Was sind Hinweise auf eine schlechte Data Quality?

In Gesprächen mit unseren Kunden und Mitarbeitern aus den unterschiedlichen Fachabteilungen werden uns immer wieder ähnliche Symptome schlechter Datenqualität genannt. Aus den Symptomen lassen sich Anhaltspunkte für konkrete Data-Quality-Initiativen ableiten, so dass sich erste Hinweise für die Erstellung des Maßnahmenkatalogs ergeben: Kunden und Geschäftspartner tauchen mehrfach im System auf Ansprechpartner sind nicht aktuell Hohe Rückläuferquote bei Mailing-Aktionen aufgrund falscher oder unvollständiger Adressen Kundenbeschwerden bei Mehrfachzustellung der gleichen Werbesendungen Geringe Response-Raten bei Marketing-Aktionen Falsche Briefanreden und Adresszeilen, wenn z. B. Herr Katrin Müller und Frau Walter Schmitt Post von Ihnen bekommen Cross- und Up-Selling-Möglichkeiten sind nicht zu erkennen Geringe Benutzerakzeptanz und Beschwerden der Mitarbeiter Gesetzliche Vorgaben können nicht eingehalten werden Mangelnde Planungssicherheit: Strategische Entscheidungen werden nur mit großer Unsicherheit gefällt

Was ist Data Quality Management?

Es geht darum, Data Quality zu verbessern und laufend zu managen. Das ist keine Einmalaufgabe, denn fast alle Daten in Unternehmen, Kundendaten zumal, unterliegen ständigen Veränderungen. Ziel muss es deshalb sein, sicherzustellen, dass Kundeninformationen konstant einheitlich, vollständig und aktuell vorliegen. Dennoch verbessern Unternehmen ihre Data Quality meist nur phasenweise, weil etwa ein neues Projekt einen Anlass dazu bietet (und entsprechende Budgets zur Verfügung stehen). Im Anschluss wird die Qualität aber meist wieder schlechter. Das liegt in der Natur der Sache, denn Daten ändern sich durch neue Gegebenheiten, beispielsweise durch die Änderung der Mobilfunknummer oder der Adresse. Ist die Rede von einem Management der Data Quality, handelt es sich um eine Vorgehensweise, die die Qualität der Daten über den gesamten Lebenszyklus der Daten hinweg sicherstellt - von der Erfassung über ihre Speicherung und Nutzung bis zu ihrer Archivierung und Löschung. Zum Einsatz kommt dabei gemeinhin der Regelkreisansatz ("closed loop") aus dem Total Quality Management. Zu Beginn werden die Kundendaten bereits während der Datenerfassung mittels Data Quality-Services geprüft. Fehlerhafte Kundendaten, die nicht automatisch bereinigt werden können, werden in einer Zwischendatenbank gespeichert. Ein Bericht oder Alert geht an die Eingabestelle, so dass diese korrigierend eingreifen kann. Mit diesem Kreislauf lassen sich Kundendaten kontinuierlich während der Erfassung und Bearbeitung überprüfen. Werden über diese Prozesse regelmäßig Berichte verfasst (etwa über ein Data Quality Dashboard), können Anwender die Leistung des geschlossenen Regelkreises für das Data Quality Management messen (Performance Management) und den Prozess kontinuierlich verbessern. Das Ergebnis ist eine nahezu konstante Data Quality auf hohem Niveau. Data Quality hört an dieser Stelle aber nicht auf. Unternehmen sind überwiegend so strukturiert, dass das Data Quality Management einen übermäßigen Aufwand erzeugt, weil die Datenhoheit meist bei den Abteilungen liegt. So können unterschiedliche Abteilungen oder neu erschlossene Geschäftsfelder nicht auf alle Kundendaten im Unternehmen zugreifen. Die Datentöpfe passen nicht zusammen. Das Management von Data Quality bleibt in solchen Konstellationen auf Systemsilos beschränkt, die voneinander getrennt sind. Diese beherbergen zwar eine Menge an Kundendaten, die durch Zusammenführung mit unternehmensweit verfügbaren Daten in ihrer Qualität verbessert und angereichert werden könnten. Doch de facto verursachen die bestehenden Strukturen und Prozesse hohe Kosten durch Redundanzen. Und was noch schwerer wiegt: Unternehmen verspielen das große Potenzial, das in ihren Datenbanken liegt - nämlich die Chance auf eine einheitliche Sicht auf ihre Kunden. Die Realität ist ernüchternd, denn den Unternehmen fehlt es an Überblick. Ihr Management kann sich kaum auf die Daten als Basis für Entscheidungen und Maßnahmen verlassen. Fehlentscheidungen und Fehlinvestitionen können die teure Folge sein. Die Notwendigkeit für Data Quality ist offensichtlich. Damit der Erfolg eines umfassenden Datenqualitäts-Managements aber tatsächlich auf die tägliche Arbeit der Mitarbeiter und den Geschäftserfolg des gesamten Unternehmens durchschlägt, ist ein Master Data Management notwendig.

Welche Schritte sind für eine dauerhaft bessere Data Quality erforderlich?

Data Quality verbessern und erhalten benötigt einen durchgängigen Data Quality Life Cycle. Er sorgt dafür, dass den Daten zu jedem Zeitpunkt die nötige Aufmerksamkeit zuteilwird. Und sie immer über eine angemessene Qualität verfügen. Angemessen in dem Sinn, dass sie ‚fit for purpose‘ sind. Mit dem Data Quality Life Cycle kann man Datenqualität verbessern und erhalten, in einem geschlossenen Kreislauf (closed loop). Folgende Teilprozesse gehören dazu: Analyze Unbekannter Stand der Data Quality aller Businessdaten Grundlegende Voraussetzung für den Erfolg von Data Quality Initiativen ist eine genaue Kenntnis des Zustands der Businessdaten bezogen auf ihre Qualität. Vollständigkeit, Korrektheit, Eindeutigkeit und Konsistenz sind nur einige der Kriterien, welche bei der Beurteilung der Data Quality herangezogen werden müssen. Wenn kundenbezogene Daten bisher und auch heute noch im Mittelpunkt von Initiativen für Data Quality stehen, sind andere Datendomänen wie Produkt- und Materialstammdaten, Finanzdaten oder Vertragsdaten zunehmend Gegenstand von Data Governance-Programmen und -Organisationen in den Unternehmen. Cleanse Initiale Grundbereinigung von Geschäftsdaten Ist die aktuelle Data Quality festgestellt, und sind Zielgrößen für die Qualitätsverbesserungsmaßnahmen festgelegt worden, stellt sich die Aufgabe einer initialen Bereinigung aller Stammdaten (Data Cleansing). Unterschiedliche Stammdatendomänen stellen ihre eigenen Herausforderungen an die Funktionalität der Werkzeuge, die in Bereinigungsprozessen zum Einsatz kommen. Kann man sich bei - in definierten Ländern jeweils spezifisch - standardisierten Adressdaten auf feste Vorgaben der nationalen Postgesellschaften stützen und umfangreiche Referenzdatenverzeichnisse verwenden, so erfordern die erheblich ausgeprägteren Eigenheiten in anderen Datendomänen größere individuelle projekt- oder branchenbezogene Anstrengungen, um definierte Businessregeln in den Datenbeständen einzuhalten. Protect Sicherung der Data Quality am Point of Entry In den interaktiven Anwendungen beispielsweise für das Customer Relationship Management besteht die Gefahr der Verunreinigung von Datenbeständen bei der Erfassung neuer Datensätze, aber auch bei der Veränderung bereits vorhandener Datensätze. Diese Qualitätsverschlechterung kann in einer fehlerhaften Dateneingabe, einer Mehrfachspeicherung der gleichen Objekte, einer nicht korrekten Nutzung vorgesehener Datenattribute u.v.m. begründet sein. Um der laufend fortschreitenden Verschmutzung des Datenbestandes entgegen zu wirken, wird die Sicherung der Data Quality mittels einer Data Quality Firewall als ein integraler Bestandteil der Kundenapplikation unabdingbar. Govern Laufende Überwachung der Data Quality Zur wirkungsvollen und nachhaltigen Implementierung einer Data Quality Strategie muss die Qualität der gespeicherten Geschäftsdaten kontinuierlich überwacht und reportet werden. Ohne eine regelmäßige Kontrolle besteht die Gefahr, dass das einmal erreichte Qualitätsniveau im Zeitablauf verloren geht. Die Verfolgung von Trendverläufen und die Alarmmeldung bei Unterschreitung definierter Qualitätsschwellwerte sollten regelmäßig durchgeführt werden.

Was passiert mit der Data Quality, wenn man aufhört?

Data Quality ist zu vergleichen mit Rudern gegen den Strom. Heißt: Sobald man mit dem Rudern aufhört, treibt man zurück. Die Data Quality verschlechtert sich. Denn Data Quality ist ein Prozess, der nicht mehr enden sollte. Diese schleichende Veränderung ist allerdings oft ein Bauchgefühl, daher wenig transparent mit Fakten hinterlegt.

Data Quality Hub

Q: Was kosten schlechte Daten?

Direkt vorab: Fehlerhafte Adressen und mangelhafte Datenqualität sind ein Kostenfaktor, den Unternehmen einfach vermeiden könnten! In Deutschland ändern sich jährlich durch Umzüge etwa 14 Millionen Adressen und durch Sterbefälle etwa 990.000. Viele der insgesamt 370.000 Hochzeiten und 150.000 Scheidungen pro Jahr sind mit Namensänderungen verbunden. Hinzu kommen jährlich tausende Änderungen bei Straßennamen, Postleitzahlen und Orten. Die meisten Änderungen geschehen bei der Anschrift – das CRM ist nicht zwingend up-to-date. Postalisch einwandfreie Adressen sind für Unternehmen von zentraler Bedeutung. Denn nur korrekte Anschriften sichern die Zustellbarkeit der Aussendungen, minimieren Porto- und Werbeausgaben und sind für die Ermittlung von Dubletten unverzichtbare Voraussetzung. Lesen Sie in unserem Paper „ Was kosten schlechte Daten? “, wann Daten schlecht sind, welche vermeidbaren Kosten sie ganz konkret verursachen, und wie Sie diese Kosten künftig vermeiden können.

Korrekte Kundendaten von Beginn an

Mit dem Data Quality Hub sorgen Sie dafür, dass nur noch korrekte Daten in Ihre Systeme gelangen. Außerdem stellen Sie sicher, dass Ihr Daten mit Anti Aging-Funktionen automatisch aktuell gehalten oder bei Bedarf auch automatisiert mit zusätzlichen Informationen angereichert werden.

Sprechen Sie uns an

Optimieren Sie Ihre Kundendaten entlang des Data Quality Lifecycle

Um das Beste aus Ihren Daten herauszuholen, müssen Sie sie verstehen, pflegen, schützen und überwachen. Und das über den gesamten Data Quality Lifecycle. Für diese Aufgaben bieten wir Ihnen eine Kombination aus leistungsstarken Software-Lösungen und erfahrenen Beratern.

Der Uniserv Data Quality Hub erfüllt hierfür punktgenau Ihre Anforderungen. So gewährleisten Sie, dass Ihre Daten stets den Anforderungen des Business genügen.

Lesen Sie in der Success Story der R+V Versicherung, wie wir gemeinsam die Herausforderungen in punkto Datenqualität gemeistert haben.

Was leistet der Data Quality Hub?

Der Data Quality Hub bietet eine einzigartige Kombination aus Flexibilität, Effizienz und Benutzerfreundlichkeit. Im Gegensatz zu anderen Lösungen ermöglicht er die schnelle Implementierung aller gewünschten Datenqualitätsfunktionen. Das schließt alle Anwendungen ein, die Daten von Kunden oder Interessenten erfassen oder ändern, ohne hohen Integrations- bzw. Entwicklungsaufwand. Seine Systemneutralität und die Möglichkeit, Funktionen per Knopfdruck hinzuzufügen, machen den Data Quality Hub zur schlanken, zielgerichteten Lösung. Data Stewards arbeiten bei Bedarf direkt in der Oberfläche des Hubs.

Funktionen des Data Quality Hubs

Bankverbindung prüfen

Sanktionslistenprüfung

Wir finden auch für Sie die perfekte Lösung. Kontakt

Was kosten schlechte Daten?

Der Preis für schlechte Datenqualität ist hoch. Aber: Fehlerhafte Adressen und mangelhafte Datenqualität sind ein Kostenfaktor, den Unternehmen einfach vermeiden könnten.

Wie hoch solche Kosten ganz konkret werden können und wie Sie sie von Anfang an vermeiden, lesen Sie in unserem Paper „Was kosten schlechte Daten?“

Jetzt Paper downloaden

Die 1-10-100-Regel

„Es kostet $1 einen Datensatz bei der Eingabe zu überprüfen, $10 ihn zu bereinigen und $100 wenn nichts unternommen wird, da die Auswirkungen der Fehler immer wieder zu spüren sind.“

Quelle: SiriusDecisions/Forrester

Gute Daten für Ihre Geschäftsprozesse

Die Bedeutung von Data Quality für Ihr Unternehmen

Interessenten- und Kundendaten sind das Herzstück von Unternehmen. Häufig werden sie nicht so behandelt. Sie sind fehlerhaft, inkonsistent und nicht mehr aktuell, liegen über verschiedene Systeme verstreut und können oftmals nicht mehr einfach zusammengeführt werden. Fachabteilungen benötigen jedoch genaue, vertrauenswürdige und relevante Daten, zum Beispiel:

Marketing

Für erfolgreiche Kampagnen sowie zielgerichtete Personalisierung und Segmentierung.

Vertrieb

Für effizientere Lead-Generierung und -Verfolgung sowie personalisierte Verkaufsansätze.

Kundenservice

Für die Bereitstellung eines personalisierten und effektiven Kundensupports.

Business Intelligence

Für Datenanalysen, die die Basis bilden für fundierte Strategien und Geschäftsentscheidungen.

Kundenbindung

Für die Gestaltung und Verwaltung von Treue- und Kundenbindungsprogrammen.

Finance

Für Risikoanalysen und Einschätzungen der Kreditwürdigkeit.

Mit dem Data Quality Hub entscheiden Sie sich für:

Relevante und valide Interessenten- und Kundendaten in einem oder mehreren Ihrer Systeme
Die Möglichkeit, eine Unique Customer ID und eine umfassende 360-Grad-Sicht zu schaffen
Eine schnelle Implementierung und reduzierten Entwicklungsaufwand
Die Flexibilität, Ihre Data Quality jederzeit und systemübergreifend zu optimieren und zu erweitern

"Sie müssen die Art und Weise ändern, wie Daten in Ihre Systeme gelangen. Alles wie es kommt in die Systeme kippen und alle paar Jahre ein Bereinigungsprojekt ist keine ideale Lösung."

Roland Pfeiffer, Geschäftsführer Uniserv

"Sie müssen die Art und Weise ändern, wie Daten in Ihre Systeme gelangen. Alles wie es kommt in die Systeme kippen und alle paar Jahre ein Bereinigungsprojekt ist keine ideale Lösung."

Roland Pfeiffer, Geschäftsführer Uniserv

Data Quality Hub schnell und einfach implementieren

Der Data Quality Hub integriert sich nahtlos in Ihre bestehende IT-Infrastruktur. Er kommuniziert über standardisierte Schnittstellen mit verschiedenen Systemen. Daten überprüft und bereinigt er in „near Real-Time“ oder im Batch, erkennt Dubletten und ermöglicht die zentrale Verwaltung von Datenqualitätsregeln. Fehler werden nicht nur erkannt, sondern dank fehlertoleranter KI weitestgehend automatisch korrigiert. Für Data Stewards reduziert sich der Aufwand. Funktionen, Regeln und Schnittstellen können individuell konfiguriert werden, um optimal auf die spezifischen Bedürfnisse und Prozesse Ihres Unternehmens einzugehen.

Data Quality vom Customer Data Expert

Warum ist es empfehlenswert, das Thema Data Quality für Kunden- und Interessentendaten mit Uniserv anzugehen? Ganz einfach: Von uns bekommen Sie die beste Qualität. Versprochen!

Data Quality Lösungen aus einer Hand.

Praxisorientierte Fachkompetenz unserer Berater.

Flexible Skalierbarkeit von Lösungen und Funktionen.

Lauffähigkeit auf allen gängigen Plattformen.

Moderne serviceorientierte Cloud-Architektur.