Skip to content

Datensilos: Warum sie schädlich sind und wie Datamarts sie auflösen

Kornsilos als Metaphorik für die Datensilos

Wer in einem Unternehmen Kundendaten analysieren möchte, wird oft mit so genannten Datensilos konfrontiert. Dabei lassen sich relevante Daten unterschiedlicher Quellen nicht ohne Weiteres zusammenbringen. Wir zeigen hier, weshalb dies die optimale Kundenansprache beeinträchtigt und welche Rolle insbesondere ein Kunden-Datamart spielen kann, um Datensilos aufzulösen und unterschiedliche Daten zusammenzubringen.


Ursache von Datensilos

 

Schema Datensilos

In den meisten Unternehmen entstehen Daten nicht zentral an einem Ort. Sie entstehen vielmehr an verschiedensten Quellen, etwa in der Warenwirtschaft, in der Ressourcenplanung (ERP), im Webshop, im CRM usw. Im schlimmsten Fall „sitzen“ die betreffenden Abteilungen auf „ihren“ Daten, ohne anderen Unternehmensbereichen ungehindert Einblicke zu erlauben. Berichte aus Unternehmen, in denen „die Onliner“ mit völlig anderen Daten arbeiten, eine völlig andere Sicht auf die Kunden haben als „das traditionelle CRM“ und die einen den anderen ihre Daten nicht zugänglich machen, sind kein Einzelfall.

Doch auch wenn die Kooperationsbereitschaft auf allen Ebenen vorhanden ist, können die auf verschiedene Datensilos verteilten Daten ein ernst zu nehmendes Problem darstellen, wenn es darum geht, die in den Daten steckenden Potenziale zu nutzen. So werden in verschiedenen Software-Systemen, etwa im Online-Marketing und im CRM, umfangreiche Informationen gespeichert. Doch mangels Kompatibilität ist eine Verknüpfung dieser Daten kaum möglich. In der Konsequenz sehen Sie in beiden Systemen nicht den Kunden als Ganzes, sondern jeweils einen speziellen, durch die lokal verfügbaren Daten determinierten Ausschnitt.

 

Strategien zur Auflösung der Datensilos

Data Lake

Wollen Sie das in den Daten steckende Potenzial bestmöglich nutzen, ist jedoch ein vollständiger Blick auf den Kunden unabdingbar. Um diesen 360°-Blick auf den Kunden herzustellen, gibt es verschiedene Möglichkeiten. Der in manchen Unternehmen anzutreffende Data Lake genügt hierfür jedoch noch nicht, denn dieser beinhaltet lediglich, dass Zugangsschranken beseitigt und alle vorhandenen Daten in Form von Rohdaten für alle Unternehmensbereiche zentral verfügbar sind. Eine Datenqualitätssicherung, Harmonisierung in Bezug auf bestimmte Definitionen bzw. Abgrenzungen (z.B. was ist eine Kunde?) oder Aufbereitung für Analysen auf Kundenebene geht damit aber noch nicht einher: Die Daten sind für einen Großteil der Anwender weiterhin nur eingeschränkt nutzbar.

 

Schema Data Lake

Data Warehouse

Am anderen Ende der Möglichkeiten steht das Data Warehouse, eine zentrale Datenbank, in der alle Daten zusammengeführt und strukturiert vorgehalten werden. Die einzelnen lokalen Datenbestände werden aufgelöst; die Daten müssen dazu so weit harmonisiert werden, dass einheitliche und für alle Nutzungszwecke passende Definitionen und Logiken anwendbar sind. Dies ist manchmal angesichts der vielfältigen Nutzungsansprüche an die Daten nur schwierig oder gar nicht möglich. Zudem ist es oft mit einem erheblichen Aufwand verbunden, sodass ein Unternehmen darauf verzichtet, die (gesamten) Daten in das Data Warehouse zu integrieren.

 

Schema Data Warehouse

Wie können Sie es nun trotzdem schaffen, einer Kundenanalyse die vollständige Sicht auf die Kunden zugrunde zu legen?

Datamart

Wer z.B. mit einer Analyse die offline-Ansprache der Kunden optimieren möchte, sollte auch wissen, wie sich diese online verhalten und Wechselwirkungen zwischen der online- und offline-Welt im Blick haben. Sie können zu diesem Zweck die verfügbaren Datenquellen sichten und zu einer für Kundenanalysen geeigneten Sicht zusammenführen. Dabei sind

  • evtl. vorhandene Datenfehler zu bereinigen,
  • definierte Standards zur Prüfung der Datenqualität anzuwenden,
  • die Daten auf relevante Bereiche (auch zeitlich) zu filtern,
  • die Daten im Hinblick auf fachliche Definitionen und Logiken zu vereinheitlichen und
  • die Daten hinsichtlich der Analysezwecke auf Kundenebene zu aggregieren.

Schema Datamart

Sie können diese Schritte für jede größere Analyse wieder von neuem angehen. Doch es bietet sich an, den damit verbundenen Aufwand zu reduzieren, indem Sie das erforderliche Vorgehen automatisieren. Dies leistet ein sog. Kunden-Datamart, indem er die für Kundenanalysen relevanten Daten mit einem regelmäßig zu durchlaufenden, automatisierten Prozess zusammenführt und für Analysezwecke zur Verfügung stellt. Nutzen lässt sich dieser Datamart auf vielfältige Weise: so lassen sich für das Management regelmäßige Dashboards erstellen, Business Analysts können für ihre spezifische Fragestellung tiefer gehende Reports erstellen und Selektionen zur Kundenkommunikation können mit dem Datamart umgesetzt werden. Nicht zuletzt können Sie neu aufkommende Fragestellungen mit ad-hoc-Analysen kurzfristig angehen. Auf allen Ebenen stehen so jederzeit Daten zur Verfügung, um Entscheidungen schnell und faktenbasiert zu treffen.

 

Nähere Informationen dazu finden Sie auch in unserem kostenfreien Whitepaper „Kunden-Datamart: Wie bekomme ich die 360°-Sicht auf den Kunden?

 

Datamart Whitepaper anfordern!

Fazit

Datensilos in Unternehmen sind keine Seltenheit. Die Folge: es ist schwierig, den Kunden als Ganzes zu sehen und die einzelnen Abteilungen haben durch die lokal verfügbaren Daten nur einen determinierten Ausschnitt. Eine gezielte Kundenansprache ist also fast unmöglich. Eine sehr gute Möglichkeit, eine 360°-Sicht auf den Kunden zu bekommen ist ein sogenannten Kunden-Datamart, der eine schnelle, zuverlässige und tiefe Kundenanalyse und Selektion ermöglicht. Der Datamart zeigt die Vorteile einer guten Datenstruktur.

Leave a Comment