Review – Regelmäßige Kontrolle deiner Daten

Starten möchte ich mit einer groben Gliederung

1. Einführung in Produkt-Reviews in PIM-Systemen
   1. Definition von Produkt-Reviews 
   2. Bedeutung und Notwendigkeit von Reviews in PIM-Systemen
    
2. Vorgehensweise für effektive Produkt-Reviews
   1. Einfrieren des Datenbestands vor dem Review
   2. Abgleich der Datendefinitionen und -struktur
   3. Modifikation der Definition bei Bedarf
   4. Abgleich der Bestandsdaten mit aktualisierten Informationen
   5. Ggf. Normierung bereits erfasster Daten für Konsistenz
   6. Ermittlung des GAP zwischen Bestandsdaten und fehlenden Informationen
   7. Überprüfung der Datenquellen und der Anlage- sowie Anreicherungsprozesse
    
3. Implementierung von Best Practices für Produkt-Reviews
   1. Festlegung von Review-Zyklen und Verantwortlichkeiten
   2. Einsatz geeigneter Tools und Technologien für Reviews
   3. Dokumentation und Nachverfolgung von Review-Ergebnissen
   4. Integration von Feedback-Loops zur kontinuierlichen Verbesserung
   5. Schulung und Sensibilisierung der Mitarbeiter für die Bedeutung von Reviews
    
4. Fallbeispiel: Effektive Umsetzung von Produkt-Reviews in einem PIM-System
   1. Beschreibung des Unternehmens und seiner Produktlandschaft
   2. Herausforderungen vor der Implementierung von Produkt-Reviews
   3. Erfahrungen und Ergebnisse nach der Implementierung
    

Ausführung:

1. Einführung in Produkt-Reviews in PIM-Systemen
   
   1. Definition von Produkt-Reviews: Produkt-Reviews in PIM-Systemen umfassen den Prozess der regelmäßigen Überprüfung und Aktualisierung von Produktinformationen, um deren Qualität, Konsistenz und Relevanz sicherzustellen. Dazu werden nicht nur die Daten selbst geprüft, sondern auch die Prozesse der Datenentstehung, Anreicherung und Freigabe.
   2. Bedeutung und Notwendigkeit von Reviews in PIM-Systemen: Produkt-Reviews sind unerlässlich, um Fehler und Inkonsistenzen in den Produktinformationen zu identifizieren, die Kundenzufriedenheit zu verbessern und die Effizienz der internen Abläufe zu steigern.
    
2. Vorgehensweise für effektive Produkt-Reviews
   1. Einfrieren des Datenbestands vor dem Review: Vor Beginn eines Reviews sollten alle relevanten Daten eingefroren werden, um eine konsistente Basis für die Überprüfung zu gewährleisten.
   2. Abgleich der Datendefinitionen und -struktur: Es ist wichtig, die Datendefinitionen und -strukturen zu überprüfen und sicherzustellen, dass sie einheitlich und verständlich sind.
   3. Modifikation der Definition bei Bedarf: Bei Bedarf sollten die Definitionen angepasst werden, um Änderungen im Produktangebot oder in den Anforderungen der Vertriebskanäle widerzuspiegeln.
   4. Abgleich der Bestandsdaten mit aktualisierten Informationen: Die vorhandenen Daten sollten mit den neuesten Informationen abgeglichen werden, um Inkonsistenzen zu identifizieren und zu korrigieren.
   5. Ggf. Normierung bereits erfasster Daten für Konsistenz: Bereits erfasste Daten sollten bei Bedarf normiert werden, um eine einheitliche Darstellung sicherzustellen.
   6. Ermittlung des GAP zwischen Bestandsdaten und fehlenden Informationen: Es ist wichtig, Lücken in den Produktinformationen zu identifizieren und zu schließen, um ein vollständiges Bild zu gewährleisten.
   7. Überprüfung der Datenquellen und der Anlage- sowie Anreicherungsprozesse: Die Qualität der Datenquellen und der Prozesse zur Anlage und Anreicherung von Produktinformationen sollte regelmäßig überprüft werden, um sicherzustellen, dass sie den Anforderungen entsprechen.
    
3. Implementierung von Best Practices für Produkt-Reviews
   
   1. Festlegung von Review-Zyklen und Verantwortlichkeiten: Klare Review-Zyklen und Verantwortlichkeiten sollten festgelegt werden, um sicherzustellen, dass Reviews regelmäßig durchgeführt und verantwortungsvoll geleitet werden.
   2. Einsatz geeigneter Tools und Technologien für Reviews: Der Einsatz von geeigneten Tools und Technologien kann den Review-Prozess automatisieren und optimieren.
   3. Dokumentation und Nachverfolgung von Review-Ergebnissen: Alle Review-Ergebnisse sollten dokumentiert und nachverfolgt werden, um sicherzustellen, dass identifizierte Probleme korrigiert werden und um den Fortschritt im Laufe der Zeit zu überwachen.
   4. Integration von Feedback-Loops zur kontinuierlichen Verbesserung: Feedback-Loops sollten in den Review-Prozess integriert werden, um kontinuierliche Verbesserungen voranzutreiben und auf Rückmeldungen der Benutzer zu reagieren.
   5. Schulung und Sensibilisierung der Mitarbeiter für die Bedeutung von Reviews: Mitarbeiter sollten für die Bedeutung von Reviews sensibilisiert und entsprechend geschult werden, um sicherzustellen, dass sie aktiv am Review-Prozess teilnehmen und die Qualität der Produktinformationen verbessern.
    

4. Fallbeispiel: Effektive Umsetzung von Produkt-Reviews in einem PIM-System

   1. Beschreibung des Unternehmens und seiner Produktlandschaft: Vorstellung eines Unternehmens und seiner Produktpalette, um den Kontext für die Implementierung von Produkt-Reviews zu bieten.

   2. Herausforderungen vor der Implementierung von Produkt-Reviews: Beschreibung der Herausforderungen und Probleme, die das Unternehmen vor der Implementierung von Produkt-Reviews hatte.

   3. Erfahrungen und Ergebnisse nach der Implementierung: Darstellung der Erfahrungen und Ergebnisse des Unternehmens nach der Implementierung von Produkt-Reviews, einschließlich der erzielten Verbesserungen in der Datenqualität und -konsistenz sowie der Effizienz der internen Abläufe.
      

Jetzt nochmal kurz einen Sprung in die Praxis.

Wenn nun die Anforderung gestellt wird, ein Review durchzuführen, fühlt sich das für viele wie ein persönlicher Angriff an. “Warum kontrollieren? Ich geb jeden Tag 100%, was sollen wir denn verbessern?”

Und doch, Digitalisierungsprojekte sind nie abgeschlossen, sie unterliegen ständigem Wandel und Weiterentwicklung. Die entsprechenden Faktoren habe ich oben ja bereits kurz skizziert.

Davon ab wird hier nicht die Arbeit des PIM-Admin oder des Product Owners überprüft. Es geht viel mehr um den Abgleich zwischen unternehmerischer Entwicklung und dem technologischen Status Quo.

Zu prüfen sind somit:

• Unternehmensausrichtung
• Marktentwicklung
• Datenbestand und Qualität
• PIM-System, Schnittstellen und Prozesse

Wer führt ein Review durch?

Idealerweise wurde für ein durchzuführendes Review ein entsprechendes Protokoll erstellt.

Und da es nicht darum geht, einen Schuldigen zu finden, sondern einen ganzheitlichen Überblick zu erhalten, sind natürlich auch alle Fachbereiche beteiligt und müssen entsprechendes Feedback und Input geben. Das heißt, jede Fachabteilung, die in welcher Form auch immer am PIM partizipiert, sei es auch nur als vorgelagerte Instanz, muss mit einbezogen werden. Jede Abteilung oder Stelle erstellt eine Übersicht ihrer relevanten Prozesse und diese werden anschließend abgeglichen mit einem vorherigen Stand und dem Zusammenspiel mit vor- und nachgelagerten Prozessen. Bei der Ermittlung der zeitlichen Aufwände, Korrekturschleifen oder Nachbearbeitungen lassen sich bereits erste Optimierungspotenziale erkennen.

Und nein, ein Review ist nicht Aufgabe der EDV oder IT! Komischerweise geistert diese Ansicht in vielen Köpfen umher. Aber an dieser Stelle sollte man sich nochmal vor Augen halten, die IT stellt die Systeme zur Verfügung und kümmert sich um Lizenzen, Speicherplatz, CPUs, RAM oder HyperV-Connections.

Überprüfungsintervalle für ein PIM-System

Nun da passt sicherlich am besten die Aussage: “Es kommt drauf an.”. Auf die Sortimentsgröße, Diversifizierung, auf die Anzahl der SKU, Häufigkeiten Produktdatenänderungen, Anzahl externer Quellen, Abhängigkeiten von externen Datenempfängern (z.B. Google) usw..

Als Richtwert hat sich in der Praxis ein Zeitraum von ca. 2 Jahren etabliert. Dies kann variieren, wenn sich externe / interne Faktoren ändern und eine schnellere Anpassung von Nöten sein sollte. Wir alle wissen alle, dass aufgeschobene Bereinigungen ein Vielfaches an Zeit verschlingen und so die Systeme, Prozesse und Kollegen unnötig belasten.

Datenqualität

Das PIM wurde eingeführt, um vollständige, aussagekräftige, relevante (vor allem für die Zielgruppe), konsistente Produktdaten hochverfügbar vorzuhalten, in eine Vielzahl von Kanälen exportieren zu können und dem Kunden eine überragende buying experience zu bieten und somit Teil des Product Experience Managements zu sein.

Somit dreht sich alles um die Datenqualität.

Mit Produktdaten wird die Customer Experience gefüttert und Unternehmen müssen heutzutage immer mehr rechtliche Anforderungen erfüllen, wie Konformitäten oder rechtliche Kennzeichnungen wie LMIV oder CLP. Diese variieren sogar noch im internationalen Vergleich, da viele Verordnungen zwar im europäischen Raum verpflichtend sind, aber im jeweiligen nationalen Recht unterschiedlich tief umgesetzt werden.

Zudem steigt die Anzahl der zu bedienenden Touchpoints kontinuierlich an, egal ob im Shop, in der App, am Point of Sale (POS) oder auf den sozialen Medien. Überall werden Daten benötigt und diese müssen über alle Kanäle hinweg den gleichen Informationsgehalt aufweisen sowie aktuell und korrekt sein.

Eines gleich vorweg. Produktdatenpflege ist zeitaufwändig. Und in den seltensten Fällen steht in einem Unternehmen eine Abteilung zur Verfügung, die sich ausschließlich um die Erfassung, Vervollständigung und Optimierung von Produktdaten kümmert.

Ganz im Gegenteil sogar, oftmals ist die Produktdatenpflege lästiges Beiwerk im Tagesgeschäft. Denn seien wir mal ehrlich, wenn wir als Einkäufer ein super Produkt gesourct haben, wollen wir uns nicht hinsetzen und überlegen, wie sieht jetzt die Internet-Produktbezeichnung aus, dann brauchen wir noch eine Marktplatz-Produktbezeichnung, beides natürlich SEO optimiert (was auch immer das bedeutet), dann eine Katalog-Bezeichnung, vielleicht noch eine kurze Variante für den POS. 

Dann brauchen wir Beschreibungen, natürlich auch wieder für den Shop, Marktplatz und Katalog, SEO nicht zu vergessen für die ersten beiden Varianten. 

Dann brauchen wir USPs, bei Amazon geht nämlich nicht viel ohne und da Amazon mittlerweile mehr als Suchmaschine fungiert als Google selbst, sind die User verwöhnt und wollen die USP auch im Shop sehen. Duplicate Content ist nicht gern gesehen, also auch hier wieder Derivate erstellen. 

Technische Attribute brauchen wir auch, für jede Suche, jeden Filter und die unzähligen Feeds von Google-Shopping, Idealo, billiger.de, SMEC oder sonstigen Preisvergleichsportalen. Und jeder hat natürlich seine ganz eigenen, nicht immer sinnvoll erscheinenden Anforderungen.

Dann haben wir noch die ganzen rechtlichen Kennzeichnungen, angefangen bei Steckertyp, CLP-Hinweisen, Biozid- und Pflanzenschutzmittel, Waschhinweisen, Allergikerkennnhinweis, Gefahrgut, usw..

Cross- und Upselling natürlich nicht zu vergessen und die ganzen Assets! Schöne Bilder, dann noch Freisteller für Amazon und Google, Bedienungsanleitungen natürlich in unterschiedlichen Sprachen, ggf. mit Sicherheitshinweisen in Amtssprache, Sicherheitsdatenblätter, Detergenzienverordnungen und Anwendungsvideos wären toll.

Beim Thema Assets kommt unter Umständen noch die Metadaten-Pflege hinzu.

Diese Flut an Aufzählungen zeigt bereits, dass die Anlage und Pflege eines Artikels Zeit in Anspruch nimmt. Von einem Artikel kann man nicht leben, also braucht man viele Artikel und der Aufwand wächst dann überproportional, aufgrund der unterschiedlichen Verbindungen untereinander.

Um die eigene Datenqualität nun zu bewerten, müssen wir uns Fragen stellen…unbequeme Fragen, aber nur so werden wir zu einem konstruktiven Ergebnis gelangen.

Frage 1

Haben wir innerhalb definierter Produktgruppen einen annähernd gleichen Datenstand und dies sowohl quantitativ als auch qualitativ?

Das heißt, erfüllen unsere Daten einmal den Mindestanspruch, was so viel bedeutet, wie haben wir eine Bezeichnung, Beschreibung und Produktabbildung? Auf der anderen Seite stehen die optionalen Informationen (in dem Produktvideo zu Apollons OMN 5 haben wir gesehen, dass es unterschiedliche Attribut-Typen gibt, mandatory, recommended und optional).

Wenn wir E-Bikes anbieten würden, dann sollten Rahmengröße, Laufradgröße, Anzahl Gänge, Motorleistung und Akkukapazität bei allen Rädern gepflegt sein, damit der Kunde die Produkte vergleichen kann.

Frage 2

Entsprechen die erfassten Daten noch den Anforderungen der empfangenden Ausgabekanäle?

Ich habe oben bereits angedeutet, dass Google, Bing, Amazon usw. durchaus unterschiedliche Anforderungen an die Datenfeeds haben und diese muss der Kanalverantwortliche auf dem Schirm haben und auch rechtzeitig in die Systeme und Prozesse aufnehmen und die Daten erfassen lassen. Hier ist auf jeden Fall immer auf die Fristen zu achten, ansonsten verschwindet man schnell in den Tiefen der Suchergebnislisten.

Frage 3

Bestehen automatisierte Prozesse, die Daten einliefern oder anreichern?

Viele Händler sind über Portale angebunden und empfangen Daten, egal ob Produktdaten selbst, Preis-Updates oder Produktabbildungen über FTP-Accounts. Hier ist zu prüfen, ob die automatisierten Prozesse reibungslos laufen, ob die Prüfungen ausreichend sind oder ob sie erweitert werden müssen. Manche Datenquellen entsprechen vielleicht nicht mehr den strategischen Zielen und müssen abgeschaltet werden.

Frage 4

Können manuelle Prozesse automatisiert werden?

Die Entwicklung der PIM-Systeme ist rasant und durch die modulare Bauweise können neue Features an Bord genommen und manuelle Tätigkeiten ersetzt werden. So können beispielsweise Übersetzungen durch entsprechende API-Anbindungen ersetzt oder Bildverschlagwortungen durch KI übernommen und Bild-Freisteller durch KI ausgeführt werden.

Frage 5

Gerade wenn Unternehmen wachsen, stellt sich die Frage nach einem Data-Governance-Leitfaden.

Oftmals gibt es eine Einarbeitung und dann wird mündlich übermittelt, “ja wir machen das so und so und bei den Produkten von X musst du darauf achten und bei Y das nur so machen, es sei denn der Umstand XY tritt ein, dann machen wir das so.”
Das Ergebnis ist abzusehen, daher braucht es eine klare Richtlinie, ein gemeinsames Verständnis und eine zentrale Verwaltung der Richtlinie, damit wir über alle Sortimentsbereiche die gleichen Ergebnisse erzielen können.

System-/Technologie Bewertung

Wir müssen natürlich auch einen Blick auf das System selbst werfen. Live- und Stagingsystem laufen auf unterschiedlichen Systemkonfigurationen, die Staging-Systeme sind meist virtuell eingebunden, der Rest braucht aber Rechenpower, Speicherplatz, Arbeitsspeicher etc..

Hier muss geprüft werden, ob in letzter Zeit neue Technologien hinzugekommen sind, ob neue Prozesse eingebunden wurden, die ggf. mehr Rechenpower benötigen. KIs und elastic searches brauchen Power.

Sehen wir ggf., dass Protokolle oder Auslagerungsdateien zu groß werden, dass Importe oder Exporte mehr Zeit in Anspruch nehmen als vorher oder mittlerweile generell als zu langsam wahrgenommen werden? 

Hier muss die IT und ggf. DEVOPS ansetzen und die Kommunikation der Server, der Module untereinander überprüfen, ggf. können andere Verbindungen, neuere Switches oder Bridges einen Performance Zuwachs generieren.

Aber auch die Datenbankabfragen selbst können optimiert werden. Welche Queries gibt es? Kann ggf. etwas indiziert werden, um die Abfragen zu verkürzen? Können eventuell Optimierungen am Datenmodell selbst durchgeführt werden?

Dann sollten noch die Schnittstellen in Augenschein genommen werden. Durch eine schnellere Generierung der Exportdateien, kann ggf. häufiger exportiert werden und z.B. Marktplätze aktueller versorgt werden.

Wenn wir die technische Seite einmal herunterbrechen, dann sind grob drei Bereiche in Betracht zu ziehen:

1. Technische Anforderungen
2. Funktionale Anforderungen
3. Prozessuale Anforderungen