Data Quality Hub

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

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.

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.

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.