Datenanalyse

Datenqualität ist kein Hexenwerk

Die Single Customer View – die einheitliche Sicht auf den Kunden – ist heute das Ziel vieler Unternehmen im Vertrieb. Mit dem Master Data Management (MDM), bei dem über einen als „wahr“ definierten Kundendatensatz Informationen aus unterschiedlichen Quellsystemen zusammengefasst, gesäubert und bei Bedarf mit Zusatzinformationen angereichert werden, lässt es sich erreichen. Der Vorteil: Alle Mitarbeiter sind immer auf dem gleichen Datenstand.

Doch bevor es soweit ist, muss die Grundlage dafür geschaffen werden. Denn die in vielen Firmen erfassten Stammdaten sind qualitativ meist so schlecht, dass sie für eine effiziente Nutzung nicht geeignet sind. Bei einer Studie

der Camelot Management Consultants gab mehr als die Hälfte der 56 befragten Unternehmen an, dass die unzureichende Stammdatenqualität sich nach wie vor negativ auf die Prozesse entlang ihrer gesamten Wertschöpfungskette auswirkt. Neben Mängeln im Rahmen der Lieferketten, sind die Bereiche Berichtswesen und Marketing/Vertrieb von schlechter Datenqualität gekennzeichnet – gefolgt von Einkauf und Logistik.

Eine der Ursachen für diesen Zustand, der die Firmen jedes Jahr eine Menge Geld kostet, ist die Existenz zahlreicher voneinander getrennter „Datensilos“. Seien es ERP-Lösungen, CRM-Anwendungen oder andere branchenspezifische Softwarelösungen. Kritisch wird es, wenn diese Anwendungen untereinander Informationen austauschen sollen. Denn die sind jeweils in eigenen „Datensilos“ vergraben.

Anzeige


„Golden Record“ oder „Single Point of Truth“ (Spot): Wie man den „wahren“ Adressdatensatz auch bezeichnet, Fakt ist: Er dient im Zusammenhang mit Vertrieb und Service als einzige verlässliche und aktuelle Informationsquelle und Fundament der Single Customer View. Dieser Spot kann an allen Stellen im Unternehmen genutzt werden. Um den „Golden Record“ zu erzeugen, wird das Master Data Management benötigt.

Die Einführung einer MDM-Lösung ist ein Programm, das nachhaltig die Art und Weise des Umgangs mit den Stammdaten verändert und den Aufbau einer entsprechenden Organisation erfordert. Unabhängig von der Zahl und Art der Quellsysteme, der vorhandenen Datenqualität oder den angestrebten Zielen, haben sich folgende acht Schritte in vielen Projekten als sinnvoll und notwendig erwiesen:

In acht Schritten zur Datenqualität

1. Data Governance - Sicherheit geht vor: Werden die gleichen Stammdaten von allen Mitarbeitern eines Unternehmens verwendet, sind verbindliche Standards und Regeln ein Muss. Dafür steht der Begriff Data Governance. Dabei geht es sowohl um die Entwicklung einer einheitlichen Strategie als auch die Definition von Datenpflegeprozessen und die Festlegung entsprechender Kennzahlen. Eine wesentliche Rolle spielt der Sicherheitsaspekt. In einem MDM-System lassen sich Zugangsrechte daten- und rollenabhängig so festlegen, dass es einerseits optimal genutzt werden kann, die Mitarbeiter andererseits nur die Informationen angezeigt bekommen, für die sie eine Berechtigung haben.

2. Der Data Steward - Einer hat den Hut auf: Als Verantwortlicher für die Verbesserung der Datenqualität setzt er die in der Data Governance festgelegten Prinzipien im gesamten Unternehmen durch, entwickelt Metriken und sorgt für Konsistenz und Genauigkeit der Daten. Im zweiten Schritt eines MDM-Projekts sollte deshalb die Person festgelegt werden, die diese wichtige strategische Rolle einnimmt. Und sie braucht dafür die richtige Benutzer

oberfläche, die speziell die Anforderungen des Data Stewards erfüllt.

3. Datenmodellierung - Flexibilität ist Trumpf: Das Datenmodell steuert sämtliche Prozesse und Ereignisse im MDM-System. Fusionen, Übernahmen und neue Anforderungen erfordern oft Anpassungen des Datenmodells und der benutzten Datenquellen. Ein Modell, das auf Erfahrungen mit sehr vielen Implementierungen beruht, zugleich erweiterungsfähig und ausgesprochen flexibel ist, passt sich der Organisationsstruktur des jeweiligen Unternehmens an und ermöglicht zahlreiche Anwendungsszenarien. Die erste Zuordnung geschieht auf der Basis von Metadaten, die in der Folge auch für die Benutzeroberfläche genutzt werden. Das gibt die größtmögliche Freiheit, während ein großer Teil der Arbeit automatisch abläuft.

4. Datenqualität - Alles rein macht die Software: Kundendaten falsch einzugeben, ist ganz einfach. Äußerst kompliziert dagegen ist es festzustellen, ob Informationen korrekt, eindeutig und vollständig sind. Der Weg dorthin erfordert in der Regel drei Schritte: Säubern des gesamten Bestandes mit Hilfe von Datenqualitätssoftware; automatische Dublettenerkennung und Zusammenführen der entsprechenden Daten – auch nach unterschiedlichen Kriterien – zu einem zentralen Kundendatensatz („Golden Record“) und das automatische Anreichern aus externen Quellen – sofern für den angestrebten Zweck erforderlich.


5. First Time Right - Gleich richtig erfassen: Nach der Säuberung der vorhandenen Masterdaten, sollte dieser Zustand möglichst erhalten bleiben. Mit dem „First Time Right“-Prinzip werden die Kontaktdaten zwar ganz normal in das Quellsystem eingegeben, dabei jedoch automatisch und blitzschnell mit bereits vorhandenen Daten abgeglichen und auf Fehler überprüft. Handelt es sich um eine Dublette oder inkorrekte Adresse, erfolgt sofort eine Warnung. Falsche Schreibweisen lassen sich so weitgehend ausschließen, und man kann sicher sein, dass nur saubere Daten in das System gelangen.

6. Hierarchiemanagement - Die Beziehungen erkennen: Eine Gesellschaft besteht nicht nur aus Individuen. Die Definition, was ein Kunde sei, kann je nach Unternehmen unterschiedlich ausfallen. Einmal ist es ein einzelner Verbraucher, dann wieder eine ganze Firma. Einmal will man die Vermögensverhältnisse kennen, ein anderes Mal, wer der „wirtschaftlich Berechtigte“ ist. Ein MDM-System, das sowohl natürliche als auch juristische Personen enthalten kann und in der Lage ist, Beziehungen zwischen Entitäten zu speichern, bietet einen vollständigen Überblick über die Kunden.

7. Data Matching - Wichtige Unterschiede: Für ein Unternehmen ist die eindeutige Unterscheidung zwischen natürlichen und juristischen Personen, beispielsweise im Hinblick auf Fragen der Haftung, in seinen Adressdatenbanken sehr wichtig. Zum Teil gibt es auch für Geschäftskontakte zu Firmen und zu natürlichen Personen getrennte Datenbanken, die bei einer Zusammenfassung in der MDM-Lösung differenziert behandelt werden müssen. Data Matching stellt dabei den Grad der Übereinstimmung zwischen verschiedenen Datensätzen fest, verhindert die Datenverunreinigung und sorgt für das perfekte „Golden Record“.


8. Laden von Daten - Quellen verbinden leicht gemacht: Für eine einheitliche Kundensicht muss das MDM-System mit allen erforderlichen Quellen verbunden werden und die dort gespeicherten Daten sind ohne Kompromittierung hochzuladen. Denn ein einheitliches Kundenbild speist sich ja nicht nur aus den internen Datenbanken, sondern unter anderem auch aus Excel-Dateien im Marketing oder aus Social Media-Anwendungen.

Ineffiziente Abläufe im täglichen Betrieb, die durch eine mangelnde Masterdaten-Qualität verursacht werden, sind ein nicht zu unterschätzender Faktor. Mit einem funktionierendem Master Data Management – von der strategischen Entscheidung über die Regelung der personellen Verantwortung und die Implementierung einer geeigneten Software bis hin zur konsequenten Umsetzung im Alltag – lassen sich erhebliche Kosten sparen. -sg-

Dr. Holger Wandt, Düsseldorf

Human Inference GmbH, Düsseldorf, Tel. 0211/522815-0, http://www.humaninference.de

Anzeige

Das könnte Sie auch interessieren

Anzeige

Datenanalyse

Stammdaten: Basis für Business

Stammdaten-ManagementWie wichtig das Thema Datenqualität ist, erschließt sich am besten beim Thema Stammdaten. Für viele Unternehmen ist es ein ständiger Kampf gegen Zeit und Ressourcen. Insbesondere das Management von Produktstammdaten stellt eine...

mehr...

Deep Learning

MVTec-Seminarreihe für Machine Vision

MVTec Software startet ab Oktober 2018 eine neue Seminarreihe: Beim „MVTec Technology Day – Deep Learning” erhalten die Teilnehmer praxisrelevantes Wissen zur Nutzung von modernen Deep-Learning-Technologien in Machine-Vision-Anwendungen.

mehr...
Anzeige

Market

Mit KI zur Smart Factory

IT Unternehmen Resolto Informatik GmbH wird Teil der Festo Gruppe. Festo geht einen weiteren wichtigen Schritt Richtung Smart Factory.  Damit geht Festo einen weiteren Schritt in Richtung Smart Factory.

mehr...

KI

Mythen über Künstliche Intelligenz

Die einen glauben, Künstliche Intelligenz werde in wenigen Jahren die Welt beherrschen; die anderen zweifeln daran, dass sie überhaupt existiert. IFS erläutert, warum die Wahrheit wie immer in der Mitte liegt.

mehr...

Newsletter bestellen

Immer auf dem Laufenden mit dem SCOPE Newsletter

Aktuelle Unternehmensnachrichten, Produktnews und Innovationen kostenfrei in Ihrer Mailbox.

AGB und Datenschutz gelesen und bestätigt.
Zur Startseite