Das Datenmodell nach dem Go-live – warum Produktdaten eine kontinuierliche Governance brauchen

Mit dem Go-live eines PIM-Systems endet die Arbeit am Datenmodell nicht – sie ändert ihren Charakter. Warum Datenmodelle ohne Entscheidungsrahmen schleichend driften und wie ein gestufter Governance-Rhythmus aus 30, 90 und 365 Tagen gegensteuert.

Aaron Apelt PXM-Berater
21. Juli 2026 · 11 Min. Lesezeit

Kurzfassung

  • Der Go-live markiert nicht den Abschluss des Datenmodells, sondern den Übergang von der Konzeption in den Betrieb.
  • Ohne geregelten Änderungsprozess entstehen Änderungen trotzdem – nur unkoordiniert. Das Ergebnis ist eine schleichende Modelldrift.
  • Ein gestufter Rhythmus aus Änderungsentscheidung (30 Tage), Bereinigung (90 Tage) und strategischer Überprüfung (365 Tage) hält das Modell steuerbar.

In meinem ersten Artikel bin ich darauf eingegangen, dass ein sauberes Datenfundament die Voraussetzung für eine gute Product Experience ist, diese aber nicht ersetzt. In diesem Artikel möchte ich mich der Frage widmen, wie dieses Fundament nach der Einführung eines PIM-Systems eigentlich stabil bleibt.

In den meisten Unternehmen ist die Einführung eines PIM-Systems ein klar abgegrenztes Projekt. Idealerweise werden Anforderungen aufgenommen, Attribute definiert, Produktklassen modelliert, Pflegeprozesse beschrieben und Verantwortlichkeiten festgelegt. Das Projekt hat einen Anfang, ein Budget und einen Endpunkt.

Was nach dem Go-Live folgt, ist in der Realität jedoch oft eine Blackbox. PIM-Projekte sind oft budgettechnisch eng bemessen. Dies resultiert auch daraus, dass ein PIM-System oft keine direkt sichtbaren Auswirkungen auf die Geschäftszahlen hat. Selbst wenn dies häufig daran liegt, dass die entsprechenden Messpunkte einfach fehlen, hat es doch Auswirkungen auf den Verlauf solcher Projekte, welche beachtet werden müssen.

Gerade im PIM-Kontext sieht man sich regelmäßig mit konzeptionellen Fragen konfrontiert, was Zeit und Aufwand kostet. Ähnlich wie bei Software-Projekten haben auch PIM-Projekte die Tendenz, sich eine technische Schuld aufzubauen. Mit dem Unterschied, dass sie nicht im Code entsteht, sondern in der fachlichen Struktur unserer Daten.1 In sehr vielen Fällen besteht diese darin, gewisse Themen später angehen zu wollen.

Die Governance eines PIM-Projekts innerhalb eines Unternehmens hat während des Projektverlaufs die geringsten Auswirkungen, da sich deren Prozesse und Strukturen häufig erst auf den Betrieb nach dem Livegang beziehen. Aus diesem Grund wird die Governance am häufigsten auf eine Phase nach dem eigentlichen PIM-Projekt geschoben.

Sobald dieser Fall eintritt, entsteht in der Großzahl aller PIM-Projekte ein massives Problem. Unabhängig davon, wie gut die erstellten Strukturen zur Inbetriebnahme sind, wenn kein geordneter Rahmen für deren Weiterentwicklung feststeht, bilden sich dieselben unstrukturierten Daten und Prozesse wie vor einer PIM-Einführung ab.

Der Go-Live ist deshalb nicht das Ende der Arbeit am Datenmodell. Es ist der Moment, ab dem es sich im Alltag bewähren und weiterentwickeln muss.

Datenmodelle beginnen nach dem Release zu altern.

Das Ganze ist nicht neu: Vergleichen wir unseren PIM-Bereich wieder mit der Softwareentwicklung, so ist diese Entwicklung schon lange bekannt. Meir M. Lehman hat bereits vor Jahrzehnten beschrieben, dass ein System im realen Einsatz kontinuierlich angepasst werden muss, um nützlich zu bleiben, und dass seine Komplexität zunimmt, sofern man nicht aktiv gegensteuert.2

Beide Aussagen lassen sich nahezu eins zu eins auf Produktdatenmodelle übertragen. Die Anlässe für Anpassungen sind dabei vielfältig und in der Regel auch berechtigt.

  • Sortimentsveränderungen: Neue Produktgruppen bringen Eigenschaften mit, die im bestehenden Modell nicht vorgesehen sind.
  • Kanalanforderungen: Marktplätze und Händlerportale verlangen zusätzliche oder anders strukturierte Informationen.
  • Regulatorik: Neue gesetzliche Vorgaben erzeugen Informationspflichten, die bislang nicht abgebildet werden mussten.
  • Fachliche Bedürfnisse: Marketing und Vertrieb benötigen neue Inhalte für Kampagnen, Beratung oder Personalisierung.
  • Kundenerwartungen: Vergleichbarkeit, Filterbarkeit und Transparenz gewinnen an Bedeutung.

Fehlt für diese Anlässe ein geregelter Prozess, dann finden Änderungen ungeordnet statt.

Betrachten wir dazu ein bewusst vereinfachtes Beispiel. Ein Händler pflegt zum Go-Live das Attribut „Farbe“. Einige Monate später benötigt das Marketing eine verkaufsfördernde Farbbezeichnung wie „Mitternachtsblau“ und legt dafür das Attribut „Farbe Marketing“ an. Kurz darauf verlangt ein Marktplatz eine Farbe aus einer festen Werteliste, woraufhin ein drittes Attribut „Farbe Marktplatz“ entsteht. Weil die Herstellerangaben in keines der drei Felder so richtig passen, kommt schließlich noch das Attribut „Herstellerfarbe“ hinzu.

Jede dieser Entscheidungen ist für sich genommen nachvollziehbar. Am Ende existieren allerdings vier Attribute für eine Eigenschaft, die alle unterschiedlich gepflegt werden müssen. Es ist unklar, welches davon für den Farbfilter im Onlineshop maßgeblich ist.

Genau das bezeichne ich als Modelldrift. Die tatsächliche Struktur des Modells entfernt sich schrittweise von ihrer ursprünglichen Konzeption, ohne dass dieser Entwicklung jemals eine bewusste Entscheidung zugrunde lag. Typische Anzeichen dafür sind:

  • ähnliche Attribute, die mehrfach und mit leicht abweichender Bedeutung existieren
  • Definitionen, die von verschiedenen Rollen unterschiedlich ausgelegt werden
  • kanalspezifische Anforderungen, die im zentralen, eigentlich kanalneutralen Modell gelandet sind
  • Produktklassen, deren Attributzuordnung zunehmend unübersichtlich wird
  • eine wachsende Zahl an Ausnahmen, Sonderregeln und Workarounds
  • Attribute, für die niemand eindeutig die Verantwortung für Quelle und Pflege trägt

Das Tückische daran ist, dass das System in diesem Zustand zunächst weiterhin funktioniert. Die Kosten zeigen sich nicht als Ausfall, sondern als schleichend steigender Aufwand: Das Modell wird schwerer verständlich, seine Pflege wird fehleranfälliger, die Einarbeitung neuer Mitarbeitender wird langwieriger und jede weitere Änderung wird riskanter.

Datenmodelle veralten selten durch eine große Fehlentscheidung. Sie veralten durch viele kleine Änderungen ohne gemeinsamen Entscheidungsrahmen.

Governance bedeutet nicht Dauerumbau.

An dieser Stelle kommt Data Governance ins Spiel. Das DAMA-DMBOK definiert Data Governance als die Ausübung von Autorität und Kontrolle, also Planung, Überwachung und Durchsetzung, über das Management von Datenbeständen.3 Übertragen auf unser Datenmodell bedeutet dies, dass es einen verbindlichen Rahmen gibt, in dem entschieden wird, ob, wie und durch wen das Modell verändert wird.

Häufig wird kontinuierliche Weiterentwicklung mit ständiger Veränderung gleichgesetzt. Eine gute Governance sorgt jedoch dafür, dass nicht jede neue Anforderung automatisch zu einem neuen Attribut oder einer neuen Sonderlösung führt. Ihre wichtigste Aufgabe ist also nicht das Hinzufügen, sondern das Abwägen.

Vor jeder Änderung am Modell sollten deshalb mindestens die folgenden Fragen beantwortet sein:

  • Welches konkrete fachliche Problem soll gelöst werden?
  • Benötigt der Kunde diese Information oder entsteht sie lediglich aus einem internen Wunsch?
  • Gibt es bereits ein Attribut, das diesen Bedarf abdeckt oder abdecken könnte?
  • Ist die Anforderung für mehrere Produktklassen und Kanäle relevant oder nur für einen Einzelfall?
  • Wer liefert die Information initial und wer verantwortet ihre Pflege dauerhaft?
  • Welche Auswirkungen entstehen für Schnittstellen, Exporte, Validierungen und nachgelagerte Prozesse?

Allein diese Fragen verändern die Diskussion spürbar. Anstatt direkt über die Ausgestaltung eines neuen Feldes zu sprechen, wird zunächst geklärt, ob eine Veränderung des Datenmodells überhaupt erforderlich ist.

Um beim Farbbeispiel zu bleiben: Hätte man das Marketing bei der ersten Anfrage gefragt, ob es bereits ein passendes Attribut gibt und ob die Anforderung nicht auch kanalspezifisch gelöst werden kann, wären vermutlich nicht vier Attribute entstanden.

Ein gestuftes Governance-Modell: 30, 90 und 365 Tage

Governance wird in vielen Unternehmen mit einem schwerfälligen Verwaltungsapparat in Verbindung gebracht. Für den Betrieb eines Produktdatenmodells ist ein solcher Apparat allerdings weder notwendig noch hilfreich.

Um Unternehmen den Einstieg in ein einfaches Governance-Konstrukt zu ermöglichen, empfiehlt sich ein unkomplizierter Ablauf. Wichtig: Hierbei handelt es sich um ein vereinfachtes Modell, das lediglich als Inspiration dienen soll. In realen Anwendungsfällen sollten die Rahmenbedingungen und Anforderungen in die Gestaltung eines solchen Konzepts einfließen.

RhythmusGegenstandLeitfrage
30 TageÄnderungsentscheidungWird das Modell verändert – und wenn ja, wie?
90 TageBereinigungWo ist das Modell komplexer als nötig?
365 TageStrategische ÜberprüfungPasst das Modell noch zu Markt, Unternehmen und Kunden?

Alle 30 Tage: Änderungen entscheiden

Auf der operativen Ebene bewertet ein kleines Gremium die offenen Änderungsanträge. Ich bezeichne es als Product Data Council. Wer aus dem IT-Service-Management das Change Advisory Board kennt, wird die Idee wiedererkennen – nur dass es hier um die fachliche Struktur der Produktdaten geht und nicht um Änderungen an der IT-Infrastruktur.

Teilnehmen sollten dabei nur die Rollen, die tatsächlich benötigt werden:

  • die Verantwortung für PIM beziehungsweise Produktdaten
  • Data Steward oder Verantwortung für das Datenmodell
  • eine Vertretung des anfordernden Fachbereichs
  • bei Bedarf E-Commerce, Marketing, Vertrieb oder IT

Für viele Unternehmen reicht ein monatlicher Termin von etwa 60 Minuten bereits aus. Wichtig ist, dass jeder Antrag mit einer klaren Entscheidung abgeschlossen wird. In der Regel genügen dafür fünf mögliche Ergebnisse:

  1. Die Anforderung wird in das zentrale Datenmodell aufgenommen.
  2. Ein bestehendes Attribut wird verwendet oder erweitert.
  3. Die Anforderung wird ausschließlich kanalspezifisch gelöst.
  4. Für eine Entscheidung werden weitere Informationen benötigt.
  5. Die Anforderung wird bewusst abgelehnt.

Es geht dabei nicht darum, möglichst viele Anforderungen zu genehmigen. Es geht darum, dass jede Änderung begründet, dokumentiert und einer verantwortlichen Person zugeordnet ist. Erst diese Nachvollziehbarkeit macht es möglich, Entscheidungen später zu überprüfen und gegebenenfalls auch zu revidieren.

Alle 90 Tage: Das Modell aufräumen

Eine Governance, die sich ausschließlich mit neuen Anforderungen beschäftigt, ist einseitig. Sie kennt einen Prozess für das Hinzufügen, aber keinen für das Entfernen. Unter diesen Bedingungen kann das Modell nur wachsen.

Auf der quartalsweisen Ebene wird das bestehende Modell deshalb gezielt auf unnötige Komplexität geprüft. Hilfreich sind dabei Fragen wie:

  • Welche Attribute werden kaum oder gar nicht gepflegt?
  • Wo sind die Leerstandsquoten auffällig hoch?
  • Welche Attribute werden in der Pflege regelmäßig verwechselt?
  • Wo gibt es doppelte oder inhaltlich überlappende Definitionen?
  • Welche Informationen werden gepflegt, aber in keinem relevanten Kanal genutzt?
  • Wo fehlen eine eindeutige Datenquelle oder eine verantwortliche Person?

So entsteht ein geregelter Prozess, der Strukturen nicht nur erweitert, sondern auch vereinfacht, zusammenführt oder entfernt. Gerade das Entfernen von Attributen ist in der Praxis anspruchsvoll, da selten eindeutig ist, wer von einer Information noch abhängt. Umso wichtiger ist es, diese Frage regelmäßig zu stellen – und nicht erst dann, wenn eine größere Migration ansteht.

Alle 365 Tage: Die strategische Passung prüfen

Mindestens einmal im Jahr sollte das Datenmodell aus strategischer Sicht betrachtet werden. Anders als bei den beiden anderen Ebenen geht es hier nicht um einzelne Attribute, sondern um die grundsätzliche Eignung des Modells:

  • Passt das Modell noch zur aktuellen Sortimentsstrategie?
  • Unterstützt es neue Vertriebskanäle und Geschäftsmodelle?
  • Bildet es die Informationsbedürfnisse der Kunden ausreichend ab?
  • Welche regulatorischen Anforderungen werden absehbar relevant?
  • An welchen Stellen begrenzt das Modell bereits heute neue Product Experiences?

Diese jährliche Perspektive verhindert, dass ein Modell zwar technisch sauber gepflegt wird, sich aber Schritt für Schritt von Markt, Unternehmen und Kunden entfernt. Denn ein Modell kann in sich vollkommen konsistent und trotzdem für seinen eigentlichen Zweck ungeeignet sein.

Nicht jedes Problem braucht ein neues Attribut.

Eine Governance, die nur zwischen „aufnehmen“ und „ablehnen“ unterscheidet, greift zu kurz. Viele Anforderungen lassen sich lösen, ohne das zentrale Modell zu erweitern.

Nur weil ein Marktplatz ein zusätzliches Feld verlangt, muss daraus noch kein zentrales Produktattribut entstehen. Und nur weil zwei Kanäle dieselbe Information unterschiedlich benennen, benötigen sie nicht zwangsläufig unterschiedliche Daten. In beiden Fällen liegt die Ursache nicht in der Produktinformation selbst, sondern in ihrer Darstellung im jeweiligen Kanal.

Mögliche Alternativen zur Erweiterung des Modells sind:

  • die Zuordnung bestehender Attribute zu Produktklassen oder Kanälen anzupassen
  • kanalbezogene Mappings einzusetzen, die das zentrale Modell unverändert lassen
  • Informationen regelbasiert aus vorhandenen Daten abzuleiten
  • Inhalte erst im Zielkanal aufzubereiten
  • temporäre oder einmalige Anforderungen außerhalb des Kernmodells abzubilden

Ein gutes Datenmodell zeichnet sich also nicht durch möglichst viele Attribute aus. Es enthält die richtigen Informationen in einer Form, die verständlich, wiederverwendbar und dauerhaft pflegbar ist.

Governance ist auch Product Experience.

Governance wird häufig als rein interne Disziplin verstanden – als Werkzeug für Ordnung, Effizienz und Risikominimierung. Diese Sichtweise ist nicht falsch, allerdings greift sie zu kurz. Denn die Entscheidungen, die wir am Datenmodell treffen, wirken sich direkt auf die spätere Product Experience aus.

Ob wir als Kunden Produkte miteinander vergleichen können, hängt davon ab, ob die entscheidenden Eigenschaften als strukturierte Attribute mit einheitlichen Werten vorliegen. Ob wir Inhalte verstehen, hängt von der Präzision der zugrunde liegenden Definitionen ab. Und welche Informationen uns in Suche, Filterung, Beratung oder Personalisierung überhaupt zur Verfügung stehen, wird letztlich durch die Modellierung der Produktklassen festgelegt.

Governance sollte deshalb nicht nur fragen: „Ist die Information im System korrekt abgebildet?“

Sondern auch: „Welche bessere Entscheidung kann ein Kunde mithilfe dieser Information treffen?“

Fehlt die zweite Frage, entsteht genau die Situation, die ich in meinem ersten Artikel beschrieben habe: Das Datenmodell wird intern immer vollständiger und extern immer weniger relevant.

Der einfachste Einstieg

Um mit einer kontinuierlichen Governance zu starten, muss kein umfassendes Programm aufgesetzt werden. Ein pragmatischer Einstieg kann aus fünf Schritten bestehen:

  1. Änderungswünsche zentral sammeln. Alle Anforderungen an das Datenmodell landen an einer Stelle, unabhängig davon, aus welchem Fachbereich sie kommen.
  2. Anträge strukturiert dokumentieren. Jeder Antrag beschreibt mindestens das zugrunde liegende Problem, den erwarteten Nutzen, die Datenquelle und die verantwortliche Person.
  3. Entscheidungskriterien festlegen. Die oben genannten Fragen werden als verbindlicher Rahmen vereinbart.
  4. Einen monatlichen Entscheidungstermin einführen. Das Product Data Council kommt in einem festen Rhythmus zusammen und schließt jeden Antrag mit einer Entscheidung ab.
  5. Nach drei Monaten den ersten Health Check durchführen. Die erste quartalsweise Bereinigung schafft eine Ausgangsbasis für alles Weitere.

Damit sind sicherlich nicht alle Probleme gelöst. Es verändert sich jedoch die Art, wie sich das Modell entwickelt: Aus einzelnen Zurufen wird ein Prozess und aus spontanen Anpassungen werden bewusste Entscheidungen.

Was Entscheider daraus mitnehmen sollten

Regelmäßigkeit bedeutet nicht, permanent am Datenmodell herumzubauen. Sie bedeutet, einen verlässlichen Rhythmus zu schaffen, in dem die Relevanz regelmäßig überprüft und erneuert wird – operativ im Monat, strukturell im Quartal und strategisch im Jahr.

Für Entscheider sollte klar sein, dass ein Datenmodell mit dem Go-live nicht fertig ist, sondern zum ersten Mal unter realen Bedingungen arbeitet. Veränderungen lassen sich ab diesem Moment nicht vermeiden, wohl aber steuern. Wer darauf verzichtet, wird sich der Frage nach der Struktur seiner Produktdaten früher oder später trotzdem stellen müssen – nur unter höherem Druck und zu höheren Kosten.

  1. 1
    Ward Cunningham prägte die Metapher der technischen Schuld 1992 in seinem Erfahrungsbericht „The WyCash Portfolio Management System“ (OOPSLA '92). ↩︎
  2. 2
    Meir M. Lehman formulierte die Gesetze der Softwareevolution ab den 1970er-Jahren, u. a. in „Programs, Life Cycles, and Laws of Software Evolution“, Proceedings of the IEEE, 1980. Gemeint sind hier insbesondere die Gesetze der fortgesetzten Veränderung („Continuing Change“) und der zunehmenden Komplexität („Increasing Complexity“). ↩︎
  3. 3
    DAMA International: DAMA-DMBOK – Data Management Body of Knowledge, 2. Auflage, 2017. ↩︎