Data Cleansing
Saubere Kundendaten sind der Schlüssel zu effizienten Prozessen rund um Ihre Kunden.
Die Datenbereinigung ist wichtiger Bestandteil jeder Datenqualitätsinitiative. Initial, im First Time Right oder in der Data Maintenance. Denn fehlerhafte oder inkonsistente Daten sorgen für eine Vielzahl von Problemen im operativen wie strategischen Kundenmanagement.
Data Cleansing spielt in vielen Szenarien eine wichtige Rolle: Beim Bereinigen von Altsystemen oder von Stammdaten, bei Migrationsprojekten, im Risikomanagement oder wenn es um Compliance geht. Auch bei der Kundenbindung oder im Dialog- und Direktmarketing sind bereinigte Daten von großer Bedeutung. Mehr noch: Bereinigte Daten sind der Schlüssel zum Erfolg.
Wann ist Data Cleansing wichtig?
Obwohl Kundendaten im Business erfolgsentscheidend sind, werden sie häufig vernachlässigt und allenfalls unzureichend, jedoch keinesfalls angemessen beachtet und gepflegt. Das äußert sich in einer unzureichenden Datenqualität, die wiederum weitreichende negative Folgen hat, wie ineffiziente Prozesse, erhöhte Kosten, Umsatzeinbußen und verärgerte bis verlorene Kunden. Anzeichen für eine ungenügende Datenqualität sind:
- Wichtige Kontaktinformationen von Interessenten und Kunden sind falsch oder fehlen.
- Derselbe Kunde ist mehrfach im Systemen angelegt oder Informationen sind über mehrere Systeme verteilt.
- Mitarbeiter verbringen sehr viel Zeit mit Suche der Kundeninformationen.
- Hohe Mengen an Rückläufern nach Mailingaussendungen.
In vier Schritten zu hoher Datenqualität
In vier Schritten gelangen Sie zu hoher Datenqualität. Analysieren Sie zuerst die Schwachstellen in Ihren Bestandsdaten. Räumen Sie dann Ihr Datenchaos gezielt auf und kontrollieren Sie Ihre Daten zukünftig bei der Erfassung. Stellen Sie im vierten Schritt Regeln und KPIs auf.
Verschiedene Szenarien des Data Cleansing
Datenbereinigung ist keine 'Einmal-Aktion'
Data Cleansing ist nicht gleich Data Cleansing. Denn in welcher Phase Sie mit Ihren Daten und deren Qualität stehen, bestimmt, wann in Ihrem Prozess eine Datenbereinigung stattfinden sollte, um zum gewünschten Ergebnis zu kommen. Auch die jeweiligen Schwerpunkte der Maßnahmen können variieren. Die Szenarien sind:
Initiale Datenbereinigung. Ihr Einstieg in saubere Daten.
Beim initialen Cleansing der Daten wird Ihr gesamter Datenbestand geprüft und weitestgehend automatisch bereinigt. Nicht automatisch korrigierbare Fehler werden markiert, so dass diese durch die Anwender bzw. Ihren Data Steward bereinigt werden können. Dubletten sollten als so genannter Golden Record konsolidiert werden. Haben Sie viele unterschiedliche Datenquellen und/oder wenn Ihre Daten aus verschiedenen Ländern stammen, werden Ihre initialen Datenbereinigungsaktivitäten etwas komplexer. Ihr Gewinn ist jedoch am Ende ein aktueller, vollständiger, korrekter und eindeutiger Datenbestand, mit dem Sie sofort gut arbeiten können.
Idealerweise haben Sie sich mit einem Data Assessment auf das initiale Data Cleansing vorbereitet. In einer solchen Erstanalyse werden Ihre Daten auf die zentralen Qualitätskriterien für Daten – Aktualität, Vollständigkeit, Korrektheit und Überschneidung – untersucht. Das ist die ideale Basis für die Initialbereinigung. Denn Sie wissen schon vorab, wo der Schuh wirklich drückt. Und Sie können Ihre Maßnahmen zur Qualitätssteigerung von Beginn an zielgerichtet planen.
Typische Bestandteile einer initialen Datenbereinigung sind:
- Die Daten werden in ein einheitliches Format gebracht.
- Die Namensbestandteile werden analysiert.
- Eine Prüfung der Adressen wird vorgenommen.
- Umzüge werden nachvollzogen
- Adressen werden mit Zusatzinformationen angereichert.
- Dubletten werden identifiziert und Golden Records gebildet.
First Time Right. Saubere Daten von Anfang an.
Datenbestände sind keine statischen Sammlungen von Kundendaten, sie leben. Permanent gibt es Veränderungen, beispielsweise kommen neue Datensätze hinzu oder werden bestehende ergänzt. Deswegen ist nach der Initialbereinigung vor der Data Quality Firewall. Sie verhindert, dass initial geklärte Bestände durch den dynamischen Datenverkehr schleichend verschmutzen, weil sukzessive wieder falsche, unvollständige oder doppelte Daten ins System kommen.
Das ist das Real-time-Szenario des Data Cleansing. Nichts kommt ungeprüft ins System. Konkret bedeutet das: Wenn ein neuer Datensatz ins System eingegeben wird, wird zunächst überprüft, ob es ihn schon gibt und ob er überhaupt korrekt ist. Das erfolgt mit einer vollautomatischen, hochpräzisen, fehlertoleranten Dublettenerkennung. Wenn nicht eindeutig klar ist, ob es sich um eine Dublette handelt oder nicht, kann die DQ Firewall mögliche Alternativen anzeigen. In einem Call Center oder im Service ist das von unschätzbarem Vorteil.
Häufig werden Fehler und Verunreinigungen bei der Dateneingabe ins System gespült. Insbesondere dann, wenn mehrere Abteilungen beteiligt sind, die unterschiedliche Ansprüche und Erwartungen an die Daten haben bzw. der Endkunde selbst an der Eingabe beteiligt ist. Rechtschreibfehler, Vertipper, fehlende Buchstaben oder ganze Wörter, Hörfehler sowie Typo-Abkürzungen verursachen bei der Neuanlage oder Änderungen oft Probleme. Durch die durchgängige Implementierung von Data Quality Checks direkt an den Stellen, an denen Daten in das System gelangen, kann die „schleichende“ Verschmutzung der Daten verhindert werden.
Vorteile von First Time Right:
-
Korrekte Kundenstammdaten von Anfang an – ganz egal, aus welcher Quelle die Daten kommen oder wer die Daten eingegeben hat – sind die preisgünstigste Art und Weise, Datenqualität sicherzustellen.
-
Hochwertige Daten ermöglichen effiziente Prozesse und das von Anfang an. Nachträgliche Korrekturen der Daten sind aufwändig und werden vermieden.
-
Bei manchen Fehlern, beispielsweise im Marketing, gibt es keine zweite Chance für den ersten schlechten Eindruck. Fehler lassen sich nachträglich nicht korrigieren. Dies kann mit First Time Right vermieden werden.
-
Sie managen die Kundenstammdaten mindestens mit der gleichen Aufmerksamkeit wie andere wertvolle Anlagegüter des Unternehmens.
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!
Data Maintenance. Das Altern von Daten verhindern.
Trotz aller getroffenen Vorkehrungen, ist es sinnvoll, einen Datenbestand innerhalb bestimmter Zeiträume ‚periodisch‘ zu prüfen und zu bereinigen. Denn Daten unterliegen leider einem täglichen Alterungsprozess. Diesem gilt es durch geeignete Datenqualitätsmaßnahmen entgegenzuwirken. So sollten z.B. regelmäßig Adressen, Telefonnummern und E-Mail-Adressen auf ihre Richtigkeit überprüft werden. Nur so kann festgestellt werden, ob sich durch äußere Veränderungen oder intern vorgenommene Änderungen an den Daten Fehler eingeschlichen haben. Auch die regelmäßige Überprüfung, ob Datensätze z.B. versehentlich doppelt angelegt wurden, ist wichtig, um langfristig die Qualität der Kundendaten zu sichern.
Die 1-10-100-Regel
„It takes $1 to verify a record as it´s entered, $10 to cleanse and de-dupe it and $100 if nothing is done, as the ramifications of the mistakes are felt over and over again.“
Quelle: SiriusDecisions/Forrester
Gründe für das Altern von Daten:
- Umzüge: Jeden Tag ziehen in Deutschland im Schnitt 25.000 Menschen um. Nicht alle informieren jedoch über ihre neue Anschrift, etwa Banken, Versicherungen und weitere Geschäftspartner. Ohne aktuelle Anschrift geht jedoch der Kundenkontakt verloren, beispielsweise für die Versendung wichtiger Post.
- Umbenennungen: Jährlich ändern sich in Deutschland 45.000 Straßen- und 2.000 Ortsnamen, durch Eingemeindungen, Umbenennungen oder Neubaugebiete. Auch diese Veränderungen müssen kontinuierlich in Datenbeständen nachvollzogen werden, da ansonsten nicht mehr die richtige Anschrift vorliegt.
- Dubletten: Sie sind wie ein ‚falscher Fuffziger‘ und tauchen trotz aller Umsicht doch früher oder später wieder auf. Es empfiehlt sich daher, periodisch im Gesamtbestand nach doppelt und mehrfach vorhandenen Datensätzen zu suchen und diese im Anschluss zu konsolidieren, damit keine wertvollen Informationen verloren gehen.
Identity Resolution: Dubletten erkennen und vermeiden
Kämpfen Sie mit Dubletten in Ihrem CRM System? Kunden sind in verschiedenen Datensätzen doppelt und dreifach angelegt? Hier setzen wir mit unserer Identity Resolution Lösung an: Aus unterschiedlichen Quellen werden relevante Datensätze identifiziert, und Sie können schnell und präzise Ähnlichkeiten aufdecken.
Das Businesswhitepaper ‚Identity Resolution‘ zeigt Ihnen, wie wichtig die fehlertolerante Identitätsbestimmung für die personalisierte Kundenansprache ist.
Wir sind für Sie da.
Kontaktieren Sie uns über das Formular oder rufen Sie uns direkt an.
Das könnte Sie auch interessieren:
