Aktuelle Beiträge Zum Blog
In einfachen Worten: Worum geht es auf dieser Seite?

Viele Hersteller schicken die Daten zu ihren Waren nur als Dokument. Darin stehen Maße, Gewicht und Spannung. Im Shop fehlen diese Angaben dann in den Filtern. Ein Programm mit künstlicher Intelligenz kann die Dokumente lesen. Es schreibt die Werte in die richtigen Felder. Es merkt sich auch, wo ein Wert im Dokument steht. Unklare Werte prüft ein Mensch, bevor sie im Shop stehen. Wir zeigen, wie das geht.

Wer im B2B-Handel technische Produkte verkauft, kennt das Muster: Der Hersteller liefert Artikelnummer, Bezeichnung und Preis als Liste, die eigentlichen Merkmale stehen im PDF-Datenblatt. Nennspannung, Schutzart, Maße und Material sind dann zwar vorhanden, aber nicht als Felder, die ein Shop filtern, vergleichen oder in einen Feed schreiben kann. Datenblätter per KI auslesen heißt, diese Angaben als Merkmal, Wert und Einheit aus Text und Tabellen zu übernehmen, auf das eigene Merkmalsschema abzubilden und mit der Fundstelle zu speichern. Die Technik dahinter ist in deutschen Unternehmen angekommen: 26 Prozent der Unternehmen in Deutschland mit mindestens zehn Beschäftigten nutzten 2025 KI, und von diesen setzten 52 Prozent Text Mining ein, gleichauf mit der Erzeugung von Bildern, Videos und Ton (Destatis). Dieser Beitrag zeigt, wie aus einem Datenblatt ein geprüfter Datensatz im PIM wird und warum unsichere Werte in eine Freigabe gehören statt direkt in den Shop. Die Umsetzung übernehmen wir im Rahmen unserer Datenanreicherung mit KI.

Warum technische Merkmale oft nur im PDF stehen

Strukturierte Katalogdaten sind im B2B-Handel der Idealfall. Mit BMEcat und ETIM gibt es eingeführte Formate, in denen Hersteller Klasse, Merkmal, Wert und Einheit maschinenlesbar mitliefern; wie diese Übergabe funktioniert, beschreibt unser Beitrag zu BMEcat und ETIM im Katalogaustausch. In der Praxis liefert aber nicht jeder Lieferant eine solche Datei. Kleinere Hersteller, Importware, ältere Artikel und Ersatzteile kommen häufig nur mit Preisliste und Datenblatt. Bei einem Sortiment aus vielen Quellen entsteht so ein Flickenteppich: Ein Teil der Artikel hat saubere Merkmale, ein anderer nur einen Dateianhang.

Für den Shop ist das mehr als ein Schönheitsfehler. Ein Filter nach Nennspannung oder Schutzart zeigt nur die Artikel, bei denen das Merkmal als Feld gepflegt ist; alle anderen fallen aus der Trefferliste, obwohl sie passen würden. Der Produktvergleich bleibt lückenhaft, die interne Suche findet den Wert nicht, und Produktfeeds bleiben ohne die technischen Angaben, nach denen Einkäufer suchen. Gerade im B2B-E-Commerce entscheiden solche Werte über den Kauf: Passt die Spannung, reicht die Schutzart für den Außeneinsatz, stimmt das Maß für den Einbau?

Ein technisches Datenblatt ist dabei meist gut gegliedert, nur eben für Menschen und nicht für Maschinen. Jeder seiner Bausteine hat eigene Fehlerquellen:

  • Kopfdaten: Hersteller, Typenbezeichnung und Artikelnummern, oft für eine ganze Baureihe.
  • Tabelle der technischen Daten: Merkmal, Wert und Einheit in Zeilen, bei Baureihen mit einer Spalte je Variante.
  • Maßzeichnung: Abmessungen als Bemaßung in einer Grafik, nicht als Text.
  • Normen und Kennzeichnungen: Prüfzeichen, Konformitätsangaben und Normverweise.
  • Fußnoten und Bedingungen: Werte, die nur eingeschränkt gelten, etwa ohne Zubehör oder bei einer bestimmten Umgebungstemperatur.
  • Hinweise im Fließtext: Montage-, Sicherheits- und Pflegehinweise, oft über mehrere Seiten verteilt.
Datenblatt und Katalogdatei ergänzen sich

Auch wo ein Lieferant eine Katalogdatei liefert, lohnt der Blick ins Datenblatt: Katalogdateien sind nicht in jedem Fall vollständig befüllt. Die Extraktion kann gezielt Lücken schließen, statt bereits geprüfte Daten zu überschreiben.

Was KI beim Auslesen leistet – und was nicht

Text Mining, also die Analyse geschriebener Sprache, ist die Technologie, auf die es beim Auslesen von Datenblättern ankommt. Unter den KI-Nutzern ist sie verbreitet: 52 Prozent der Unternehmen in Deutschland, die 2025 KI nutzten, setzten Text Mining ein, bei Unternehmen mit 10 bis 49 Beschäftigten 51 Prozent, bei Unternehmen mit mehr als 250 Beschäftigten 57 Prozent (Destatis). Der KI-Einsatz selbst steigt mit der Größe: Von den Unternehmen mit mehr als 250 Beschäftigten nutzten 57 Prozent KI, von denen mit 10 bis 49 Beschäftigten 23 Prozent (Destatis). Grundgesamtheit sind Unternehmen mit mindestens zehn Beschäftigten; ab dem Berichtsjahr 2025 grenzt das Statistische Bundesamt sie nach dem EU-Unternehmensbegriff ab.

Europaweit liegt der Anteil niedriger: 19,95 Prozent der Unternehmen in der EU mit mindestens zehn Beschäftigten nutzten 2025 KI (Eurostat). Eine vorherrschende Technologie gab es dort nicht, etwas häufiger als die anderen wurde Text Mining eingesetzt, und zwar von 11,75 Prozent aller Unternehmen (Eurostat). Bei großen Unternehmen ab 250 Beschäftigten lag der Anteil für Text Mining bei 35,04 Prozent und damit über allen anderen erfassten KI-Technologien (Eurostat). Die Statistiken rechnen unterschiedlich: Destatis bezieht den Anteil für Text Mining auf die Unternehmen, die KI nutzen, Eurostat auf alle Unternehmen.

Beim Auslesen erkennt ein Sprachmodell in Text und Tabellen die Paare aus Merkmalsbezeichnung und Wert, trennt Zahl und Einheit und ordnet beides einem Feld im Zielschema zu. Das gelingt auch bei wechselnden Layouts, bei Angaben im Fließtext („Das Gehäuse besteht aus Aluminium-Druckguss“) und bei Tabellen, deren Spalten jeder Hersteller anders benennt. Was das Modell nicht leistet: Es weiß nicht, ob ein Wert stimmt. Es kann sich verlesen, eine Fußnote übersehen oder eine Lücke mit einem plausiblen Wert füllen. Deshalb gehört zu jedem Wert die Stelle, an der er steht, und eine Prüfung, bevor er im Shop erscheint. Die folgende Übersicht stellt die drei üblichen Wege nebeneinander.

KriteriumAbtippen von HandFeste AusleseregelnKI-Extraktion mit Freigabe
Neuer Lieferant mit eigenem Layoutsofort möglich, aber langsamneue Regel je Layout nötigin der Regel ohne neue Regel
Angaben im Fließtextwerden gelesenkaum erfassbarwerden erkannt
Tabellen mit Variantenspaltenfehleranfällig bei vielen Spaltennur bei festem Aufbaumöglich, Zuordnung zur Artikelnummer prüfen
Einheiten und Schreibweisenje nach Bearbeiternach festen Regelnnach festen Regeln normalisiert
Nachvollziehbarkeitselten dokumentiertRegel ist dokumentiertFundstelle je Wert gespeichert
Aufwand bei großen Mengensteigt mit jedem Artikelgering, solange das Layout bleibtgering, Freigabe nur für unsichere Werte
Ohne Fundstelle kein Wert

Ein Sprachmodell formuliert auch dann eine Antwort, wenn das Dokument keine enthält. Für Produktdaten ist das die gefährlichste Fehlerart, weil ein erfundener Wert genauso aussieht wie ein richtiger. Die Regel lautet darum: Ein Wert ohne nachweisbare Fundstelle im Dokument wird nicht übernommen, sondern als fehlend gemeldet.

Das Zielschema zuerst: welche Merkmale der Shop braucht

Bevor ein Datenblatt ausgelesen wird, steht die Frage, was am Ende im Datensatz stehen soll. Das Zielschema legt je Warengruppe fest, welche Merkmale es gibt, welchen Datentyp sie haben, in welcher Einheit sie gespeichert werden, welche Werte zulässig sind und welche als Filter dienen. Wer nach ETIM klassifiziert, übernimmt diese Struktur weitgehend: ETIM beschreibt ein Merkmal über Bezeichnung, Merkmalstyp, Einheit und Wert und unterscheidet vier Merkmalstypen, nämlich alphanumerisch mit fester Werteliste, logisch, numerisch und Bereich (ETIM International). Numerische Merkmale und Bereiche brauchen dort eine Maßeinheit, ausgenommen reine Anzahlen wie „Anzahl der …“ (ETIM International). Ohne ETIM entsteht das Schema im PIM oder in den Eigenschaften des Shops, wie es unser Leitfaden zur PIM-Einführung beschreibt.

  • Alphanumerisch mit Werteliste: Material „Aluminium“, Farbe „Anthrazit“. Das Datenblatt schreibt oft „Alu-Druckguss“; das Schema entscheidet, welcher Listenwert gemeint ist.
  • Logisch (ja oder nein): „dimmbar“, „mit Netzstecker“. Fehlt die Angabe im Datenblatt, ist der Wert unbekannt und nicht „nein“.
  • Numerisch: Nennspannung 230 V, Gewicht 1,2 kg. Zahl und Einheit werden getrennt gespeichert.
  • Bereich: Betriebstemperatur von −20 bis +50 °C. Untergrenze und Obergrenze sind zwei Werte mit derselben Einheit.

Die meiste Arbeit steckt in der Zuordnung der Begriffe. Hersteller benennen dasselbe Merkmal unterschiedlich, und ähnliche Begriffe meinen nicht zwangsläufig dasselbe. Ein Datenblatt nennt „Betriebsspannung 220–240 V“, ein anderes „Nennspannung 230 V“. Ob beides in dasselbe Feld gehört, entscheidet das Schema und nicht das Sprachmodell: Ein Spannungsbereich ist ein anderes Merkmal als ein Einzelwert. Bewährt hat sich eine gepflegte Zuordnungstabelle je Warengruppe, die Herstellerbegriffe auf Merkmale des Schemas abbildet und mit jeder Freigabe wächst.

Was nicht im Schema steht, wird nicht erfunden

Die Extraktion füllt nur Merkmale, die das Schema vorsieht. Weitere Angaben aus dem Datenblatt landen in einer Hinweisliste für das Produktmanagement. So wächst das Schema bewusst, und der Datensatz bleibt frei von Feldern, die niemand pflegt.

Vom PDF zum Datensatz: Merkmal, Wert, Einheit, Fundstelle

Der Ablauf lässt sich in acht Schritte gliedern. Wie sich vorab prüfen lässt, ob ein PDF eine Textebene hat und was aus seinen Tabellen wird, beschreibt der Beitrag PDFs mit Textebene, Tabellen und Scans prüfen für eine Wissensbasis; diese Prüfung lohnt sich auch hier. Anders sind das Ziel und der Umgang mit Scans: Statt Textabschnitten für Antworten entsteht ein strukturierter Datensatz, Feld für Feld, und ein Scan wird nicht abgewiesen, sondern über Texterkennung gelesen und strenger geprüft.

  1. Dokument zuordnen: Datenblatt dem Lieferanten, der Baureihe und den Artikelnummern zuordnen, Ausgabestand und Datum festhalten.
  2. Text und Tabellen lesen: Textebene auslesen, Tabellen als Zeilen und Spalten erhalten, Scans über Texterkennung lesen.
  3. Kandidaten bilden: Paare aus Merkmalsbezeichnung und Wert erkennen, auch im Fließtext.
  4. Auf das Schema abbilden: den Herstellerbegriff über die Zuordnungstabelle einem Merkmal des Schemas zuweisen.
  5. Einheit normalisieren: Zahl und Einheit trennen, Schreibweise vereinheitlichen, Einheitencode setzen.
  6. Fundstelle speichern: Datei, Seite, Tabelle, Zeile und den Rohtext festhalten.
  7. Regeln prüfen: Wertebereich, Einheit, Widersprüche und Pflichtmerkmale kontrollieren.
  8. Übernehmen oder vorlegen: sichere Werte übernehmen, unsichere zur Freigabe vorlegen, fehlende beim Lieferanten anfragen.

Eine häufige Fehlerquelle liegt im ersten Schritt. Viele Datenblätter beschreiben eine Baureihe: eine Tabelle mit einer Spalte je Variante, darüber die Typenbezeichnungen. Die Extraktion muss jeden Wert der richtigen Artikelnummer zuordnen, und die Brücke dorthin ist meist die Typenbezeichnung. Ohne saubere Zuordnung von Typ zu Artikel bekommt die Variante mit 30 Watt den Wert der Variante mit 20 Watt. Dieselbe Sorgfalt gilt für Verpackungs- und Bestelleinheiten, die im Datenblatt anders heißen können als im Shop; wie diese im Artikelstamm sitzen, zeigt der Beitrag zu Verpackungseinheiten und Mindestmengen.

Das Ergebnis eines Durchlaufs ist für jedes Merkmal ein Kandidat mit Herkunft. Das folgende Beispiel zeigt, welche Felder ein solcher Kandidat tragen sollte; Namen und Werte sind frei gewählt.

kandidat-gewicht.json
{
  "artikel": "LX20-AL-830",
  "merkmal": "gewicht",
  "wert": 1.2,
  "einheit": "kg",
  "einheit_code": "KGM",
  "rohtext": "Gewicht 1,2 kg*",
  "fundstelle": {
    "datei": "datenblatt-lx20-de.pdf",
    "seite": 2,
    "tabelle": "Technische Daten",
    "zeile": 4
  },
  "hinweis": "Fußnote: ohne Montagebügel",
  "sicherheit": "unsicher",
  "status": "freigabe_offen"
}

Zwei Felder verdienen besondere Aufmerksamkeit. Der Rohtext hält fest, was wörtlich im Dokument stand, einschließlich Sternchen und Schreibweise; daran erkennt der Prüfer sofort, ob die Normalisierung etwas verändert hat. Und der Hinweis trägt Bedingungen, die der Wert allein nicht zeigt: Ein Gewicht „ohne Montagebügel“ ist ein anderer Wert als das Versandgewicht, und eine Leistungsangabe „bei 25 °C“ gilt nicht für jeden Einsatzort.

Einheiten normalisieren, ohne Werte zu verfälschen

Einheiten sind kein Formatierungsdetail. Im amtlichen und geschäftlichen Verkehr sind Größen in gesetzlichen Einheiten anzugeben, wenn für sie Einheiten per Rechtsverordnung festgesetzt sind, und für diese Einheiten sind die festgelegten Namen und Einheitenzeichen zu verwenden (EinhZeitG). Für die Extraktion folgt daraus eine klare Richtung: Gespeichert wird „1,2 kg“ mit dem Zeichen kg, nicht „1,2 Kilo“ oder „1,2 KG“. Umrechnungen gehören in eine feste Regel mit dokumentierter Rundung, etwa wenn ein Datenblatt Gramm nennt und das Schema Kilogramm erwartet.

Für die Weitergabe hilft ein Code statt freier Schreibweise. Schema.org sieht für Einheiten den Common Code von UN/CEFACT mit drei Zeichen vor (schema.org), etwa KGM für Kilogramm, CMT für Zentimeter oder VLT für Volt. Im Datensatz steht der Code, im Shop das gewohnte Zeichen. Das verhindert, dass dieselbe Einheit in drei Schreibweisen im Filter auftaucht. Die folgende Tabelle zeigt typische Rohwerte und ihre normalisierte Form.

Rohwert im DatenblattGespeichert alsWorauf zu achten ist
850 g0,85 kg (KGM)Umrechnung mit dokumentierter Rundung
230V~230 V ACStromart als eigener Bestandteil, nicht als Zeichen
24 VDC24 V DCGleich- und Wechselspannung getrennt halten
IP 65IP65Schreibweise vereinheitlichen, Wert nicht verändern
-20/+50 °C−20 bis 50 °C (Bereich)Unter- und Obergrenze als zwei Werte
Ø 120 mmDurchmesser 120 mmZeichen in das richtige Merkmal übersetzen
Warum die Stromart kein Detail ist

Die Niederspannungsrichtlinie gilt für elektrische Betriebsmittel zur Verwendung bei einer Nennspannung zwischen 50 und 1000 V für Wechselstrom und zwischen 75 und 1500 V für Gleichstrom, mit Ausnahme der in Anhang II genannten Betriebsmittel (Richtlinie 2014/35/EU). Ein Gerät mit 60 V liegt bei Wechselstrom in diesem Bereich, bei Gleichstrom darunter. Fehlt im Datensatz die Stromart, ist der Wert nicht nur ungenau, er lässt eine rechtlich relevante Frage offen. Solche Merkmale gehören darum in die Freigabe, sobald das Datenblatt die Stromart nicht eindeutig nennt.

Unsichere Werte gehören in die Freigabe

Nicht jeder ausgelesene Wert ist gleich belastbar. Ein Wert aus einer klar beschrifteten Tabellenzeile mit Einheit ist etwas anderes als eine Zahl aus einem schlecht lesbaren Scan oder eine Angabe, die das Datenblatt an zwei Stellen unterschiedlich nennt. Deshalb bekommt jeder Kandidat einen Status: sicher, unsicher oder fehlend. Sichere Werte gehen nach den Prüfregeln in den Datensatz, unsichere in eine Freigabeliste, fehlende in eine Nachfrage beim Lieferanten. Typische Prüfregeln, die unsichere Werte erkennen, sind diese:

  • Wertebereich: Liegt der Wert im zulässigen Bereich der Warengruppe? Eine Leuchte mit 2300 W ist eher ein Lesefehler als ein Produkt.
  • Einheit passt zur Größe: Ein Gewicht in Millimetern oder eine Spannung ohne Einheit fällt auf.
  • Widerspruch im Dokument: Tabelle und Fließtext nennen unterschiedliche Werte.
  • Bedingung in der Fußnote: Der Wert gilt nur eingeschränkt, etwa ohne Zubehör.
  • Abweichung in der Baureihe: Ein Wert weicht stark von den Geschwisterartikeln derselben Serie ab.
  • Pflichtmerkmal leer: Ein Merkmal, das die Warengruppe verlangt, fehlt im Dokument.

Die Freigabe selbst sollte schnell gehen, und dafür sorgt die Fundstelle: Der Prüfer sieht neben dem vorgeschlagenen Wert den Ausschnitt aus dem Datenblatt und bestätigt mit einem Klick oder korrigiert. Jede Korrektur fließt zurück, in die Zuordnungstabelle oder in die Prüfregeln. Für die Rollen gilt, was sich auch bei der KI-gestützten Auftragserfassung bewährt: Die Maschine schlägt vor, feste Regeln prüfen, und ein Mensch entscheidet dort, wo Regeln nicht reichen.

Auch Google formuliert für den Produktfeed einen ähnlichen Grundsatz: Attributname und Wert sollen nur angegeben werden, wenn der Wert bestätigt ist (Google Merchant Center-Hilfe). Ein Standardwert wie „nein“ für ein logisches Merkmal ist keine Bestätigung. Für den Shop gilt dasselbe, denn ein falscher Filterwert führt zu Fehlkäufen und Rücksendungen, ein fehlender nur zu einem Artikel weniger in der Trefferliste.

Wo die Merkmale danach wirken: Filter, Vergleich, Feed

Im Shop zeigt sich der Nutzen an drei Stellen. Filter brauchen normalisierte Werte, damit „230 V“ und „230V~“ nicht als zwei Einträge erscheinen und numerische Merkmale als Bereich filterbar sind. Der Produktvergleich braucht dieselben Merkmale in derselben Einheit über alle Artikel einer Warengruppe. Und die Suche findet Artikel über Merkmalswerte, die vorher nur im Anhang standen. Wie Filterseiten dabei die Indexierung beeinflussen, behandelt der Beitrag zur Facettennavigation und zu Filter-URLs.

Für Google Shopping gibt es mit „Produktdetails“ (product_detail) ein Attribut für technische Daten. Es besteht aus drei Unterattributen, nämlich Abschnittsname, Attributname und Attributwert (Google Merchant Center-Hilfe). Je Detail sind 1 bis 150 Zeichen erlaubt, und das Feld lässt sich bis zu 100-mal wiederholen (Google Merchant Center-Hilfe). Wie sich der Feed zusätzlich um Fragen, Antworten und Handbuchverweise ergänzen lässt, zeigt der Beitrag zu den Konversationsattributen im Merchant Center; die Anbindung übernehmen wir über unsere Schnittstelle zum Google Merchant Center.

Filter und Facetten

Normalisierte Werte und Einheiten ergeben saubere Filter, numerische Merkmale lassen sich als Bereich filtern.

Produktvergleich

Dieselben Merkmale in derselben Einheit machen Artikel verschiedener Hersteller vergleichbar.

Feeds und Kataloge

Merkmale fließen in Produktfeeds, an Marktplätze und als Katalogdatei an Geschäftskunden.

Pflichtangaben: Die Verantwortung bleibt beim Händler

Die Zahl der Herstellerunterlagen, die als Datei statt auf Papier kommen, wird voraussichtlich weiter steigen. Nach der neuen Maschinenverordnung kann die Betriebsanleitung in digitaler Form bereitgestellt werden (Verordnung (EU) 2023/1230); die Verordnung gilt ab dem 20. Januar 2027 (Verordnung (EU) 2023/1230). Für Händler technischer Produkte gewinnt damit die Frage an Gewicht, wie Herstellerangaben aus PDFs strukturiert in den Shop kommen.

Bei Produkten, die für Verbraucher bestimmt sind oder wahrscheinlich von Verbrauchern benutzt werden, kommt die Verordnung über die allgemeine Produktsicherheit hinzu. Sie gilt seit dem 13. Dezember 2024 (Verordnung (EU) 2023/988) und verlangt im Online-Angebot unter anderem Angaben, die die Identifizierung des Produkts ermöglichen, sowie etwaige Warnhinweise oder Sicherheitsinformationen (Verordnung (EU) 2023/988). Solche Hinweise stehen oft im Datenblatt. Die Extraktion kann sie finden und dem Artikel zuordnen; ob ein Hinweis vollständig und passend ist, entscheidet ein Mensch. Was Artikel 19 im Einzelnen verlangt, fasst unser Beitrag zur GPSR im Online-Shop zusammen.

Was die Statistik über die Hürden zeigt

Wer KI für Produktdaten einführen will, scheitert selten an der Technik allein. Von den Unternehmen in Deutschland, die 2025 den Einsatz von KI erwogen, ihn aber nicht umgesetzt haben, nannten 72 Prozent fehlendes Wissen als Grund, und 44 Prozent nannten Schwierigkeiten mit der Verfügbarkeit oder Qualität der erforderlichen Daten (Destatis). Diese Gruppe umfasst 20 Prozent aller Unternehmen mit mindestens zehn Beschäftigten (Destatis). Europaweit war fehlende Fachkenntnis mit 70,89 Prozent der häufigste Grund unter den Unternehmen, die KI erwogen hatten (Eurostat).

Bei Datenblättern lässt sich beides entschärfen. Das nötige Wissen steckt weniger im Sprachmodell als im Zielschema und in den Prüfregeln, und beides kennt das eigene Produktmanagement aus der täglichen Arbeit. Die Datenqualität ist hier zugleich Ergebnis: Die Extraktion macht sichtbar, welche Merkmale fehlen und welche Lieferanten unvollständige Unterlagen liefern.

Einführung in fünf Schritten

  1. Warengruppe wählen: mit einer Gruppe beginnen, in der Filter wichtig sind und viele Lieferanten nur Datenblätter liefern.
  2. Zielschema festlegen: Merkmale, Datentypen, Einheiten, Wertelisten und Pflichtfelder bestimmen, bei Bedarf entlang der ETIM-Klassen.
  3. Pilot fahren: Datenblätter einiger Lieferanten auslesen und das Ergebnis gegen eine von Hand geprüfte Stichprobe halten.
  4. Regeln und Freigabe einrichten: Prüfregeln festlegen, eine Freigabeansicht mit Fundstelle bereitstellen, Zuständigkeiten klären.
  5. Ausweiten und pflegen: weitere Warengruppen anbinden, neue Datenblattfassungen am gespeicherten Ausgabestand erkennen und die Zuordnungstabelle laufend ergänzen.

Ob sich der Aufwand lohnt, zeigen wenige Kennzahlen: der Anteil der Artikel, bei denen alle Pflichtmerkmale gefüllt sind, der Anteil der Werte mit Fundstelle, die Quote der Freigaben ohne Korrektur und die Zeit vom Eingang eines Datenblatts bis zum freigegebenen Datensatz. Steigt die Quote der Freigaben ohne Korrektur, sind Schema und Zuordnungstabelle reif für die nächste Warengruppe.

So setzen wir die Datenblatt-Extraktion um

Wir bauen die Extraktion als Teil der Produktdatenstrecke auf, nicht als Insellösung. Am Anfang stehen Zielschema und Zuordnungstabelle für die erste Warengruppe. Danach richten wir die Extraktion mit Fundstelle, die Prüfregeln und eine Freigabeansicht ein, im vorhandenen PIM oder direkt im Shop. Die Übergabe läuft über unsere Anbindungen an PIM-Systeme oder direkt in den Shopware-Shop. Jede Lösung entsteht individuell für Ihr Sortiment und Ihre Lieferanten, nicht als fertiges Paket.

Schema und Zuordnung

Merkmale, Einheiten und Wertelisten je Warengruppe, dazu eine Zuordnungstabelle für Herstellerbegriffe.

Extraktion mit Fundstelle

Merkmal, Wert und Einheit aus Text und Tabellen, gespeichert mit Datei, Seite und Rohtext.

Freigabe und Übergabe

Prüfregeln, eine Freigabeansicht für unsichere Werte und die Übergabe an PIM, Shop und Feed.

Vom Datenblatt zum filterbaren Merkmal

Datenblätter bleiben im B2B-Handel auf absehbare Zeit eine wichtige Quelle, auch wenn mehr Hersteller strukturierte Kataloge liefern. Wer sie per KI ausliest, gewinnt Merkmale für Filter, Vergleich und Feed, ohne jede Zeile abzutippen. Entscheidend ist die Reihenfolge: erst das Schema, dann die Extraktion, und für jeden Wert die Fundstelle. Wie dieselbe Sorgfalt bei Pflichtangaben aussieht, zeigt der Beitrag zur Textilkennzeichnung im Shop; einen breiteren Blick auf Texte, Übersetzungen und Attribute gibt unser Überblick zur Anreicherung von Produktdaten.

Quellen und Studien

Dieser Beitrag stützt sich auf die Tabellen des Statistischen Bundesamts zur Nutzung von KI und zu den Gründen dagegen (Destatis, Berichtsjahr 2025, Stand 24. November 2025), auf den Eurostat-Artikel zur Nutzung von KI in Unternehmen (Datenstand Dezember 2025), auf die Modellbeschreibung von ETIM International, auf schema.org (PropertyValue, QuantitativeValue, unitCode), auf die Google Merchant Center-Hilfe zum Attribut product_detail, auf die Richtlinie 2014/35/EU, auf § 1 EinhZeitG sowie auf die Verordnungen (EU) 2023/1230 und (EU) 2023/988. Abgerufen am 03.11.2026. Die Werte in Grafik, Tabellen und Code sind Beispiele.

Bei gut lesbaren Datenblättern mit klaren Tabellen in der Regel ja, bei Scans, Fußnoten und Variantentabellen sinkt die Sicherheit. Entscheidend ist der Ablauf: Jeder Wert wird mit Fundstelle gespeichert, feste Regeln prüfen ihn, und unsichere Werte gehen in eine Freigabe, bevor sie im Shop erscheinen.

Nicht zwingend. ETIM liefert ein fertiges Schema für technische Produkte und erleichtert den Katalogaustausch, ein eigenes Schema im Shop funktioniert ebenso. Für den Anfang reicht es, das Zielschema für eine Warengruppe festzulegen. Mehr dazu im Beitrag zu BMEcat und ETIM.

Scans werden über Texterkennung gelesen. Bei sauberen Vorlagen klappt das in der Regel gut, bei schlechter Auflösung oder Stempeln steigt die Fehlerquote. Werte aus Scans bekommen deshalb eine strengere Prüfung, und oft ist die Nachfrage beim Lieferanten nach einer digitalen Fassung der schnellere Weg.

Zahl und Einheit werden getrennt gespeichert und mit dokumentierter Rundung in die Einheit des Schemas umgerechnet. Für die Weitergabe eignet sich ein Einheitencode nach UN/CEFACT, den auch schema.org vorsieht. Der Rohtext bleibt erhalten, damit jede Umrechnung nachvollziehbar ist.

Für die Angaben im eigenen Angebot ist in der Regel der Händler verantwortlich, auch wenn die Daten vom Hersteller stammen. Darum gehören rechtlich relevante Merkmale wie Spannung, Schutzart oder Sicherheitshinweise in die Freigabe. Eine Rechtsberatung im Einzelfall ersetzt das nicht.

Das hängt von der Zahl der Merkmale, der Qualität der Datenblätter und davon ab, ob schon ein Schema besteht. Eine belastbare Einschätzung ist nach einem kurzen Pilot mit echten Datenblättern möglich. Sprechen Sie uns dafür über die Kontaktseite an.