DPP READINESS AUDIT

Starten Sie mit dem DPP Gap Scanner kostenlos auf lgfashionlabs.com — keine Anmeldung erforderlich.

Ein DPP Bereitschaftsaudit Mode zeigt Ihnen genau, welche der 125 Pflichtfelder Ihre Marke bereits abdeckt und wo die kritischen Lücken liegen.

DPP Readiness Audit erklärt: Wie Modemarken ihre Bereitschaft messen

Veröffentlicht 13.04.2026 · Lesezeit ~8 min · von Lior Gabriel Graetz · LG Fashion Labs

1. Was ist ein DPP Readiness Audit?

Ein DPP Readiness Audit ist eine strukturierte Bewertung der existierenden Produktionsdaten einer Modemarke gegen den Datenanforderungskatalog des EU Digital Product Passport. Der Auditor prüft, welche der erforderlichen Datenpunkte vorhanden sind, in welcher Qualität sie vorliegen und welche fehlen oder nur teilweise dokumentiert sind.

Das Ergebnis ist eine quantifizierte Aussage: ein Prozentsatz der Bereitschaft, aufgeschlüsselt nach Datenkategorie, nach regulatorischer Phase und idealerweise auch pro Stil oder Stilgruppe. Ein guter Audit liefert nicht nur den Score, sondern auch eine priorisierte Liste der Lücken — sortiert danach, welche Felder zuerst geschlossen werden müssen, welche Lieferanten involviert werden müssen und welcher Aufwand pro Lücke realistisch zu erwarten ist.

Wichtig: Ein DPP Readiness Audit ist keine Compliance-Bestätigung. Er ist eine Diagnose. Er bestätigt nicht, dass eine Marke ESPR-konform ist (das ist erst ab Mitte 2028 möglich, wenn der delegierte Rechtsakt gilt) — er zeigt, welche Vorbereitungsschritte mit welcher Priorität anstehen.

2. Warum ein Audit jetzt — und nicht erst 2027?

Drei Argumente:

Datenstrukturen brauchen Zeit. Ein vollständiger DPP-Datensatz für eine Kollektion mit 80 Stilen umfasst rund 10.000 Datenpunkte. Diese Daten existieren teilweise schon — verteilt auf Tech Packs, Bills of Materials, Lieferantenlisten, Compliance-Zertifikate und Product Master. Sie zu strukturieren, zu verknüpfen und über Saisons hinweg konsistent zu pflegen, ist eine Architekturentscheidung. Eine Architektur kann man nicht in 18 Monaten parallel zu fünf laufenden Saisons aufbauen.

Lieferanten brauchen Vorlauf. Mindestens ein Drittel der DPP-Felder kann nur vom Lieferanten kommen — Materialzusammensetzung mit Sourcing-Belegen, Färbeprozessdaten, Herkunftsländer auf Stoffebene. Ein Audit zeigt, welche dieser Felder bei Ihren bestehenden Lieferanten heute schon strukturiert verfügbar sind und wo Sie 50 bis 200 Lieferanten parallel auf neue Datenformate umstellen müssen.

Designentscheidungen für SS28 fallen jetzt. Wenn die ESPR Mindestanteile recycelter Fasern oder Mono-Material-Vorgaben einführt, betrifft das Designentscheidungen, die heute für die Kollektionen 2027 und 2028 getroffen werden. Eine SS28-Kollektion, die 2026 entworfen wird, ohne diese Anforderungen zu antizipieren, kann später nur mit erheblichem Aufwand angepasst werden.

Marken, die erst nach Veröffentlichung des delegierten Rechtsakts Ende 2026 / Anfang 2027 mit der Bereitschaftsmessung beginnen, haben effektiv 18 Monate für eine Aufgabe, die typischerweise 24 bis 36 Monate Vorlauf erfordert. Wer jetzt mit einem Audit startet, kauft sich dieses Zeitfenster.

3. Wie wird DPP Readiness gemessen?

Der derzeit detaillierteste verfügbare Industriestandard für die DPP-Bewertung ist das Trace4Value DPP Data Protocol v2 (April 2024). Es wurde entwickelt von TrusTrace, GS1 Sweden, SIS (Swedish Institute for Standards), Kappahl und Marimekko und definiert 125 Datenpunkte pro Stil, organisiert in neun Kategorien.

Ein DPP Readiness Audit nach dieser Methodik bewertet jeden der 125 Felder in einer von drei Kategorien:

Vorhanden (Present). Das Feld ist strukturiert dokumentiert, in einer auditfähigen Form, mit Quellenverknüpfung. Beispiel: „Materialzusammensetzung ist im Tech Pack mit Prozentangaben dokumentiert und durch ein Material-Testreport eines anerkannten Labors belegt.“

Teilweise (Partial). Das Feld ist erfasst, aber nicht in der Qualität, die für DPP-Compliance ausreicht. Beispiel: „Lieferantenname ist in der Tabelle, aber ohne registrierten Facility-Identifikator (GLN), und ohne Adressverifikation.“

Fehlend (Missing). Das Feld ist gar nicht dokumentiert oder existiert nur in unstrukturierter Form (etwa als E-Mail-Konversation oder PDF ohne strukturierte Datenextraktion).

Aus diesen Bewertungen errechnet sich ein gewichteter Bereitschafts-Score: vorhandene Felder zählen voll, teilweise vorhandene mit halbem Gewicht, fehlende mit null. Das Ergebnis ist ein Prozentsatz, der die DPP-Readiness des bewerteten Produkt-Sets ausdrückt.

Ein guter Audit zeigt diesen Score nicht nur insgesamt, sondern aufgeschlüsselt nach den neun Datenkategorien — denn die Verteilung sagt mehr als der Gesamtscore. Eine Marke mit 60 Prozent Gesamtreadiness kann in vier Kategorien voll vorbereitet sein und in fünf Kategorien gar nichts haben.

4. Die 9 Datenkategorien im Detail

Kategorie 100 — Marke und Unternehmen (16 Felder). Markenname, Adresse, Muttergesellschaft, EU-Marktverantwortlicher, Kontaktdaten. Diese Daten sind bei den meisten Marken vorhanden, aber häufig nicht strukturiert mit dem Produkt verknüpft. Typische Readiness: 60–90 Prozent.

Kategorie 200 — Lieferkette und Rückverfolgbarkeit (11 Felder). Tier-1-Lieferanten mit Adressen, Facility-Registrierung (GLN), Herkunftsländer für Konfektion, Färbung und Webung (Tier 2). Hier bricht die Readiness bei vielen Marken ein — Tier-1-Daten sind meist verfügbar, Tier-2-Daten fast nie. Typische Readiness: 30–50 Prozent.

Kategorie 300 — Produktidentifikation (32 Felder). GTINs, Artikelnummern, HS-Codes, Größen, Farben, Kategorien, Saisons, Preise. Die größte Kategorie nach Feldanzahl, aber meist gut abgedeckt durch existierende Product Master und ERP-Systeme. Typische Readiness: 70–90 Prozent.

Kategorie 350 — Material und Zusammensetzung (29 Felder). Faserzusammensetzung pro Komponente, Recycling- und Renewable-Anteile, Lederherkunft, Färbeklasse, Trims. Bei Marken mit gut gepflegten Tech Packs hoch, bei Marken mit Outsourcing zur Produktion oft niedrig. Typische Readiness: 40–70 Prozent.

Kategorie 370 — Digitale Kennung (4 Felder). Datenträgertyp, Material, Position am Produkt, ISO-Konformität. Diese Kategorie ist bei den meisten Marken bei null — die Entscheidung über den Datenträger steht typischerweise noch aus. Typische Readiness: 0–25 Prozent.

Kategorie 400 — Pflege und Sicherheit (3 Felder). Pflegesymbole, Pflegetext, Sicherheitswarnungen. Bei etablierten Marken vollständig vorhanden, bei jüngeren Marken oft nur als Druckdatei und nicht strukturiert. Typische Readiness: 60–95 Prozent.

Kategorie 500 — Compliance und chemische Sicherheit (10 Felder). Schadstoff-Disclosure, Zertifizierungen (GOTS, OEKO-TEX, GRS), REACH/ZDHC-Konformität, Mikroplastik-Disclosure. Sehr unterschiedlich je nach Marke — Sustainability-fokussierte Marken hier stark, Mainstream-Marken oft schwach. Typische Readiness: 25–70 Prozent.

Kategorie 600 — Kreislauf­fähigkeit (11 Felder). Recyclingfähigkeit, Take-Back, Demontageanleitungen, Reparaturanleitungen, Kreislaufdesign. Diese Kategorie ist neu für die meisten Marken — kaum strukturiert vorhanden. Typische Readiness: 0–20 Prozent.

Kategorie 650 — Nachhaltigkeit und Umweltauswirkungen (9 Felder). CO₂-Fußabdruck, Wasserverbrauch, Emissionen, Abfallmengen, Energieintensität. Erfordert LCA-Daten oder PEF-Methodik. Typische Readiness: 0–30 Prozent.

Diese Verteilungen sind Schätzungen aus Beobachtungen an DACH-Marken im Umsatzbereich von 5 bis 50 Millionen Euro. Größere Marken mit dedizierten Sustainability-Teams liegen typischerweise höher, jüngere D2C-Marken oft niedriger.

5. Self-Assessment vs. professionelles Audit

Es gibt zwei Wege, einen DPP Readiness Audit durchzuführen — beide haben Berechtigung, aber sehr unterschiedliche Aussagekraft.

Self-Assessment. Eine Marke beantwortet einen strukturierten Fragebogen — etwa mit 80 bis 130 Ja/Nein/Teilweise-Fragen — über ihre eigene Datenlage. Vorteile: schnell (typischerweise 30 Minuten), kostenlos, ohne Datenfreigabe an Dritte machbar. Nachteile: subjektiv (was eine Marke als „strukturiert“ empfindet, hält einer DPP-Audit-Prüfung möglicherweise nicht stand), keine Tiefenprüfung der tatsächlichen Daten, keine externe Validierung.

Ein Self-Assessment ist sinnvoll als erster Schritt — es zeigt grobe Lücken und gibt eine erste Baseline. Es ersetzt kein Audit für strategische Investitionsentscheidungen.

Professionelles Audit. Ein externer Auditor prüft die tatsächlichen Datenquellen einer Marke — Tech Packs, Bills of Materials, Lieferantenlisten, Compliance-Zertifikate, Product Master — gegen den Anforderungskatalog. Vorteile: objektiv, deckt Lücken auf, die in Self-Assessments übersehen werden, liefert eine externe Validierung, die für interne Stakeholder (Geschäftsführung, Vorstand) und externe Stakeholder (Investoren, Banken) glaubwürdig ist. Nachteile: erfordert Datenfreigabe (typischerweise unter NDA), Zeitaufwand für die Marke (Bereitstellung von Dateien), Kosten für externe Audits typischerweise im vierstelligen Bereich pro Kollektion.

Eine pragmatische Sequenz: Beginnen Sie mit einem Self-Assessment, um die groben Lücken zu identifizieren. Wenn das Ergebnis unter 50 Prozent liegt oder wenn Sie für interne Investitionsentscheidungen eine externe Validierung brauchen, folgen Sie mit einem professionellen Audit für eine vollständige Kollektion.

6. Was ein gutes Audit liefert

Ein professionelles DPP Readiness Audit sollte folgende Ergebnisse umfassen:

Quantifizierter Gesamt-Score. Prozentsatz der DPP-Felder, die strukturiert vorhanden sind, gewichtet über alle 125 Datenpunkte und alle bewerteten Stile.

Score-Aufschlüsselung nach Kategorie. Wie hoch ist die Readiness in jeder der neun Datenkategorien?

Score-Aufschlüsselung nach Phase. Wie viele der Phase-1-Felder (verpflichtend ab Mitte 2028) sind vorhanden? Wie viele der Phase-2-Felder?

Pro-Stil-Bewertung. Welche Stile sind am besten/am schlechtesten dokumentiert? Häufig zeigt sich hier, dass bestimmte Produktgruppen oder Lieferanten strukturell schwächer abgedeckt sind.

Lieferantenrisiko-Karte. Welche Lieferanten halten heute schon strukturierte Daten? Welche müssen onboarded werden? Welche stellen Compliance-Risiken dar?

Priorisierte Lückenliste. Jede fehlende Datenkategorie mit: Welche Felder fehlen genau, wer hält die Daten typischerweise, in welchem Format sie üblicherweise existieren, welcher Aufwand zur Strukturierung realistisch ist, welche Phase-Priorität gilt.

Konkreter Aktionsplan. Welche drei bis fünf Schritte liefern in den nächsten 90 Tagen den größten Readiness-Zuwachs?

Ein Audit, das nur einen Score liefert ohne diese Aufschlüsselung, ist für die Praxis nicht brauchbar. Sie wissen nur, wo Sie stehen — nicht, was als nächstes zu tun ist.

7. Häufige Schwachstellen in DACH-Marken

Aus der Praxis: drei Lückenmuster, die in DACH-Marken besonders häufig auftreten.

Erstens — Tier-2-Daten fehlen fast immer. Marken kennen ihre Konfektionäre (Tier 1), aber selten ihre Stoffmühlen (Tier 2) und fast nie ihre Faserlieferanten (Tier 3). Die DPP-Anforderung „Country of Origin — Weaving“ wird daher zur größten strukturellen Lücke. Hier hilft kein neues System, sondern strukturierte Lieferantenkommunikation über zwölf bis achtzehn Monate.

Zweitens — Compliance-Zertifikate sind unstrukturiert. OEKO-TEX-, GOTS- oder REACH-Zertifikate liegen typischerweise als PDF-Anhänge in E-Mail-Korrespondenzen vor. Sie sind nicht maschinenlesbar mit den Produktstilen verknüpft. Bei einem Audit oder einer Behördenanfrage müssen sie manuell zusammengesucht werden — was bei 80 Stilen pro Kollektion und 40 Lieferanten Tage dauert.

Drittens — Kreislauf­fähigkeitsdaten existieren nicht. Recyclingfähigkeit, Take-Back, Demontageanleitungen, Reparaturinstruktionen — diese Felder sind bei vielen Marken bei null. Sie erfordern Designentscheidungen, die heute getroffen werden müssen, und kommunikative Inhalte, die für jeden Stil entwickelt werden müssen. Sustainability-Teams sind bei den meisten Marken nicht groß genug für diese Aufgabe ohne systematische Unterstützung.