Sicherung der Datenqualität in BI – auf der Basis von CRM-Daten
Alex Bekker ist Leiter der Abteilung Data Analytics in ScienceSoft, einem Unternehmen für IT-Beratung und Softwareentwicklung. Alex hat mehrere Projekte in den Bereichen wie Business Intelligence, Big Data, Data Analytics geleitet und auch den Unternehmen geholfen, die Vorteile von Data Science und maschinellem Lernen zu nutzen. Zu seinen größten Projekten gehören: Big-Data-Analyse für die Musterendeckung in der Mediennutzung in mehr als 10 Ländern; die Analyse von Eigenmarken-Produkten für mehr als 18.500 Produzenten, BI für 200 Gesundheitszentren.
Die Datenanalyse hilft Unternehmen, fundierte Entscheidungen zu treffen und ihre Leistung kontinuierlich zu verbessern, aber ist es immer so? Das Problem ist, dass sich ein Unternehmen ohne einen festgelegten Datenqualitätsprozess auf schlechte Daten verlassen kann, was verheerende Auswirkungen haben kann. In der Tat kosten schlechte Daten den USA 3 Billionen US-Dollar pro Jahr, berichtet Harvard Business Review. Die Unternehmen, die die Herausforderung verstehen, versuchen diese zu bewältigen, indem sie entweder eigene Ressourcen einsetzen oder sich mit einer BI-Beratung in Verbindung setzen.
Dieser Artikel befasst sich mit der Sicherung der Datenqualität im Kontext des Customer Relationship Management (CRM). Obwohl CRM nur eine von vielen Datenquellen ist, sind die unten beschriebenen Herausforderungen ziemlich typisch.
Herausforderungen bei der Datenqualität
Unvollständige Daten
Eine fehlende Lead-Quelle kann ein Beispiel für unvollständige Daten sein. Diese Informationen sind wichtig, um zu verstehen, wie effektiv die Kommunikationskanäle eines Unternehmens sind, und die Marketingstrategie bei Bedarf anzupassen.
Doppelte Daten
Auf den ersten Blick sind doppelte Daten keine Herausforderung. Tritt ein Kunde jedoch mehrmals im CRM auf, verursacht das nicht nur unnötige Datenspeicherung, sondern das führt auch zu einer falschen Kundenanzahl. Darüber hinaus schwächen doppelte Daten die Marketing-Analyse: sie behindern, die Kaufgeschichte eines Kunden zu verfolgen, und dadurch ist das Unternehmen in der Lage, weder die Bedürfnisse der Kunden zu verstehen, noch ihre Kunden entsprechend zu segmentieren.
Veraltete Informationen
Stellen Sie sich vor, dass ein Kunde einmal den Fragebogen eines Einzelhändlers ausfüllte und angab, dass er keine Kinder hat. Doch die Zeit verging – und jetzt hat er ein neugeborenes Baby. Die glücklichen Eltern sind bereit, ihr Budget für Windeln, Babynahrung und Kleidung auszugeben, aber ist es unserem Händler bewusst? Ist dieser Kunde im Segment "Kunden mit Babys" enthalten? Veraltete Daten können zu einer falschen Kundensegmentierung und unzureichenden Marktkenntnissen führen.
Mehrdeutige Dateninterpretation
Ein CRM kann ein Feld namens "Verlustursache" haben, das helfen soll, das herauszufinden, was schief gelaufen ist. Normalerweise hat es die Form eines Dropdown-Menüs. Es kann jedoch auch die Option "Andere" enthalten. Daher kann ein wöchentlicher Bericht zeigen, dass in 80% der Fälle der Grund für den Verlust von Kunden "Andere" war. So kann ein Unternehmen schmerzhafte Fehler machen, ohne davon zu lernen!
Unzuverlässige Info
Angenommen, ein Unternehmen segmentiert seine Leads je nach der Anzahl der Mitarbeiter, und ein Lead-Profil zeigt, dass die Mitarbeiterzahl 500 beträgt. Das ist ein Signal, ein Lead zum Segment "Mittelständische Unternehmen" zu zählen. In der Realität sind jedoch 50 Mitarbeiter beschäftigt, was bedeutet, dass das richtige Segment "Kleine Unternehmen" ist. Wenn der Fehler systematisch ist, führt das zu einer falschen Segmentierung, die wiederum einen irreführenden Einblick in die Effizienz der Kanäle zur Leadgenerierung gibt.
Späterer Eintrag/Aktualisierung
Spätere Einträge und Aktualisierungen können sich negativ auf die Datenanalyse und die Berichterstattung von CRM auswirken. Ein Handelsvertreter sollte beispielsweise jeden Kontakt mit einem Lead im CRM protokollieren. Stellen Sie sich vor, der Handelsvertreter hat bereits Leads kontaktiert, diese jedoch nicht protokolliert. Später erhielt ein Verkaufsmanager einen irreführenden Bericht, der zeigte, dass es viele Leads gab, die seit langer Zeit nicht kontaktiert worden sind.
Worin liegt die Lösung?
Das zu einer Priorität machen
Der erste Schritt besteht darin, die Sicherung der Datenqualität zu einer hohen Priorität zu machen und sicherzustellen, dass jedes Teammitglied die Herausforderungen der Datenqualität sowie ihre Auswirkungen auf die Entscheidungsprozesse des Unternehmens versteht.
Daten bereinigen
Eine gut bekannte Wahrheit ist, dass es einfacher ist, eine Krankheit vorzubeugen, als sie zu heilen. Deshalb ist die Echtzeit-Datenprüfung auf Unvollständigkeit und Ungenauigkeit, bevor die Daten in das System hinzugefügt werden, ein guter Ausgangspunkt. Darüber hinaus wird das dazu beitragen, die Duplikate beim Eintragen von Daten zu identifizieren und zu eliminieren.
Dateneingaben automatisieren
Weniger Handarbeit bedeutet weniger Fehler. Daher sollte das Unternehmen überlegen, wie die Dateneingabe automatisiert werden kann, um einen menschlichen Faktor zu reduzieren. Wenn das System automatisch etwas tun kann (z. B. automatische Vervollständigung, Anruf- oder E-Mail- Loge), ist es sinnvoll, es zu implementieren.
Daten pflegen
Die Sicherung der Datenqualität ist ein fortlaufender Prozess. Um sicherzustellen, dass keine veralteten Informationen im System vorhanden sind, müssen die Daten in bestimmten Zeitabständen (z. B. vierteljährlich) erneut validiert werden.
Machen oder kaufen?
Jedes Unternehmen sollte selbst entscheiden, ob es interne Ressourcen für die Sicherung der Datenqualität nutzen oder sich für die professionelle Unterstützung von BI-Beratungsexperten einsetzen muss. Die Kombination beider Ansätze ist ebenfalls möglich. Business Intelligence stellt Best Practices, professionelle Tools und ausgefeilte Analysetechniken zur Verfügung, um den Prozess aufzubauen, während der Kunde interne Richtlinien entwickeln und die Sicherung der Datenqualität in internen Systemen sicherstellen kann.