Warum erfolgreiche Produktdatenstrategien beim Team beginnen

Aktuell modernisieren viele Unternehmen ihre Commerce-Architekturen – und das mit hohen Erwartungen. Headless-Modelle, API-first-Ansätze (Application Programming Interface) und von Künstlicher Intelligenz (KI) gestützte Prozesse sollen Systeme einfacher und schneller machen.

Gleichzeitig zeigt sich in vielen Unternehmen eine gewisse Ernüchterung: Trotz der neuen Systeme verlaufen Produktlaunches weiterhin zäh, KI-Initiativen verharren im Pilotstatus und die Abstimmung zwischen IT, Marketing und den Fachbereichen ist aufwendiger als erwartet.

Auffällig ist, dass die Ursachen selten allein in fehlender Technologie liegen. Viel häufiger fehlt eine gemeinsame organisatorische Grundlage, insbesondere bei Produktdaten.

Produktinformationen entstehen nicht an einem Ort, sondern werden in technischen Systemen gepflegt, vom Marketing angereichert, von Commerce-Teams optimiert und in operative Prozesse überführt. Häufig führt diese Verteilung dazu, dass es unterschiedliche Versionen desselben Produkts gibt: leicht abweichende Attributdefinitionen, nicht synchronisierte Aktualisierungen und unklare Verantwortlichkeiten bei Änderungen. 

Solche Konstellationen bleiben lange unsichtbar – bis neue Systeme oder KI-Anwendungen sie offenlegen.

Die wirtschaftlichen Folgen sind längst sichtbar

Gartner beziffert die Kosten schlechter Datenqualität auf durchschnittlich 12,9 Millionen US-Dollar pro Jahr. Mitarbeiter verbringen bis zu zwölf Stunden pro Woche damit, Informationen zu suchen oder intern abzustimmen. Gleichzeitig berichten Verbraucher zunehmend von Unzufriedenheit mit unvollständigen oder widersprüchlichen Produktangaben – ein Umstand, der sich direkt in Retourenquoten und Kaufabbrüchen niederschlägt.

Diese Zahlen werden häufig als Argument für neue Systeme herangezogen – tatsächlich verweisen sie jedoch auf organisatorische Defizite.

Ohne saubere Produktdaten scheitert auch KI

Moderne Architekturen wie Headless oder API-first erhöhen die Anforderungen an interne Abstimmung sogar noch. Wo Systeme modular aufgebaut sind und Daten über zahlreiche Schnittstellen fließen, müssen Begriffe, Attribute und Verantwortlichkeiten präzise definiert sein. Andernfalls wird Fragmentierung nicht beseitigt, sondern technisch reproduziert. Je flexibler die Infrastruktur, desto klarer muss das zugrunde liegende Datenmodell sein.

Besonders deutlich wird dieser Zusammenhang im Kontext von KI. Generative KI soll Produktbeschreibungen erstellen, Attribute automatisch ergänzen oder personalisierte Empfehlungen ausspielen. Doch solche Anwendungen setzen konsistente, vollständige und semantisch eindeutige Daten voraus. Sind Produktinformationen inkonsistent gepflegt oder fehlen klare Freigabeprozesse, verstärkt KI bestehende strukturelle Schwächen.

Von „Welches System?“ zu „Wer verantwortet was?“

Vor diesem Hintergrund verschiebt sich der Fokus: Nicht die Frage „Welches System?“ steht am Anfang, sondern „Wer verantwortet was?“. Wer definiert verbindlich, welche Attribute ein Produkt haben muss? Welche Qualitätskriterien gelten unternehmensweit? Wie werden Änderungen abgestimmt, dokumentiert und kommuniziert? Und wie wird gemessen, ob Daten tatsächlich besser werden? Erst wenn diese Fragen beantwortet sind, wird Technologie zum wirkungsvollen Instrument.

Erfolgreiche Produktdatenstrategien beginnen daher nicht mit Software, sondern mit klarer Verantwortlichkeit. Unternehmen, die nachhaltige Verbesserungen erzielen, gehen strukturiert vor:

1. Reifegrad analysieren: Wo entstehen Medienbrüche? Wer verantwortet welche Daten? Wie fließen Informationen zwischen Abteilungen?
2. Verantwortlichkeiten definieren: Data Stewards, klare Governance-Regeln und transparente Freigabeprozesse sind essenziell.
3. Business-Ziele priorisieren: Die Einführung eines Product Information Management (PIM) darf kein IT-Projekt bleiben. Sie muss mit klaren wirtschaftlichen Zielen verknüpft sein – etwa kürzere Time-to-Market, geringere Retourenquoten oder höhere Conversion Rates.
4. Technologie gezielt integrieren: PIM fungiert als verbindendes Element im Technologie-Stack und arbeitet eng mit Systemen für Enterprise Resource Planning, Digital Asset Management, Content Management System) oder Master Data Managementzusammen.   
5. Ergebnisse kontinuierlich messen: Datenvollständigkeit, Fehlerquoten, Enrichment-Zeiten und kanalübergreifende Konsistenz müssen regelmäßig überprüft und optimiert werden.

In der Praxis zeigt sich, dass Unternehmen mit klar definierten Data-Owner-Strukturen, transparenten Governance-Prozessen und einer zentralen Sicht auf ihre Produktinformationen deutlich schneller skalieren können – unabhängig davon, ob sie auf Marktplätze expandieren, neue Regionen erschließen oder KI-Anwendungen integrieren. Ein Product Information Management-System kann in diesem Zusammenhang eine zentrale Rolle spielen, weil es Informationen bündelt und Transparenz schafft. 

Digitalisierung wird häufig als technisches Transformationsprojekt verstanden, ist aber in vielen Fällen vor allem ein Abstimmungsprojekt. Produktdaten bilden dabei den Schnittpunkt zwischen IT, Marketing, Produktmanagement und Commerce. Wenn diese Bereiche nicht mit einem gemeinsamen Verständnis von Datenqualität und Verantwortlichkeit arbeiten, bleibt auch die modernste Architektur unter ihren Möglichkeiten.

Struktur vor System

Technologie ist die Voraussetzung für effiziente Skalierung. Organisation hingegen ist die Voraussetzung für Wirkung. Dort, wo Teams auf ein konsistentes Datenfundament ausgerichtet sind, entstehen Geschwindigkeit, Skalierbarkeit und belastbare KI-Anwendungen nicht zufällig, sondern strukturell. Ohne diese Grundlage bleibt Digitalisierung Stückwerk – unabhängig davon, wie modern die eingesetzten Systeme sind.

Autor: Romain Fouache, CEO von Akeneo