Ein Modell, das zehn Jahre trägt - und Varianten frisst, ohne umgebaut zu werden
Ein gutes Datenmodell ist unsichtbar - ist es falsch gebaut, stolpern alle darüber. Varianten, Bundles, Ersatzteile, Konfigurationen, sprachspezifische Inhalte werden täglich gepflegt und abgefragt. Wenn das Modell nicht trägt, wird jede Erweiterung zum Risiko.
Das typische Problem: Die Variantenstruktur ist flach. Der Konfigurator akzeptiert nur vollständige SKUs. Neue Attribute werden ad hoc angelegt, niemand dokumentiert sie. Das Qualitätsscoring steht auf „ist befüllt, passt schon" - ob ein Produkt verkaufsfähig ist, weiß niemand genau.
- ❌ Datenqualität wird kurz vor dem Go-live geprüft
- ❌ Pflichtfelder als Wunsch, nicht als Validierung
- ❌ Variantenstruktur flach gehalten
Die Lücken sind dann da, aber niemand hat Kapazität, sie noch zu schließen – gestartet wird trotzdem.
Es gibt Pflichtfelder auf Folien, im System aber keine technische Erzwingung – Redakteur:innen liefern unvollständige Datensätze.
Jeder neue Variantentyp wird zu einem zusätzlichen Attribut, statt zu einer echten Hierarchie – der Konfigurator wird unbedienbar.
Jeder Kanal hat eigene Pflicht-, Empfohlen- und Optional-Regeln. Pimcore Data Quality Management errechnet pro Produkt und Kanal live einen Score -
Redaktion und Management sehen in Echtzeit, welche Produkte wo veröffentlichbar sind.
Datenqualität wird damit zum messbaren Steuerungsinstrument. Statt „Gefühl der Redaktion" stehen klare Zahlen pro Kanal und pro Lieferant - Management und Redaktion sehen, wo Eingreifen sich lohnt und wo nicht.
Beispiel-Dashboard
82 % der Produkte sind shop-ready
64 % sind marketplace-ready
41 % haben vollständige technische Dokumente
28 % fehlen ETIM-Klassifikationsattribute
Drei Lieferanten generieren 60 % der Datenmängel
Beispielwerte. Die realen Zahlen zeigen sich beim ersten Pilot-Import - und werden danach zum kontinuierlichen Steuerungsinstrument.
Was wir liefern
Die Taxonomie ist die Baumstruktur Ihrer Produktwelt - Kategorien, Unterkategorien, Klassifikationen. Wir bauen sie so, dass neue Produktlinien ergänzt werden, ohne alles umzubauen.
Echte Hierarchien (Basisprodukt, Varianten, Ausprägungen) - statt flacher SKU-Listen mit redundanten Daten.
Übersetzungen, regionale Inhalte, kanalspezifische Beschreibungen - im Datenmodell vorgesehen, nicht nachträglich aufgesetzt.
Messbare Vollständigkeits- und Richtigkeits-Regeln pro Kanal - über das native Pimcore-Modul „Data Quality Management" konfiguriert. Dashboards zeigen live, welche Produkte wo veröffentlicht werden können.
Datenstrukturen, die Produktkonfiguratoren direkt nutzen können - inklusive Kombinationsregeln und Abhängigkeiten.
Praxisbeispiel: Meusburger (Präzisionsnormalien mit tausenden variantenreichen Bauteilen).
Unter der Haube
Qualität messbar machen - mit Pimcore Data Quality
Qualität ist keine Meinung, sondern ein Score. Pimcore bringt dafür das Modul Data Quality Management mit: Regeln werden per Konfiguration (nicht Code) gepflegt, jeder Regel ein Gewicht zugewiesen, und pro Kanal ein Completeness-Score errechnet. Welche Felder sind Pflicht, welche empfohlen, welche optional? Der Score wird live im PIM angezeigt und in das Reporting eingespeist - Redaktion und Management sehen in Echtzeit, welche Produkte live gehen können.
Konfigurator-ready-Daten für variantenreiche Kataloge
Konfiguratoren - etwa für Werkzeugkomponenten bei Meusburger - brauchen nicht nur Attribute, sondern Regeln und Relationen: welche Ausprägungen kombinierbar sind, welche Abhängigkeiten bestehen. Wir modellieren diese Regeln im PIM und halten sie synchron zum Konfigurator - statt in separaten Konfigurations-Engines gepflegt.
Ergebnis: Ein Datenmodell, das zehn Jahre trägt - und neue Produkt- oder Kanalansprüche aufnehmen kann, ohne umgebaut zu werden.
Kennen Sie die Vollständigkeitsquote Ihrer Produktdaten pro Kanal?
Vertiefung im Deep Dive: PIM-Migration in 90 Tagen