Maßnahmen für eine optimale Datenqualität

Mehr als jedes dritte Unternehmen ist mit der Qualität seiner erfassten und bearbeiteten Kundendaten unzufrieden – und stuft diese als niedrig oder eher niedrig ein. Das zeigt eine aktuelle Uniserv -Umfrage. Allerdings ergreift jeder Fünfte keine Maßnahmen zur Verbesserung. 

Doch inkonsistente und falsche Daten führen zu betriebswirtschaftlichen Fehlentscheidungen. Wie aber können mangelhafte Geschäftspartnerdaten identifiziert werden? Und wie lässt sich die Qualität der Daten verbessern? Zumal bei exponentiell steigenden Datenmengen.

Vor allem im Kontakt mit Geschäftspartnern wird der Einfluss von korrekten und vollständigen Daten auf den Geschäftserfolg sichtbar. Kunden und Geschäftspartner erwarten von Unternehmen, dass diese ihre Daten qualitativ „im Griff“ haben. In der Praxis wird dies von Unternehmen jedoch immer noch nicht umfassend umgesetzt. Oft sind Mängel im Datenbestand schuld. Aber auch nach innen hat eine mangelhafte Datenqualität schnell Auswirkungen. Ist der Verwendungszweck von Daten nicht bekannt, sind darauf aufbauende Geschäftsprozesse und Unternehmensentscheidungen kaum oder gar nicht belastbar.

Häufige Folgen mangelhafter Datenqualität sind:

• Beschwerden von Kunden und Mitarbeitern über falsche Adressdaten
• Mitarbeiter beschweren sich über ineffiziente Arbeitsabläufe
• Unterschiedliche Ansichten der Abteilungen über Zweckmäßigkeit der Daten
• Das Unternehmen kann bestimmte gesetzliche Vorgaben nicht einhalten
• Mangelnde Planungssicherheit: Strategische Entscheidungen werden nur mit großer Unsicherheit gefällt Datenqualität wird oft nur einmalig verbessert

Eine hohe Datenqualität ist daher essenziell. Doch sie muss fortlaufend gemessen und verbessert werden. Denn nahezu alle Daten im Unternehmen unterliegen ständigen Veränderungen. Dies liegt in der Natur der Sache, beispielsweise durch Umzüge, Jobwechsel und Unternehmensumstrukturierungen. Adressdaten können sich aber auch ganz profan durch Orts- und Straßenumbenennungen, in Neubaugebieten oder durch Eingemeindungen ändern. Dennoch verbessern Unternehmen ihre Datenqualität meist nur einmalig oder phasenweise, etwa weil ein neues Projekt einen Anlass dazu bietet. So nimmt im Anschluss die Datenqualität zwangsläufig wieder ab.

Datenqualitätsinitiativen: kein Alles-oder-Nichts-Projekt  

Wollen Unternehmen jedoch eine dauerhaft hohe Qualität gewährleisten, sollten sie eine kontinuierliche Datenqualitätsinitiative aufsetzen. Diese muss kein Alles-oder-Nichts-Projekt sein, sondern kann erst einmal abteilungsbezogen erfolgen und schrittweise im Unternehmen ausgeweitet werden. Vor allem Abteilungen wie das Marketing oder der Vertrieb- und Sales-Bereich, die naturgemäß auf qualitativ hochwertige Daten angewiesen sind, bieten sich an. Übergeordnetes Ziel einer Initiative sollte es sein, dass Geschäftspartnerdaten im jeweiligen Bereich konstant einheitlich, vollständig und aktuell vorliegen.

Teilziele definieren

Bevor es an die eigentliche Analyse geht, sollten Unternehmen jedoch erst mögliche (Teil-) Projektziele definieren, diese können sich beispielsweise auf folgende Verbesserungen beziehen:

• Dublettenbereinigung, um Mitarbeiter von Tätigkeiten der manuellen Datenkorrektur zu entlasten
• Adressvalidierung, um die Zustellrate im Marketing zu verbessern
• Datenanreicherung, um Up- und Cross-Selling-Potenziale für den Vertrieb zu erschließen
• Sanktionslistenüberwachung, um gesetzliche Vorgaben einhalten zu können
• Betrugserkennung- & Abwehr, um geschäftliche Risiken zu minimieren
• Geldwäschebekämpfung, um Strafverfolgung zu verhindern

Analyse: Zustand der Geschäftspartnerdaten ermitteln

Sind die unternehmensindividuellen Projektziele definiert, steht im weiteren Schritt der Datenqualitätsinitiative die Analyse der Daten an. Hier gilt es, sich einen detaillierten Überblick darüber zu verschaffen, wie es um den Zustand der im Unternehmen bestehenden Daten und den darauf aufbauenden Prozessen bestellt ist. Die Geschäftspartnerdaten werden anschließend nach zuvor festgelegten Datenqualitätskriterien bewertet, die sich aus den zuvor definierten Projektzielen ergeben.

Maximale Transparenz der Daten gewährleisten

Es wird also analysiert, wie die Daten im Unternehmen erhoben, genutzt und gegebenenfalls ausgewertet werden. Grundsätzlich gilt es, Daten vor allem auf die Faktoren Vollständigkeit, Eindeutigkeit, Genauigkeit und Fehlerfreiheit zu checken. Im Einzelnen kann dies eine Prüfung sein auf:

• die Vollständigkeit der Datensätze auf Feldebene
• die syntaktische Korrektheit von Datumsfeldern, Länderkennzeichen und anderen Feldinhalten, für die es formelle Regelwerke gibt
• die Plausibilität und damit Korrektheit von Adresselementen
• die Eindeutigkeit der Datensätze und Dublettenrate
• die Aktualität der Datensätze, vor allem mit Blick auf erfolgte Umzüge oder Adressänderungen

In diesem Rahmen sollten Projektverantwortliche auch immer den Verwendungszweck der Daten beachten. Dieser gibt notwendige Hinweise darauf, in welcher Form und Qualität die Daten nach Abschluss der Initiative vorliegen müssen. Daten sollten also „fit for purpose“, und damit nutzbar für den jeweiligen Einsatzzweck, sein.

Bild: Sympome erkennen – Ursachen beheben.

Die Datenanalyse hat anschließend einen möglichst objektiven und transparenten Status quo der Geschäftspartnerdaten im Unternehmen ermittelt. Daraus ergeben sich Handlungsempfehlungen und konkrete Maßnahmen, mittels derer Unternehmen ihre Daten optimieren und die verbesserte Qualität später auch beibehalten können. Projektverantwortliche sollten jedoch darauf achten, dass diese unternehmensindividuellen Maßnahmen immer so implementiert werden, dass diese keine Hindernisse für Mitarbeiter im laufenden Betrieb darstellen.

Cleansing-Maßnahmen

Im zweiten Schritt sind konkrete Maßnahmen durchzuführen, um die Qualität von Geschäftspartner- oder Kundendaten zu verbessern. Besonders hoch im Kurs stehen laut Uniserv-Umfrage vor allem der Dublettenabgleich (bei 91 Prozent), das Prüfen auf postalische Richtigkeit (51 Prozent) oder die Validierung der E-Mail-Adressen von Geschäftspartnern (54 Prozent). Im Rahmen der Cleansing-Maßnahmen gilt es also, alle Daten zu bereinigen, anschließend abzugleichen und bei Bedarf anzureichern.

1. Datenbereinigung

Eine Bereinigung der Datensätze kann erfolgen, sobald diese im Unternehmen erfasst oder in ein System, etwa in das CRM, übernommen werden. Konkrete Verbesserungsmaßnahmen sind beispielsweise die Adressoptimierung und -Korrektur, dass Anredeschlüssel vergeben und Dubletten bereinigt werden. Darüber hinaus können auch E-Mail-Adressen sowie Bank- und Kreditkartendaten geprüft werden. Arbeiten Unternehmen mit internationalen Geschäftspartnerdaten, sollten sich auch länderspezifische (Adress-)Regeln und postalische Zustellverfahren berücksichtigen. Eine Bereinigung von Datensätzen kann über geeignete Software-Lösungen auch voll- oder teilautomatisiert erfolgen.

2. Datenabgleich

Im weiteren Schritt gilt es, bereits bestehende Geschäftspartnerdatensätze fortlaufend zu überprüfen und beispielsweise gegen Adressdatenbanken abzugleichen. Als Faustregel gilt, dass Unternehmen ihren Datenbestand mindestens einmal im Jahr abgleichen und optimieren sollten, damit diese nicht wieder veralten, beispielsweise wenn Kunden- oder Geschäftspartner umziehen. Etwa acht Millionen Personen wechseln jedes Jahr in Deutschland ihren Wohnsitz. Mit über 20.000 Umzügen pro Tag ist jede Geschäfts- oder Kundendatenbank schnell nicht mehr auf dem aktuellsten Stand. So zeigt auch die Adress-Studie der Post, dass die Qualität von Kundendaten seit 2015 kontinuierlich sinkt.

3. Datenanreicherung

Je nach Bedarf, können Unternehmen Daten anschließend mit zusätzlichen Informationen anreichern. Fast die Hälfte der von Uniserv befragten Unternehmen ergänzt vorhandene Daten mit Telefonnummern, statistischen und demografischen Angaben oder Unternehmensinformationen. Als Instrument für die Planung und Steuerung von Filialnetzen, Vertriebsgebieten oder Transportwegen, bietet sich zum Beispiel die Anreicherung mit Geodaten an. Werden Geschäftspartneradressen im Rahmen von Geomarketing räumlich verortet und mit unternehmensexternen Marktdaten, etwa soziodemographischen Daten oder sozioökonomischen Strukturmerkmalen, in Relation gesetzt, können die Ergebnisse Hinweise auf wichtige Absatzchancen und Verkaufspotenziale geben. Anschließend können die bereinigten und angereicherten Daten in Zielsysteme wie dem CRM, ERP oder Marketinglösungen übernommen werden.

Der schleichenden Alterung des Datenbestandes entgegenwirken

Unternehmen sollten auch nach dem eigentlichen Datenqualitätsprojekt darauf achten, dass künftig nur qualitativ hochwertige Daten in die Unternehmenssysteme aufgenommen werden. Regelmäßige Qualitätsprüfungen – sogenannte Audits – geben Auskunft über die Güte der Geschäftspartnerdaten und ermöglichen so eine rechtzeitige Reaktion. Zur Überwachung der Datenqualität ist es beispielsweise sinnvoll, auch ein Monitoring zu implementieren. Werden Schwankungen bei der Qualität identifiziert, greift ein Alert – die Fachabteilungen werden automatisch benachrichtigt. Im Fall einer qualitativen Verschlechterung können Projektverantwortliche so zeitnah Maßnahmen ergreifen, die die Datenqualität wieder auf das erforderliche Niveau heben.

Im Überblick

Typische Schritte innerhalb eines Datenqualitätsprojektes:

• Initiales Cleansing des Datenbestands (in Form einer Batch-Verarbeitung)
• Einrichtung einer Data Quality Firewall, damit nur qualitativ hochwertige Datensätze ins System gelangen
• Festlegen individueller Optimierungsmaßnahmen
• Anpassung der Prozesse und damit einhergehend Anpassung der Systemlandschaft, damit die Daten in der Form vorliegen, wie sie benötigt werden
• Schulung der Mitarbeiter, damit ein Bewusstsein und eine Kultur für gute Datenqualität entstehen können