Data Quality
Lesezeit

Warum gutes Datenqualitätsmanagement ein kontinuierlicher Prozess sein sollte

„Panta rhei – alles fließt …“ dieser Aphorismus des griechischen Philosophen Heraklit gilt ganz besonders für den Bereich Kundenstammdaten. Fast kontinuierlich ergeben sich Veränderungen und Aktualisierungen, die natürlich laufend berücksichtigt werden müssen, um die Qualität der Kundenstammdaten auf einem hohen Niveau zu halten. Aus diesem Grund sind auch alle Maßnahmen, die darauf abzielen, mit einer einmaligen Aktion für qualitativ bessere Kundendaten zu sorgen, von vorneherein zum Scheitern verurteilt. Stattdessen ist es notwendig, für das Datenqualitätsmanagement einen kontinuierlichen „Kreislauf“ an Maßnahmen zu definieren und zu implementieren, mit dem die Qualität der Daten sukzessive und nachhaltig verbessert wird.


Dass so eine sukzessive und nachhaltige Optimierung der Kundenstammdaten heute unbedingt erforderlich ist, ist unbestritten. Schlecht gepflegte Kundendaten kann und möchte sich kein Unternehmen mehr leisten.

Daten von angemessener Qualität hingegen sind der zentrale Erfolgsfaktor:
 

  • für einen 360-Grad-Blick auf den Kunden als wichtige Voraussetzung
    • für die Planung und Durchführung von Marketing- und Vertriebskampagnen,
    • für einen auf die Bedürfnisse des Kunden angepassten Support und Kundendienst,
    • für perfekt auf dessen Bedürfnisse angepasste Produkte und Services,
  • für das Erfüllen von Compliance-Anforderungen und gesetzliche Auflagen (z.B. im Banken- und Finanzwesen)
  • für richtige strategische Geschäftsentscheidungen auf der Grundlage von Predictive Analytics-Methoden.

 

Datenqualitätsmanagement für Kundenstammdaten:
Nichts ist beständiger als der Wandel


Wenn sich die meisten Unternehmen der Wichtigkeit eines professionellen Datenqualitätsmanagements bewusst sind, stellt sich natürlich die Frage, weshalb es immer noch vielen Unternehmen nicht gelingt, die Beschaffenheit ihrer Kundenstammdaten nachhaltig auf einem hohen Level zu halten.

Dies liegt natürlich zuerst einmal in der Natur der Sache. Persönliche Daten wie Adresse oder Telefonnummer sind heute einem fast ständigen Wandel unterzogen. Das unterstreichen allein schon die folgenden Zahlen:
 

  • Jedes Jahr ziehen in Deutschland acht Millionen Menschen um.
  • Jedes Jahr gibt es in Deutschland mehr als 800.000 Sterbefälle.
  • Pro Jahr werden in Deutschland 45.000 Straßennamen und fast 2.000 Ortsnamen umbenannt.


Im Business-to-Business-Bereich sorgen Insolvenzen (im Jahr 2022 fast 14.600 Unternehmen), Firmenübernahmen und -zusammenschlüsse sowie Mitarbeiterwechsel für sich ständig ändernde Firmen- und Adressdaten.

Weitere Faktoren, die die Qualität der Kundenstammdaten beeinflussen können, sind:
 

  • Falsche Angaben des Kunden im direkten Kontakt (Post, Telefon, Online-Formular)
  • Fehler beim Erfassen der Daten durch einen Mitarbeiter
  • Erfassen und Pflegen der Daten in isolierten Datensilos (ERP-System, Online-Shop, Ticketing-System)


Dies führt zum einen zu einem Kundendaten-„Wildwuchs“, der auch heute von vielen Unternehmen kaum oder gar nicht bewältigt, d.h. in einer zentralen Datenbank konsolidiert werden kann. Doch es gilt: Ohne Konsolidierung im Rahmen des Datenqualitätsmanagements keine Optimierung der Qualität der Daten.

Doch auch die Konsolidierung allein führt nicht zwangsläufig zu besseren Daten. Sie muss um weitere Maßnahmen ergänzt werden. Dabei ist es notwendig, die einzelnen Maßnahmen in einen kontinuierlichen Kreislauf zu integrieren. Erst damit können die kontinuierlichen Veränderungen bewältigt werden.
 

Der Kreislauf für Datenqualitätsmanagement


Der Kreislauf für Datenqualitätsmanagement ist die Grundlage für eine nachhaltige Optimierung der Kundenstammdaten. Er verdeutlicht einmal mehr, dass es sich dabei nicht um eine einmalige Ad-hoc-Aktion handelt. Stattdessen geht es in einem „Closed Loop“ um ein Bündel aus Maßnahmen, die nahtlos ineinandergreifen, und bei denen es prinzipiell keinen Anfang und kein Ende gibt. 

Der Data Quality Life Cycle besteht aus den folgenden vier Phasen:

 

  1. Analysieren

    Überblick über den IST-Zustand der im Unternehmen verfügbaren Kundenstammdaten und Aufdecken von Defiziten, Inkonsistenzen und Verstößen gegen Vorgaben zur Datenerfassung.
     
  2. Bereinigen

    Maßnahmen zur Beseitigung der in Phase 1 erkannten Fehler und Defizite sowie zur Optimierung der Data Quality. Konsolidieren und Anreichern der verfügbaren Stammdaten zum „Golden Record“.
     
  3. Schützen

    Langfristiges und nachhaltiges Wahren eines hohen Datenqualitätsniveaus durch Einrichten von „DQ-Checks“. Damit wird ein „schleichendes Verschmutzen“ der Daten verhindert. „First Time Right“ durch Einrichten einer DQ-Firewall.
     
  4. Überwachen

    Kontinuierliches Überwachen und Dokumentieren der Datenqualität, z.B. über eine DQ-Scorecard. Die Ergebnisse bilden dann wieder die Grundlage für eine erneute Analyse der Datenqualität und schließen damit den Kreislauf für das Datenqualitätsmanagement.


Warum es besonders wichtig ist, schon direkt bei der Dateneingabe für korrekte Daten zu sorgen, lesen Sie im folgenden Whitepaper 'First Time Right - hohe Datenqualität von Anfang an'.

First Time Right – Hohe Datenqualität von Anfang an

 

Kundendaten sind ein wertvolles Gut. Viel wird investiert, um sie auf Stand zu bringen. Und dann? Passiert oft nichts mehr. Daten von schlechter Qualität breiten sich mehr und mehr im Unternehmen aus und behindern den gesamten Geschäftsbetrieb. 

Implementieren Sie Ihre Data Quality Firewall – Aktualität, Vollständigkeit und Richtigkeit schon bei der Dateneingabe. Laden Sie sich jetzt kostenlos das Uniserv Whitepaper zu First Time Right herunter. Direkt perfekte Daten von hoher Qualität!


Jetzt Paper downloaden

Der Golden Record ist gut, die 360 Grad Kundensicht ist besser


Immer mehr Unternehmen erkennen die zentrale Bedeutung, die eine möglichst aktuelle, präzise, vollständige und korrekte 360-Grad-Kundensicht für ihren zukünftigen Geschäftserfolg hat. Allerdings reichen dazu die im Unternehmen gesammelten Kundenstammdaten allein nicht mehr aus. Denn in den Zeiten einer immer rascher fortschreitenden Digitalisierung des Kunden hinterlässt dieser eine ganze Reihe von „Spuren“. Diese Spuren entstehen nicht nur an den vielfältigen Touchpoints des Unternehmens (Webseite, Online-Shop, Newsletter, etc.), sondern auch in Online-Communities, Bewertungsportalen und sozialen Medien, die ebenfalls in die 360-Grad-Sicht einfließen müssen.
 

Mehr zum Customer Data Hub

Kundendatenmanagement

Fazit: 

Wer die Qualität seiner Kundendaten steigern und kontinuierlich auf hohem Niveau halten möchte, darf diese Aufgabe nicht als „Einmal-Aktion“ betrachten. Es ist vielmehr dafür Sorge zu tragen, dass ein kontinuierlicher Kreislauf für das Datenqualitätsmanagement aus nahtlos ineinander greifenden Maßnahmen implementiert wird, idealerweise unternehmensweit. Erst dann wird die Herausforderung einer nachhaltig angemessenen Beschaffenheit von Daten erfolgreich gemeistert. Mit den verlässlichen Daten ist es auch möglich, das so genannte Golden Profile eines jeden Kunden zu bilden. Dies noch abgerundet mit kontinuierlichem Datenqualitätsmanagement im Closed Loop – und einem professionellen Kundendatenmanagement für eine erfolgreiche Customer Journey steht nichts mehr im Wege.

Artikel teilen:

Das könnte Sie auch interessieren:

Data Quality
Qualitativ optimierte Daten sind eine zentrale Voraussetzung für den Erfolg Ihres Unternehmens. Verstehen, pflegen, schützen und überwachen Sie daher Ihre Daten über alle Phasen ihres Lebenszyklus.
Adressvalidierung
Prüfen, korrigieren und aktualisieren Sie die postalischen Adressen Ihrer Kunden und Interessenten, international, fehlertolerant, mit länderspezifischen Wissensbasen, damit Ihre Sendungen die Adressaten überall erreichen.
SAP-Lösungen
Qualitativ optimierte Geschäftspartnerdaten sind der Booster für Ihr SAP-System. Mit Adressvalidierung und Dublettenbereinigung zu aktuellen, korrekten und vollständigen Daten ohne Duplikate.