4 Tipps für ein verbessertes Datenmanagement

Eine effiziente Kundenansprache setzt voraus, dass Sie eine gute Kenntnis über Ihre Kunden besitzen. Mit einem guten Kundenverständnis können Sie Ihre Kunden zielgerichteter ansprechen; im Idealfall verabschieden Sie sich dabei auch von der Kommunikation mit der „Gießkanne“: Statt alle Kunden gleich anzusprechen, sollte die Kommunikation mit den Kunden in einem vertretbaren Rahmen individualisiert werden. Lesen Sie in diesem Beitrag, was ein gutes Datenmanagement ausmacht und wie Sie dieses verbessern können.

Ein Schlüssel zu mehr Kundenverständnis sind die im Unternehmen vorhandenen Kundendaten. Doch nur wenn die Daten in einer guten Struktur vorliegen, ist es möglich, aus ihnen die gewünschten Informationen mit vertretbarem Aufwand zu gewinnen.

Was macht eine gutes Datenmanagement aus?

Das Datenmanagement bezeichnet den Prozess, den die Daten von ihrer Entstehung an den verschiedenen Stellen innerhalb und außerhalb des Unternehmens bis zu ihrer Nutzung durch unterschiedliche Datennutzer im Unternehmen durchlaufen. Dieser Prozess sollte weitgehend standardisiert werden, sodass die einzelnen Schritte nicht vor jeder Analyse aufs Neue aufgesetzt werden müssen. Vielmehr sollte der Prozess automatisiert als regelmäßige Routine ablaufen. Dabei sind drei Aspekte wichtig:

• Datenqualität: Für eine gute Datenqualität ist wichtig, dass die Daten vollständig sind (d.h. keine Daten fehlen) und dass die Daten korrekt, aktuell und eindeutig sind.
• Datenharmonisierung: Die aus verschiedenen Quellen stammenden Daten müssen zueinander passen.
• Datenstruktur: Schließlich muss der Prozess des Datenmanagements die Daten aggregieren und in einer möglichst analysefreundlichen Struktur zur Verfügung stellen.
  
  

Beispiele zur Verbesserung des Datenmanagements

Ein wichtiger Aspekt ist oft das Auffinden von Dubletten. Ein und derselbe Kunde kauft oft unter verschiedenen Kundennummern. Hier gilt es verbindliche Regeln zu definieren, nach denen entschieden wird, ob es sich bei verschiedenen Kundennummern um denselben Kunden handelt (z.B. Kdnr 4711, Max Mustermann, Hauptstr 14, 12345 Ahausen und Kdnr 0815, Maximilian Musterman, Hauptstraße 14, 12345 Beedorf). Falls die Regel diese Kundennummern als zu einem Kunden gehörend definiert, muss dies für sämtliche Daten dieses Kunden aus allen Datenquellen angewendet werden, um eine vollständige Sicht auf diesen Kunden zu bekommen.
Ein anderes Beispiel sind aussagekräftige Metalisten z. B. für Produktnummern oder Marketing-Codes, nach denen die Daten aggregiert, d.h. verdichtet werden können. Dabei sind verschiedene Verdichtungskriterien (z.B. Kanal, Zielgruppe oder Thema einer Marketing-Aktion) und unterschiedliche Detaillierungsgrade (z.B. Oberwarengruppen, Warengruppen oder Unterwarengruppen zu einer Produktnummer) der Aggregation denkbar. So erhält jede Aktion, mit denen Kunden kontaktiert werden, einen bestimmten Marketing-Code. Zu diesen Codes muss eine Metaliste bestehen, in der zu jedem Code alle relevanten Informationen (Kanal, Zielgruppe, Thema, Aussendezeitpunkt usw.) festgehalten sind. Nur mit einer solchen Metaliste lassen sich später verschiedene Aktionsformen vergleichen, z.B. Briefe mit Selfmailern oder Postkarten oder Rabattaktionen mit Neuproduktankündigungen. Auch zu Produkten sollten möglichst vielfältige Informationen verfügbar sein, auf denen sich Analysen aufsetzen lassen.

1. Ist-Analyse der bestehenden Daten

• Welche Datenquellen sind verfügbar?
• Welche Merkmale beinhalten die Daten der einzelnen Datenquellen?
• Was beinhalten die einzelnen Merkmale (Befüllungsgrad, offensichtliche Datenfehler, Inkonsistenzen, Verteilung der Ausprägungen und Abweichungen gegenüber vorherigen Datenständen)
• Nach welchen Regeln werden die Daten harmonisiert, wie wird hiermit Unstimmigkeiten umgegangen?
• In welcher Form stehen die Daten zu Analysezwecken zur Verfügung?
  
  

2. Prioritäten setzen

In der Regel werden sich aus der Bestandsaufnahme verschiedene „Baustellen“ ergeben. Diese müssen priorisiert werden, da nicht alle Optimierungsansätze gleich wichtig, aufwändig und erfolgversprechend sind. „Low hanging fruits“, bei denen mit geringem Aufwand im Hinblick auf die Unternehmensziele wichtige Fortschritte gemacht werden können, sollten zeitnah angegangen und umgesetzt werden. Hierzu könnte z. B. eine Verbesserung der Dublettenregeln zählen, mit der die Zahl unentdeckter Dubletten reduziert werden kann, ohne die Gefahr fälschlich zusammengeführter Dubletten zu stark zu vergrößern.
Andererseits sollten die „Big fruits“, d.h. strategisch wichtige Verbesserungsprojekte, nicht auf die lange Bank geschoben werden, auch wenn ihre Umsetzung mit einigem Aufwand für Sie verbunden ist. Andernfalls besteht die Gefahr, dass diese niemals angegangen werden, weil Sie sich immer auf kleine Optimierungsansätze konzentrieren . So etwas könnte beispielsweise das Aufsetzen eines Analyse-Datamarts sein. Hierbei handelt es sich um ein Dateisystem, in dem die Daten regelmäßig in einer speziell für Analysezwecke aufbereiteten Form zur Verfügung gestellt werden. Hierfür sind zahlreiche Prozessschritte zu definieren, umzusetzen und in einen Regelprozess zu überführen. Der insgesamt hiermit verbundene Aufwand ist groß, zahlt sich aber dennoch in der Regel rasch aus, weil der Zugriff auf qualitativ gute Daten zu Analysezwecken erheblich vereinfacht wird. 

3. Umsetzen

Was priorisiert wurde, sollten Sie konsequent angehen und umsetzen. In Bezug auf Dubletten müssen beispielsweise die bestehenden Regeln (sofern überhaupt vorhanden) analysiert und auf Verbesserungsmöglichkeiten analysiert werden:

• Welche Kunden werden mit den bestehenden Regeln zusammengeführt und welche nicht?
• Welche sollten zusammengeführt werden und mit welchen formalen Regeln lässt sich dies erreichen?
• Welche unerwünschten Konsequenzen zieht eine geänderte Regel nach sich?
• Gibt es auch Kundennummern, die dann zusammengeführt werden, obwohl diese (wahrscheinlich) nicht zu demselben Kunden gehören? Wie häufig kommen derartige Situationen vor?

Verschiedene Optionen zur Veränderung der Dublette-Regeln sollten Sie testen und auf ihre Auswirkungen untersuchen, bis schließlich die am besten geeignete Regel ausgewählt und implementiert wird.
Demgegenüber stellt das Aufsetzen eines Datamarts ein ungleich aufwendigeres Projekt dar. Hier müssen Fragen geklärt werden wie der Umfang der Datenquellen, die integriert werden sollen, wie die Qualität der für den Datamart genutzten Daten geprüft und überwacht werden soll, welche Regeln bei der Harmonisierung von Daten aus verschiedenen Quellen angewendet werden sollen usw. Zudem muss entschieden werden, in welcher Form die Daten schließlich durch den Datamart für die verschiedensten Analysezwecke zur Verfügung gestellt werden sollen. All dies muss nicht nur konzeptionell erarbeitet, sondern danach auch programmiert und getestet werden.

4. Erfolge dokumentieren und überwachen

Die Erfolge des verbesserten Datenmanagements sollten Sie dokumentieren . Hierfür sind regelmäßige technische Analysen und Daten-Reportings sinnvoll. Aus diesen sollte hervorgehen, wie sich beispielsweise die Datenqualität gegenüber der Bestandsaufnahme verbessert hat. Auch wenn sich neue Probleme mit der Datenqualität ergeben, sollte dies erkennbar sein, sodass zügig entsprechende Gegenmaßnahmen eingeleitet werden können. Steigt die Zahl fehlender, fehlerhafter oder inkonsistenter Daten wieder an, so sollte das regelmäßige Daten-Reporting dies aufzeigen, sodass nach der Ursache hierfür gesucht und diese behoben werden kann.

Fazit

Die Optimierung des Datenmanagements ist eine gute Möglichkeit, das Kundenverständnis zu verbessern und auf diese Weise Marketing und Vertrieb effizienter zu machen. Nach einer umfassenden Bestandsaufnahme müssen die Optimierungsmöglichkeiten priorisiert und anschließend konsequent umgesetzt werden. Ein regelmäßiges Daten-Reporting dokumentiert die Erfolge und zeigt neu entstehende Handlungsbedarfe auf. So ist stets eine für eine Datenstruktur gesorgt, die zahlreichen Analysen zur Verbesserung des Kundenverständnisses optimal unterstützt.