KI-Qualitätsprüfungen für PIM-Daten: fehlende, falsche und widersprüchliche Attribute erkennen

KI-Qualitätsprüfungen für PIM-Daten kombinieren feste Validierungsregeln mit Machine-Learning-Modellen, die nach Problemen suchen, die sich nicht als Regel formulieren lassen: Produktbeschreibungen, die Attributen widersprechen, Bilder, die eine andere Farbe oder einen anderen Ausschnitt zeigen als der Datensatz, und unplausible Masse. Ziel ist es, fehlende, falsche und widersprüchliche Daten abzufangen, bevor sie die Kundschaft erreichen, denn ungenaue Produktinformationen sind ein anerkannter Treiber von Retouren.

Warum ist die Qualität von Produktdaten für Retouren entscheidend?

Retouren gehören zu den grössten Kostenpositionen im Online-Modehandel, und Produktinformationen sind einer der wenigen Hebel, die eine Marke vollständig kontrolliert. In einer Konsumentenumfrage des PIM-Anbieters Akeneo, über die Just Style im April 2026 berichtete, gaben 43 Prozent der Befragten an, im vergangenen Jahr ein Produkt wegen ungenauer Informationen vor dem Kauf zurückgeschickt zu haben, und die Umfrage führte 58 Prozent der Bekleidungsretouren auf Grössenprobleme zurück. Eine separate, im Juni 2026 von Overnight Glasses in Auftrag gegebene Umfrage unter 1'882 Onlinekäuferinnen und -käufern, über die Retail Insider berichtete, ergab, dass Bekleidung die grösste Retourenkategorie ist, mit falscher Grösse oder schlechter Passform als Hauptgrund.

Umfragewerte schwanken je nach Methode und Auftraggeber, doch die Richtung ist eindeutig. Zalando berichtete gemäss FashionUnited zudem, dass seine KI-gestützten Grössenempfehlungen die grössenbedingten Retouren 2025 um 8 Prozent gesenkt haben, was zeigt, wie viel Wert in genauen Passform- und Grössendaten liegt.

Welche Arten von Datenfehlern sollten Prüfungen finden?

Lesen Sie auch

Wie findet KI die Ursachen von Retouren in der Mode?

Welche Prüfungen sollten Regeln sein und welche KI?

Ein häufiger Fehler ist, KI dort einzusetzen, wo eine Regel günstiger und zuverlässiger wäre. Alles, was sich präzise definieren lässt, gehört in Regeln: Pflichtfelder, Formate, Wertelisten und Identifikatoren. GS1 hält zum Beispiel fest, dass jede Grösse, jede Farbe und jede Kombination eine eigene GTIN braucht, was eine einfache Regel prüfen kann. Auch Marktplätze setzen Regeln durch: Zalando verlangt kategoriespezifische Attribute und ein verpflichtendes Bildset und meldet die Validierungsergebnisse in einem Produktstatusbericht.

KI schafft Mehrwert, wo Urteilsvermögen gefragt ist: beim Lesen von Freitext, beim Interpretieren von Bildern, beim Erkennen von Ausreissern im Vergleich zu ähnlichen Produkten und beim Vorschlagen wahrscheinlich richtiger Werte. Die beiden Ebenen funktionieren am besten zusammen, wobei zuerst die Regeln laufen und KI prüft, was diese passiert. In der Praxis heisst das: Ein Datensatz kann technisch vollständig sein, mit jedem Pflichtfeld befüllt, und trotzdem falsch: eine korrekt formatierte Zusammensetzung, die zum Stoff der Vorsaison gehört, oder ein Farbwert, der nicht zum Foto passt. Genau in diesen Fällen verdient eine KI-Ebene ihre Kosten.

Was gehört auf eine Checkliste zur Qualität von PIM-Daten?

Vollständigkeit und Format (Regeln)

• Jede verkaufsfähige Grösse und Farbe hat eine gültige, eindeutige GTIN.
• Alle Pflichtattribute pro Kategorie und pro Kanal sind befüllt.
• Die Zusammensetzung ist pro Komponente strukturiert, und jede Komponente ergibt 100 Prozent.
• Pflegeinformationen, Ursprungsland und Grössentabelle sind vorhanden.
• Werte stammen aus kontrollierten Listen statt aus Freitext, wo eine Liste existiert.

Plausibilität und Konsistenz (KI-gestützt)

• Masse liegen im erwarteten Bereich für Kategorie, Passform und Grösse, verglichen mit ähnlichen Styles.
• Produkttitel und Beschreibungen widersprechen den strukturierten Attributen nicht (Material, Passform, Länge, Verschluss).
• Bilder entsprechen der erfassten Farbe, dem Muster, der Ärmellänge und dem Ausschnitt.
• Generierte Beschreibungen enthalten keine Merkmale, die im Attributdatensatz fehlen.
• Übersetzungen erhalten regulierte Begriffe wie Faserbezeichnungen und Pflegehinweise.

Prozess und Governance

• Jedes markierte Problem geht an eine namentlich benannte verantwortliche Person mit Fälligkeitsdatum.
• KI-Vorschläge sind als Vorschläge gekennzeichnet, bis eine Person sie freigibt.
• Korrekturen erfolgen im führenden System (zum Beispiel im PLM für die Zusammensetzung) und werden nicht in einem Kanal nachgebessert.
• Die Quote der Fehlalarme wird überwacht, und Schwellenwerte werden angepasst.
• Retourengründe werden zurückgespielt, um Attribute zu identifizieren, die Retouren mit dem Grund «entspricht nicht der Beschreibung» auslösen.

Wie führt man KI-gestützte Datenqualitätsprüfungen ein?

1. Die Ausgangsbasis messen. Bewerten Sie die aktuelle Vollständigkeit und die Fehlerquoten pro Kategorie und Kanal.
2. Zuerst die Regelebene in Ordnung bringen. Sie ist günstiger und beseitigt den grössten Teil des Rauschens, bevor KI zum Einsatz kommt.
3. KI-Prüfungen an einer Kategorie pilotieren, mit einem bekannten Fehlerset, und Präzision (wie viele Markierungen echt sind) sowie Trefferquote (wie viele echte Fehler gefunden werden) messen.
4. Konfidenzschwellen festlegen, die das Prüfvolumen für das Team bewältigbar halten.
5. Mit Retourendaten verknüpfen, um die Attribute zu priorisieren, die am meisten kosten, wenn sie falsch sind.

Lesen Sie auch

KI für Produktdaten in der Mode: Attribute, Tech Packs und Anreicherung im grossen Massstab

Wo liegen die Grenzen von KI-Prüfungen?

KI-Prüfungen sind probabilistisch. Bildmodelle können Farben unter anderen Lichtverhältnissen falsch lesen, und Sprachmodelle können ungewöhnlich formulierte Widersprüche übersehen. Sie übernehmen zudem Lücken in den Stammdaten: Ein Modell kann keine Futterzusammensetzung kennen, die nirgends erfasst wurde. Zu den Kosten zählen Prüfzeit und der Aufwand für die Pflege von Referenzdaten. Als Filter eingesetzt, der menschliche Aufmerksamkeit lenkt, und nicht als automatischer Korrektor, machen sie ein gut geführtes PIM verlässlicher, ohne die Verantwortung für die Daten zu verschleiern.