Datenqualität in JTL – saubere Artikelstammdaten
Von Frank Dahmen
Wie du Kosten senkst, Feeds stabilisierst und Prozesse im Onlineshop beschleunigst
Kurzfazit (TL;DR): Saubere Artikelstammdaten in JTL verhindern teure Folgefehler, weil Maße, Gewichte, GTIN und Variantenlogik direkt Versandkosten, Retouren, Feeds, SEO und Marktplatz-Freigaben beeinflussen. Mit klaren Validierungsregeln, Verantwortlichkeiten, automatisierten Checks und einer kurzen Definition-of-Done-Checkliste machst du Datenqualität alltagstauglich und reduzierst Nacharbeit spürbar.
Gute Daten sind günstiger als Nacharbeit.
Wenn Artikelstammdaten in JTL sauber sind, laufen Versandprozesse stabiler und die Datenbasis bleibt konsistent. Du reduzierst Nacharbeit, senkst Folgekosten und schaffst eine verlässliche Grundlage für Wachstum im Onlineshop.
Typische Datenprobleme in JTL: Maße, Gewichte, GTIN & Varianten
Direktantwort: Die häufigsten Kostentreiber sind unplausible Maße/Gewichte, fehlerhafte GTINs und eine inkonsistente Variantenlogik – weil diese Felder Versand, Feeds und Marktplatz-Freigaben direkt steuern.
„Zähe“ Datenpflege entsteht selten durch einen einzelnen Fehler, sondern durch wiederkehrende Muster. Besonders häufig sind unplausible Maße und Gewichte, fehlende oder fehlerhafte GTINs und Varianten, die nicht sauber abgebildet sind.
Typische Beispiele, die im Alltag schnell teuer werden:
- Gewicht fehlt oder ist zu niedrig: Versandregeln greifen falsch, Dienstleister berechnen Zuschläge, Pakete werden nachgewogen.
- Maße sind uneinheitlich: Sperrgut-Logik oder Volumengewicht lässt sich nicht sauber kalkulieren.
- GTIN ist fehlerhaft: Marktplätze lehnen Angebote ab oder ordnen Artikel falsch zu.
- Variantenlogik ist inkonsistent: Kinderartikel fehlen, Ausprägungen widersprechen sich, die Auswahl wirkt unzuverlässig.
- Attribute/Merkmale sind unvollständig: Filter, Feeds und Produktvergleich werden lückenhaft, Nachpflege häuft sich.
Viele dieser Probleme entstehen, wenn Daten aus mehreren Quellen zusammenlaufen: Herstellerdaten, Importe, manuelle Pflege und nachträgliche Korrekturen. Ohne klare Regeln wird die Datenbasis Schritt für Schritt heterogen.
Oft fällt das erst auf, wenn Prozesse an der falschen Stelle „knirschen“: bei Versandkosten, Marktplatz-Freigaben oder einer steigenden Retourenquote. Genau deshalb lohnt sich ein systematischer Blick auf die Stammdaten – nicht erst, wenn es brennt.
Auswirkungen: Versandkosten, Retouren, Feeds, SEO & Marktplätze
Direktantwort: Schlechte Stammdaten erhöhen Kosten, weil falsche Versandlogik, Marktplatz-Ablehnungen und schwache Feed-Qualität Nacharbeit und Umsatzverluste auslösen.
Schwache Datenqualität verursacht Kosten an Stellen, die im Alltag leicht untergehen. Falsche Gewichte und Abmessungen führen zu falschen Versandregeln, Zuschlägen und unnötigen Servicefällen. Gleichzeitig steigt das Retourenrisiko, wenn Varianten nicht eindeutig sind oder entscheidungsrelevante Merkmale fehlen.
Gerade bei Feeds und Marktplätzen sind Stammdaten oft der Engpass. Viele Plattformen prüfen Mindestanforderungen wie GTIN, Markenangaben, Bildvorgaben, Variantenstruktur und Pflichtattribute. Wenn Lücken bleiben, werden Artikel abgelehnt oder schlechter ausgespielt.
Auch für SEO hat Datenqualität spürbare Nebenwirkungen. Unsaubere Variantenlogik und lückenhafte Merkmale erzeugen häufig sehr ähnliche Seiten, schwache Filter und eine schlechtere interne Suche. Suchmaschinen können Produktbeziehungen schlechter verstehen, und strukturierte Daten (z. B. Product/Offer) werden unvollständig oder widersprüchlich.
Die gute Nachricht: Viele Effekte lassen sich mit klaren Regeln und regelmäßigen Checks zuverlässig beherrschen. Datenqualität ist damit kein „Nice to have“, sondern eine robuste Basis für stabile Prozesse und weniger Reibung zwischen Einkauf, Content, Versand und Marketing.
Validierungsregeln: Pflichtfelder, Plausibilität & Grenzwerte
Direktantwort: Ein schlankes Regelset aus Pflichtfeldern, Plausibilitäten und Grenzwerten verhindert die typischen Folgefehler – ohne dein Team mit Bürokratie auszubremsen.
Regeln, die wirklich helfen
Ein starker Hebel ist ein schlankes Set an Validierungsregeln. Ziel ist nicht, jede Ausnahme abzudecken, sondern die typischen Kostentreiber zuverlässig zu verhindern. Arbeite mit Pflichtfeldern für kritische Stammdaten, ergänze Plausibilitäten (z. B. Mindestlängen) und definiere Grenzwerte, die Ausreißer sichtbar machen.
Bewährt haben sich drei Stufen: „muss“, „sollte“, „prüfen“. So bleibt der Prozess alltagstauglich: Ein Artikel wird nicht wegen Kleinigkeiten blockiert, aber echte Risiken werden nicht übersehen. Wichtig ist außerdem eine eindeutige Datenquelle pro Feld, sonst entstehen schnell Widersprüche.
Praxis-Tipp: Starte mit wenigen Feldern und einer Ausnahmenliste. Wenn ein Report regelmäßig dieselben Fehler zeigt, ist das ein Hinweis auf eine fehlende Regel oder einen unklaren Workflow. So verbesserst du die Qualität iterativ, ohne das Team zu überfordern.
# Pflichtfelder (MUSS) – ohne diese keine Freigabe
Gewicht muss > 0 sein
Maße (L/B/H) müssen plausibel sein
GTIN nur, wenn vorhanden, dann Format prüfen
Varianten dürfen keine leeren Ausprägungen enthalten
# Plausibilitäten (SOLLTE) – hilft bei Qualität und Feeds
Titel >= 50 Zeichen, keine Platzhaltertexte
Beschreibung >= 200 Zeichen, strukturierte Absätze
Attribute/Merkmale je Kategorie nach Mindestset
# Grenzwerte (PRÜFEN) – Ausreißer sichtbar machen
Gewicht > 25 kg → Sperrgut-Prüfung
Länge > 120 cm → Versanddienstleister prüfen
# Ergebnis
Report „Fehler“ blockiert, Report „Warnung“ in Aufgabenliste
end
Workflows zur Pflege: Verantwortlichkeiten & Freigaben
Direktantwort: Datenqualität wird stabil, wenn pro Feld klar ist, wer pflegt, wer prüft und wann ein Artikel freigegeben wird.
Datenqualität wird zuverlässig, wenn Verantwortlichkeiten klar sind. In vielen Teams ist nicht definiert, wer welches Feld pflegt: Einkauf liefert Basisdaten, Content ergänzt Texte, Versand kennt Verpackungsrealitäten, und Marktplätze haben eigene Anforderungen. Ohne festen Ablauf entstehen Lücken – und am Ende korrigiert irgendwer „quick & dirty“, damit es weitergeht.
Ein praktikabler Ansatz ist ein Freigabeprozess entlang der größten Risiken:
- Stammdaten (Maße, Gewicht, GTIN, Variantenlogik): technische Freigabe, weil diese Felder Prozesse steuern.
- Inhalte (Titel, Beschreibung, Attribute/Merkmale): redaktionelle Freigabe, damit Filter, Feeds und SEO konsistent sind.
- Versand (Sperrgut, Verpackung, Zuschläge): operative Freigabe, weil falsche Daten direkt Geld kosten.
Wichtig: „Freigabe“ ist keine Bürokratie, wenn sie schlank bleibt. Eine kleine Checkliste reicht oft aus, wenn sie konsequent genutzt wird. Hilfreich ist außerdem ein klares Statusmodell: „Entwurf“, „zur Prüfung“, „freigegeben“, „gesperrt“.
Wenn du häufige Fehlerquellen kennst, kannst du Workflows gezielt verschlanken. Beispiel: Gewichte und Maße sollten nicht jedes Mal neu diskutiert werden, sondern aus einer verlässlichen Quelle kommen und nur bei Abweichungen als Ausnahme im Report landen.
Automatisierte Checks: Reports, Exporte & Prüf-Läufe
Direktantwort: Automatisierte Checks machen Datenprobleme sichtbar, bevor sie Kosten auslösen – über Fehler-, Warn- und Feed-Reports mit klaren Prioritäten.
Manuelle Stichproben helfen, aber sie skalieren selten mit dem Sortiment. Deshalb sind automatisierte Checks der zweite große Hebel. Ziel ist regelmäßige Sichtbarkeit: Welche Artikel haben fehlende Pflichtfelder? Wo sind Grenzwerte überschritten? Welche Varianten sind inkonsistent? Welche Bilder fehlen oder sind im falschen Format?
Bewährt hat sich ein Mix aus drei Report-Typen:
- Fehlerreport (blockierend): Pflichtfelder fehlen, Variantenlogik fehlerhaft, Maße/Gewichte leer oder unplausibel.
- Warnreport (priorisiert): Grenzwerte, ungewöhnliche Ausreißer, Textmindestlängen, fehlende Merkmalssets.
- Feedreport (kanalspezifisch): Felder für Marktplätze/Feeds, inkl. Bildstatus.
Plane feste Prüf-Läufe: wöchentlich fürs Gesamtsortiment und zusätzlich vor Imports, Aktionen oder größeren Änderungen. Technisch kann das über Exporte (CSV), Datenbank-Views oder integrierte Auswertungen laufen – entscheidend ist, dass Ergebnisse als Aufgaben im Team ankommen.
Pragmatischer KPI: Miss nicht nur die Fehleranzahl, sondern auch die Zeit bis zur Korrektur. So wird Datenpflege planbar und du erkennst, ob Workflows wirklich greifen.
Bildqualität & Definition of Done: Checkliste für neue Artikel
Direktantwort: Eine kurze Definition of Done verhindert Nacharbeit, weil neue Artikel erst live gehen, wenn Stammdaten, Varianten, Inhalte und Bilder vollständig und plausibel sind.
Bilder sind nicht nur „Deko“. Sie beeinflussen Klickrate, Vertrauen und Marktplatz-Freigaben – und sie verursachen Support, wenn sie fehlen oder inkonsistent sind. Gute Bildqualität heißt: passende Formate, ausreichende Auflösung, konsistente Hintergründe, klare Perspektiven und ein nachvollziehbares Naming.
Für Teams ist eine kurze Definition of Done bei neuen Artikeln oft der größte Effizienzgewinn. Eine kompakte Checkliste reduziert Rückfragen, Nacharbeiten und Prozessabbrüche. Beispiel für eine DoD, die im Alltag funktioniert:
- Maße (L/B/H) gepflegt, plausibel, Einheit korrekt
- Gewicht gepflegt, plausibel, Grenzwerte geprüft
- GTIN (wenn vorhanden) korrekt, keine Platzhalter
- Variantenlogik vollständig: keine leeren Ausprägungen, konsistente Attribute/Merkmale
- Attribute/Merkmale nach Kategorie-Mindestset gepflegt
- Texte ohne Platzhalter, Mindestlänge erfüllt, Nutzen klar beschrieben
- Bilder vollständig: Format/Auflösung konsistent, Naming sauber, Varianten logisch abgedeckt
- Feed-Check bestanden: Pflichtfelder je Kanal, Bildstatus, keine Warnungen mit hoher Priorität
Wenn diese Punkte vor dem Livegang erfüllt sind, sparst du in Summe spürbar Geld: weniger Versandzuschläge, weniger Retouren durch Missverständnisse, weniger Marktplatz-Ablehnungen und weniger Nachpflege. Damit wird Datenqualität zu einem echten Wettbewerbsvorteil – ohne dass dein Team in Bürokratie versinkt.
Über Frank Dahmen
Frank Dahmen beschäftigt sich seit den Anfängen des Internetzeitalters Mitte der 1990er Jahre intensiv mit Webentwicklung und Programmierung. Seine langjährige Erfahrung reicht von klassischen Webtechnologien bis hin zu modernen Software- und Systemarchitekturen. Besondere Interessen liegen in den Bereichen IT-Security und Künstliche Intelligenz, er greift aber auch gerne andere Themen rund um das IT-Geschehen auf.
Häufige Fragen zur Datenqualität in JTL
Weiterführende Beiträge
Unsere Lösungen für Sie – passend zum Thema
Wir zeigen dir, welche Lösung technisch sinnvoll ist und langfristig funktioniert.