DPP-Datenklassifikation: Pflicht, empfohlen, freiwillig

Warum Datenklassifikation für den DPP wichtig ist

Eine der häufigsten Fragen bei der Vorbereitung auf den Digitalen Produktpass lautet: Welche Datenpunkte sind wirklich vorgeschrieben und welche optional?

Bis vor kurzem hing die Antwort davon ab, die ESPR-Rahmenverordnung zwischen den Zeilen zu lesen und auf sektorspezifische delegierte Rechtsakte zu warten. Am 19. März 2026 hat jedoch die Gemeinsame Forschungsstelle der Europäischen Kommission (JRC) eine Methodik veröffentlicht, die diese Frage direkt angeht: JRC145830 — Methodology for defining data requirements for the Digital Product Passport under the ESPR framework.

Der Bericht führt einen transparenten, wiederholbaren Ansatz zur Klassifikation von DPP-Daten in drei Stufen ein: essenziell (essential), dringend empfohlen (strongly recommended) und freiwillig (voluntary). Er konzentriert sich auf die semantische Definition und Priorisierung von Informationsanforderungen und untersucht systematisch die bestehenden Praktiken zur Datenerhebung und -weitergabe in komplexen Produktwertschöpfungsketten. Das Framework soll die Ausarbeitung delegierter ESPR-Rechtsakte und Folgenabschätzungen unterstützen, bietet aber jedem Unternehmen schon heute praktische Orientierung bei der Priorisierung von Produktdaten.

Das Drei-Stufen-Framework

Essenzielle Daten

Datenelemente, die direkt durch Vorschriften gefordert oder für die rechtliche Grundfunktion des DPP strikt erforderlich sind:

• eindeutige Produktidentifikation
• Angaben zum verantwortlichen Wirtschaftsakteur
• Konformitätserklärungen
• durch den jeweiligen delegierten Rechtsakt oder die Sektorverordnung vorgeschriebene Daten

Fehlt ein essenzielles Datenelement, ist der DPP grundlegend unvollständig. Nach Inkrafttreten des delegierten Rechtsakts sind diese Elemente nicht verhandelbar. Die JRC-Methodik betont, dass essenzielle Daten eng an die jeweils geforderte Granularitätsstufe des Produktpasses gekoppelt sein müssen. In der Praxis bedeutet das, wie genau der Pass das Produkt identifiziert:

• Modellebene — ein einziger Pass deckt alle Exemplare eines bestimmten Produktmodells ab (z. B. „Waschmaschine Modell X”). Die Daten sind für jedes produzierte Stück identisch.
• Chargenebene — der Pass bezieht sich auf eine bestimmte Produktionscharge (z. B. „Charge 2026-03-A der Waschmaschine Modell X”). Die Daten können zwischen Chargen variieren, etwa die Rohstoffzusammensetzung.
• Einzelstückebene — jedes einzelne Produkt hat einen eigenen Pass mit eindeutiger Kennung (z. B. eine Seriennummer). Dies ermöglicht die lückenlose Nachverfolgung eines konkreten Exemplars über den gesamten Lebenszyklus.

Welche Granularitätsstufe verlangt wird, legt der delegierte Rechtsakt für die jeweilige Produktkategorie fest und beeinflusst unmittelbar den Umfang der essenziellen Datenanforderungen.

Dringend empfohlene Daten

Elemente, die nicht in jedem Fall streng vorgeschrieben sind, aber in einer transparenten Wert-Aufwand- und Machbarkeitsbewertung auf Basis realer Branchenpraktiken hoch abschneiden. Die bereitgestellten Informationen sind für Regulierungsbehörden, Verbraucher oder Wertschöpfungspartner nachweislich nützlich, und der Erhebungsaufwand ist angesichts bestehender industrieller und technologischer Reife vertretbar.

Typische Beispiele:

• Materialzusammensetzung über rechtlich vorgeschriebene Stoffe hinaus
• CO₂-Fußabdruck oder Umweltleistungsindikatoren, wenn etablierte Berechnungsmethoden vorliegen
• Reparierbarkeits- oder Haltbarkeitsinformationen bei vorhandenen standardisierten Metriken
• Rückverfolgbarkeitsnachweise entlang der Lieferkette über die gesetzlichen Mindestanforderungen hinaus

In der Praxis sind dringend empfohlene Daten am besten als frühe Priorität für Vorbereitung, stufenweise Umsetzung oder ambitioniertere künftige Politikoptionen zu lesen, wenn Datenerhebungsinstrumente reifer werden.

Freiwillige Daten

Elemente, die in Nischenkontexten Mehrwert bieten, aber in der Wert-Aufwand-Bewertung niedrig abschneiden — entweder weil die Daten nur schwer zuverlässig und in großem Maßstab zu erheben sind, oder weil sich ihr Nutzen auf schmale nachgelagerte Szenarien beschränkt:

• erweiterte Lebenszyklusanalysen
• vertieftes Nachhaltigkeits-Storytelling für Verbraucher
• proprietäre Leistungsbenchmarks
• Daten, die nur für bestimmte nachgelagerte Anwendungsfälle relevant sind

Die freiwillige Aufnahme wird nicht abgeraten, sollte aber als strategische Entscheidung und nicht als regulatorische Pflicht verstanden werden.

So funktioniert die JRC-Methodik

Der JRC-Bericht listet nicht einfach Datenfelder auf. Formal beschreibt er vier Hauptschritte (A-D) mit Unterpunkten; für Teams in Unternehmen lässt sich diese Logik als sechs zusammenhängende Arbeitsschritte zusammenfassen:

1. Politische Ziele kartieren — identifizieren, was die ESPR (oder eine Sektorverordnung) für eine bestimmte Produktkategorie erreichen soll.
2. Anwendungsfälle definieren — bestimmen, wer die Daten benötigt (Marktüberwachung, Verbraucher, Recycler, Reparaturdienste) und wofür konkret.
3. Datenkandidaten identifizieren — alle Informationen auflisten, die den kartierten Anwendungsfällen dienen könnten.
4. Wert und Aufwand bewerten — jedes Datenelement nach praktischem Nutzen, Datenverfügbarkeit, Erhebungskosten und Branchenreife beurteilen. In diesem Schritt unterscheidet sich die JRC-Methodik am stärksten von früheren Ansätzen: Sie führt ein strukturiertes Scoring-Framework ein, statt sich allein auf den Konsens von Expertengremien zu stützen.
5. In Stufen einordnen — Zuweisung zu essenziell, dringend empfohlen oder freiwillig auf Basis der Machbarkeitsbewertung.
6. Daten-Governance klären — Zugriffsrechte, Datengranularität (Modell-, Chargen- oder Einzelstückebene) und Aktualisierungsfrequenz berücksichtigen.

Der JRC-Bericht klammert die detaillierte Systemarchitektur und IT-Implementierung bewusst aus, doch die modulare Struktur der Methodik ermöglicht ihre Anwendung auch außerhalb des ESPR-Rahmens, sofern äquivalente Kontext- und Machbarkeitsanalysen durchgeführt werden. Das kann z. B. auch für die Spielzeugsicherheitsverordnung (ab 1. August 2030) oder die Verordnung (EU) 2026/405 über Wasch- und Reinigungsmittel (ab dem 23. September 2029) relevant sein.

Was das für Unternehmen 2026 bedeutet

1. Prioritäten werden klarer

Vor der JRC-Methodik mussten Unternehmen anhand unvollständiger Signale aus ESPR-Erwägungsgründen und dem Arbeitsplan erraten, welche Daten zu erheben sind. Das Drei-Stufen-Framework bietet eine strukturierte Trennung zwischen „jetzt unerlässlich” und „nützlich, aber aufschiebbar”.

2. Granularität bestimmt den Aufwand

Das JRC verknüpft Datenanforderungen ausdrücklich mit dem Konzept der Granularität. Ein DPP auf Einzelstückebene (mit individueller Serialisierung) erfordert deutlich mehr Aufwand als ein DPP auf Modellebene (allgemeine Produktattribute), eröffnet aber fortgeschrittene Tracking- und Kreislaufdienste.

Wie lässt sich abschätzen, welche Stufe für den eigenen Sektor relevant sein könnte, bevor der Rechtstext final ist? In der Praxis schauen Unternehmen meist auf drei Signalquellen:

• Der delegierte Rechtsakt — sobald er angenommen ist, entscheidet er über die rechtlich geforderte Stufe (z. B. verlangt die Batterieverordnung die Einzelstückebene für Traktions- und Industriebatterien über 2 kWh).
• Das regulatorische Ziel — wenn das Regelungsproblem klar von der Rückverfolgbarkeit einzelner Einheiten oder Materialien abhängt, kann das die wahrscheinliche Richtung anzeigen, ersetzt aber nicht den Rechtstext.
• Der ESPR-Arbeitsplan und vorbereitende Studien — sie können signalisieren, wo eine detailliertere Rückverfolgbarkeit relevant wird, legen die geforderte Granularität aber nicht selbst fest.

Für Unternehmen ist die Konsequenz klar: Je feinere Granularität, desto höher die Kosten für Serialisierung, IT-Infrastruktur und Datenerhebung — aber auch desto größer der Wert des Passes für Kreislaufdienste und Marktüberwachung.

3. Die fünf Datenschichten sind ein praktisches internes Mapping

Der Leitfaden zu DPP-Datenanforderungen beschreibt fünf Kernschichten: Produktidentität, verantwortlicher Akteur, Zusammensetzung, Nachhaltigkeit und Rückverfolgbarkeit. Dieses Fünf-Schichten-Modell ist eine Planungsstruktur von InfoDPP und keine in JRC145830 definierte Taxonomie. Es kann dennoch als praktischer Weg dienen, die Priorisierungslogik des JRC auf ein internes Produktdatenmodell abzubilden.

4. Zugriffskontrolle ist eine eigene Design-Dimension

Nicht alle essenziellen oder empfohlenen Daten werden öffentlich sein. Der Bericht behandelt Zugriffsrechte als eigenständige Frage des DPP-Designs und der Governance: Delegierte Rechtsakte sollen festlegen, welche Akteure welche Daten sehen, unter Berücksichtigung von Verhältnismäßigkeit, Datenschutz und vertraulichen Geschäftsinformationen. In der Praxis sollten Unternehmen ihre DPP-Infrastruktur von Anfang an mit differenzierten Sichtbarkeitsebenen planen, statt davon auszugehen, dass jedes Feld in die öffentliche Ansicht gehört.

5. Dringend empfohlen verdient Basisplanung

Die Stufe „dringend empfohlen“ ist kein bindendes Recht. Sie markiert aber Datenpunkte mit hohem regulatorischem Wert und relativ gut handhabbarer Umsetzbarkeit und macht sie damit zu naheliegenden Kandidaten für frühere Vorbereitung, stufenweise Einführung oder ambitioniertere künftige Regulierungsoptionen. Ein vorsichtiger Ansatz behandelt sie als kurzfristige Planungspriorität statt bloß als Zusatz.

6. Freiwillig heißt nicht irrelevant

Einige freiwillige Datenelemente — insbesondere zu Lebenszyklusanalysen und Kreislaufwirtschaftsnachweisen — können Wettbewerbsvorteile schaffen, ESG-Berichterstattung unterstützen oder Kundenanforderungen erfüllen, auch ohne gesetzliche Pflicht.

Sektorbeispiele

Die JRC-Methodik gilt sektorübergreifend, aber die Gewichtung ändert sich je nach Produktkategorie:

Sektor	Essenzielle Schwerpunkte	Dringend empfohlene Muster
Batterien	Eindeutige Identifikation, CO₂-Fußabdruck, Rezyklat-Anteil, Sorgfaltspflicht	Leistungsdegradationsdaten, Zell-Rückverfolgbarkeit
Textilien	Faserzusammensetzung, besorgniserregende Stoffe, Herstelleridentität	Lieferantenkartierung, Wasser-/Energiefußabdruck, Haltbarkeitsmetriken
Elektronik	Reparierbarkeits-Score, Ersatzteile, Materialzusammensetzung	Firmware-Update-Historie, Recyclingfähigkeitsbewertung
Spielzeug	Sicherheitsdokumentation, Konformitätsbewertung, Komponentenrückverfolgbarkeit	Materialherkunft, Migrationstestdaten
Wasch-/Reinigungsmittel	Inhaltsstoffangabe, Klassifizierungsdaten, Gefahrenhinweise	Bioabbaubarkeitsnachweise, Verpackungsrecyclingfähigkeit
Baumaterialien	Umweltdeklarationen (EPD), Zusammensetzung, technische Leistung	Lebenszyklus-CO₂-Daten, Wiederverwendungspotenzial

Diese Beispiele sind illustrativ. Endgültige Feldlisten werden in den delegierten Rechtsakten oder Sektorverordnungen bestätigt.

Verhältnis zu bestehenden DPP-Leitlinien

Die JRC-Methodik ergänzt — und ersetzt nicht — andere Quellen:

• ESPR Anhang III — definiert weiterhin den rechtlichen Umfang möglicher DPP-Anforderungen; die JRC-Methodik hilft bei der Priorisierung.
• CEN/CENELEC-Normung — harmonisierte Normen definieren technische Formate; die JRC-Methodik klärt, welche Daten aufgenommen werden sollten.
• CIRPASS — das frühere CIRPASS-Projekt kartierte die DPP-Datenarchitektur; JRC145830 erweitert dies um die transparente Wert-Aufwand-Klassifikationsebene und bindet sie an die Machbarkeitsbewertung unter realen Bedingungen.

Weiterlesen

• DPP-Datenanforderungen: Welche Daten Sie wirklich brauchen
• Was ist ein Digitaler Produktpass (DPP)?
• Wie Sie einen DPP erstellen: Schritt-für-Schritt-Anleitung
• ESPR vs. Batterieverordnung vs. CBAM: Was ist der Unterschied?

Offizielle Quellen

• JRC145830 — Methodology for defining data requirements for the Digital Product Passport under the ESPR framework
• ESPR-Verordnung (EU) 2024/1781
• ESPR-Arbeitsplan der Europäischen Kommission 2025–2030

---

Möchten Sie Ihre Produktdaten anhand des Frameworks essenziell–empfohlen–freiwillig einordnen? Starten Sie kostenlos auf OriginPass.eu und testen Sie einen strukturierten Produktdatensatz, der auf die DPP-Datenanforderungen ausgerichtet ist.