Je häufiger Daten genutzt werden, zum Beispiel für Automationen, Analysen oder Prozessoptimierungen, umso wichtiger ist deren Qualität - unabhängig von deren Menge. Obschon die Bereinigung und Sicherstellung der Datenqualität eine nervende Angelegenheit ist, überwiegen die Vorteile.
Ob mit oder ohne Strategie oder Nutzungskonzept von Daten, sie sammeln sich an - oft über mehrere Jahre und an verschiedenen Orten. Das ist eine normale Entwicklung mit der jede Organisation zu tun hat. Meistens ist es dann so, dass eine neue Initiative geplant wird z.B. Einführung CRM, Marketing Automation etc. und die fehlende oder miese Datenqualität den Organisationen oder Initiierenden von Projekten, einen Strich durch die Rechnung macht. In diesem Beitrag vertiefen wir das Thema Datenqualität im Umgang mit Kontaktdaten im CRM Kontext.
Verschiedene Arten der Datenqualität
Eine gute Datenqualität zeichnet sich nicht nur durch die Vollständigkeit der Daten aus, sondern auch durch Redundanzfreiheit, Aktualität, Konsistenz, Korrektheit und Einheitlichkeit.
Redundanzfreiheit: Gibt es von einer Person mehrere Kontakte?
Sprich - gibt es den Kontakt Klaus Oberholzer mehrmals, zum Beispiel mit einer anderen ID oder E-Mail Adresse? Im besten Fall sollten diese Daten zusammengeführt und vereinheitlicht werden.
Aktualität: Sind der Kontakt und die dazugehörenden Daten aktuell?
Sprich - arbeitet Klaus Oberholzer noch bei Oberholzer Digital? Ist er noch als Kunde erfasst, obschon er seit drei Jahren keine Transaktion mehr getätigt hat? Oder arbeitet der Key Account, welcher für Klaus Oberholzer zuständig ist, nicht mehr bei der eigenen Organisation?
Konsistenz: Wie ist die Quantität und Qualität der erfassten Daten?
Sprich - wie viele von unseren Kontakten haben eine Einwilligung zur Datenverarbeitung gegeben und welche dieser Einträge stimmen auch? Oder von wie vielen Kontakten wissen wir den Gender und von wie vielen die bevorzugte Anrede?
Korrektheit: Stimmen die abgebildeten Daten?
Sprich - ist die Telefonnummer von Klaus Oberholzer richtig oder hat diese nur sechs Ziffern? Fehlt bei der E-Mail Adresse die Endung oder hat sich ein Rechtschreibfehler eingeschlichen?
Einheitlichkeit: Sind die erfassten Daten einheitlich?
Sprich - ist die Telefonnummer jeweils mit +41 geschrieben oder ist der Vorname und Nachname gross und ausgeschrieben?
Kein richtiger sondern ein konstanter Weg
Je nach Art der Datenqualität sind die Herausforderungen und Massnahmen zur Verbesserung der Daten unterschiedlich. So können Einheitlichkeit, Redundanzfreiheit mehrheitlich automatisiert werden, während andere Arten initial oft händisch bereinigt oder ergänzt werden müssen. Wichtig ist zu sagen, dass es in der Praxis keinen perfekten Datenqualitäts-Zustand gibt. Unserer Erfahrung nach geht es primär darum, das Thema zu öffnen und im Rahmen der Ressourcen sukzessive anzugehen (initial) und laufend zu verbessern (Prozess).
Priorisierung ist der Weg zum Erfolg
Organisationen, die initial ihre Daten bereinigt und validiert haben, können anschliessend über festgelegte Prozesse (im besten Fall automatisiert) ihre Datenqualität auf Basis von wöchentlichen Routinen sicherstellen. Nicht alle Daten sind relevant. Wir empfehlen daher Organisationen, dass sie Daten priorisieren z.B. Stammdaten, die über alle Systeme hinweg vollständig sein müssen, wie z.B. E-Mail Adresse, rechtliche Einwilligung etc. und Eigenschaften, die im Laufe der Customer Journey aggregiert werden können und unterschiedlicher Natur sind, wie z.B. Branche, gekaufte Services / Produkte.
Warum es sich lohnt, die Datenqualität sicherzustellen
Ist die einmalige Bereinigung abgeschlossen und ein Prozess zur Überwachung und Optimierung sichergestellt, können Organisationen von folgenden Vorteilen profitieren:
Verlässliche Daten für Analysen
Damit Daten für Entscheidungsprozesse genutzt werden können, sollten diese hochwertig und verlässlich sein. Ist dies nicht der Fall, entsteht gegebenenfalls Misstrauen oder die Daten führen zu falschen Annahmen.
Nutzbare Daten für Automationen
Automationen leben von Daten - ob diese nun zur Prozessoptimierung oder für die Erhöhung der User Experience genutzt werden. Sind die Daten redundant, nicht vollständig, falsch oder ähnliches, ergibt sich oft das Gegenteil: Prozess-Verschlimmerung und negative Kunden- bzw. Nutzererlebnisse.
Digitale Readiness sicherstellen
Viele Initiativen sind mittlerweile digital, wie etwa die Einführung einer neuen Technologie z.B. CRM oder die Verbesserung oder Reaktivierung von Kunden- und Nutzererlebnissen. Hier macht es Sinn, dass durch eine solide Datenqualität diese Projekte ohne Verzögerung realisiert werden können.
Wertschätzung im Umgang mit Kunden
Schlussendlich geht es darum, dass man Kunden und ihren Daten wertschätzend gegenübersteht. Dies bezieht auch immer mehr die Aspekte des Datenschutzes mit ein. In unseren Augen ist jetzt der passende Moment, sich mit den eigenen Daten und deren Qualität auseinanderzusetzen.
Automatisierte Analyse und Teiloptimierung der Datenqualität
Die Analyse und Optimierung der Daten kann aufwändig sein. Wo immer digitale Daten im Einsatz sind, können jedoch auch technologische Lösungen in Betracht gezogen werden. Seit ein paar Wochen arbeiten wir an “Panda” - einer Lösung zur automatisierten Analyse und Optimierung der Datenqualität gemäss den oben genannten Kriterien - ein bisschen KI inklusive. Hierfür suchen wir Organisationen, die sich in den nächsten Wochen mit dem Thema Datenqualität auseinandersetzen wollen oder müssen und hierfür unsere automatisierte Lösung zum Selbstkostenbeitrag testen wollen. Sind Sie interessiert? Gerne erläutern wir weitere Informationen in einem kurzen unverbindlichen Gespräch.
Autor des Beitrags
Als Berater und Facilitator vernetzt Klaus Oberholzer Strategien, Organisationen und Technologien.
klaus@oberholzerkb.ch