkeit bedeutet, dass keine doppelten oder widersprüchlichen Datensätze zum selben Produkt im System kursieren.[1] Fehlt eine dieser drei Dimensionen, wirkt sich das direkt auf Auffindbarkeit und Nutzererlebnis aus – unabhängig davon, wie fortschrittlich die eingesetzte Suchtechnologie im Hintergrund tatsächlich ist.

Besonders deutlich wird das bei technischen Sortimenten, etwa im B2B-Handel mit Ersatzteilen, Maschinenkomponenten oder Baumaterialien. Hier reicht ein einzelnes fehlendes Attribut wie die Festigkeitsklasse einer Schraube oder die Spannungsangabe eines Bauteils oft schon aus, um eine an sich passende Anfrage komplett ins Leere laufen zu lassen. Je granularer und technischer ein Sortiment ist, desto größer wird der Hebel, den saubere Datenpflege auf die Trefferqualität hat – und desto teurer wird jede Lücke, die unentdeckt bleibt.

Der Business Case: Was sich rechnet

Interessant wird das Thema endgültig, wenn man sich ansieht, was strukturierte Produktdatenpflege tatsächlich bewirkt. Nach Zahlen von Forrester Research erzielen Unternehmen, die ein Product-Information-Management-System (PIM) konsequent einsetzen, bis zu 50 Prozent Zeitersparnis in der Datenpflege und bis zu 20 Prozent höhere Umsätze.[4] Ein konkretes Rechenbeispiel aus der Praxis unterlegt das: Bei einem mittelständischen Markenhersteller sank der Pflegeaufwand pro Produkt durch ein strukturiertes Datenmanagement von 17,5 auf 4,5 Stunden, eine Zeitersparnis von 73 Prozent, was umgerechnet rund 845 Euro Einsparung pro Produkt und Jahr entspricht. In einem durchgerechneten Szenario mit 10 Millionen Euro Jahresumsatz führte das zu einem Gewinnzuwachs von 47 Prozent.[5]

Dass hier branchenweit noch erhebliches Potenzial liegt, zeigt eine aktuelle DIHK-Erhebung unter 5.000 deutschen Unternehmen: 76 Prozent der befragten KMU kämpfen aktuell mit unzureichender Datenqualität und Datensilos – nach eigener Einschätzung die unbequemste, zugleich am häufigsten ignorierte Zahl der gesamten Umfrage.[6] Wer diese Lücke schließt, arbeitet also nicht an einem Nischenthema, sondern an einem Problem, das die überwiegende Mehrheit der eigenen Wettbewerber ebenfalls noch nicht gelöst hat.

Wie Eywora Produktdatenqualität sichtbar und handhabbar macht

Genau an diesem Punkt setzt der Health-Score-Baustein von Eywora an. Statt Produktdatenqualität als separates, oft jahrelang aufgeschobenes IT-Projekt zu behandeln, bewertet Eywora jeden einzelnen Artikel im Katalog fortlaufend anhand mehrerer Qualitätsdimensionen und macht sichtbar, wo genau Datenlücken die Auffindbarkeit eines Produkts konkret einschränken. Statt einer abstrakten Fehlerliste erhält das Team eine nach Wirkung priorisierte Empfehlung: Welche Korrektur bringt den größten Effekt auf Sichtbarkeit und Umsatz, und in welcher Reihenfolge lohnt sich die Bearbeitung am meisten?

Korrekturen lassen sich direkt in der Plattform vornehmen und werden automatisch an den Shop zurückgespielt, ganz ohne erneuten Feed-Upload und ohne Entwickler-Ressourcen. Weil Search, Health Score und Analytics auf derselben Datenbasis arbeiten, zeigt sich der Effekt einer verbesserten Produktbeschreibung nicht nur im Health Score selbst, sondern unmittelbar auch in der Such-Performance und im Umsatzbeitrag der betroffenen Anfragen. So wird aus einer oft vernachlässigten Datenpflege-Aufgabe ein messbarer, steuerbarer Hebel für die Conversion.

Wer sehen möchte, wie viele der eigenen Produkte aktuell unter mangelhaften Datenlücken leiden, kann Eywora 14 Tage kostenlos und ohne Kreditkarte auf dem eigenen Katalog testen oder eine 30-minütige Live-Demo an einem echten Kundenshop buchen.

Praktischer Fahrplan: Wo Sie anfangen sollten

Wer nicht weiß, wo im eigenen Katalog die größten Datenlücken liegen, sollte nicht bei den umsatzstärksten, sondern bei den meistgesuchten, aber selten gefundenen Produkten anfangen. Ein Blick in die eigenen Suchprotokolle zeigt meist schnell, welche Anfragen regelmäßig zu Nulltreffern oder zu offensichtlich unpassenden Ergebnissen führen. In den allermeisten Fällen liegt die Ursache nicht in der Suchtechnologie, sondern in fehlenden Attributen, uneinheitlichen Bezeichnungen oder veralteten Beschreibungen genau dieser Artikel. Wer hier zuerst ansetzt, sieht den Effekt einer besseren Datenpflege am schnellsten – und kann den Business Case damit auch intern am überzeugendsten belegen.

Fazit: Datenpflege ist kein Hygienefaktor, sondern eine Umsatzstrategie

Die Vorstellung, Produktdatenpflege sei ein notwendiges Ãœbel im Backend, das irgendwann „mal gemacht werden muss“, hält der Realität nicht stand. Sie ist die Grundlage, auf der jede Suchtechnologie überhaupt erst wirken kann, und direkt messbar mit entgangenem oder gewonnenem Umsatz verbunden. Unternehmen, die Produktdaten konsequent pflegen, verbessern nicht nur ihre Suche, sie verbessern ihre gesamte Customer Journey, von der ersten Anfrage bis zum Kaufabschluss. Wer 2026 noch glaubt, allein eine bessere Suchtechnologie löse das Auffindbarkeits-Problem, übersieht die eigentliche Ursache: nicht die Suche versteht zu wenig, sondern die Daten sagen ihr zu wenig.

Quellen

[1] marconomy – Produktdaten – die Achillesferse im E-Commerce

[2] onetoone.de – Gepflegte Produktdaten schützen vor Kaufabbruch, unter Berufung auf eine Studie von ECC Köln und Atrify

[3] Händlerbund – Fehlende Produktinformationen führen bei der Hälfte zum Kaufabbruch, unter Berufung auf eine Erhebung der Initiative Digitale Handelskommunikation (IDH)

[4] Smart Commerce – PIM & MDM, unter Berufung auf Forrester Research

[5] onacy – PIM und PXM: Was die Zahlen wirklich sagen, unter Berufung auf Forrester/Akeneo sowie eigene Projekterfahrung

[6] smartworker – DIHK-Digitalisierungsumfrage 2026: 5.000 Unternehmen zur KI-Reife im Mittelstand

Eywora powered by signundsinn GmbH

Jean-Paul-Richter-Str. 3

81369 München – Deutschland

Phone: +49 89 215 27 10 99

sales@eywora.com

eywora.com

Die signundsinn GmbH aus München ist eine spezialisierte Fachfirma für den digitalen Handel. Im Fokus stehen maßgeschneiderte E-Commerce-Lösungen auf Basis von Shopware und Shopify – stets integriert in bestehende Systemlandschaften wie ERP, PIM oder DAM. Mit technischer Exzellenz, strategischem Blick und partnerschaftlicher Zusammenarbeit unterstützt signundsinn mittelständische Händler dabei, ihre digitale Wettbewerbsfähigkeit nachhaltig auszubauen.