Ein effektives Datenmanagement im Vertrieb und in anderen Unternehmensbereichen wird für Firmen immer wichtiger.
Maksym Yemelyanov | Fotolia
Bei der Datenqualität haben Unternehmen großen Nachholbedarf. Der Studie "Datenqualität und -management Trends 2016" zufolge glauben 91 Prozent der Unternehmen, dass die Daten über ihre Kunden – zumindest teilweise – fehlerhaft sind. Insgesamt werden 23 Prozent aller Kundendaten als mangelhaft eingeschätzt.
Für die von Experian Marketing Services in Auftrag gegebene Studie wurden im November vergangenen Jahres mehr als 1.400 Personen verschiedener Unternehmen und Branchen aus acht Ländern befragt. Zu den häufigsten Datenfehlern in Deutschland zählen
- Veraltete Informationen (63 Prozent)
- Unvollständige oder fehlende Daten (62 Prozent)
- Doppelte Datensätze (53 Prozent)
- Tippfehler (32 Prozent)
- Inkonsitente Daten (28 Prozent)
- Daten in die falschen Felder eingegeben (28 Prozent)
- Fehlerhafte Schreibweise (19 Prozent)
Die Studie brachte außerdem ans Licht, dass 29 Prozent der Befragten glauben, sie könnten ihren Umsatz um 29 Prozent erhöhen, wenn ihre Daten völlig korrekt und von höchster Qualität wären (Deutschland: 13 Prozent).
Datenqualität ist eine Managementaufgabe
"Datenqualität sei für Unternehmen jedoch "kein Hygienefaktor mehr oder gar Selbstzweck von Stabsabteilungen, sondern ist kritisch für die Operational Excellence“, bestätigen auch die Springer-Autoren Boris Otto und Hubert Österle und fordern, "Datenqualität als eine Managementaufgabe“ zu betrachten.
Zu den wichtigsten Bereichen für das qualitätsorientiere Datenmanagement zählen der 360-Grad-Blick auf den Kunden, Unternehmenszukäufe und -zusammenschlüsse, Compliance, Berichtswesen, Operational Excellence. Die Anforderungen an das Datenqualitätsmanagement haben die Autoren in folgender Tabelle zusammengefasst (Seite 20 f.):
| Herausforderung | Anforderung |
| Datenqualität | Nur was gemessen wird, lässt sich managen. Die Datenqualität muss deshalb kontinuierlich gemessen werden und bei Abweichung vom Sollwert muss das Datenqualitätsmanagement Maßnahmen zur Erhöhung der Datenqualität einleiten. |
| Transparenz über Datennutzung | Unternehmen müssen die Definition von Daten sowie ihre Nutzung klar regeln. Dafür ist es notwendig, Verantwortlichkeiten im Unternehmen zu schaffen und zu zuordnen. |
| Redundante Datenpflege | Datenqualitätsmanagement darf nicht erst dann beginnen, wenn die Daten bereits defekt sind, sondern muss vorbeugend wirken – wie bei anderen "Assets" im Unternehmen auch. |
| Manuelle Datenpflege | Die Datenvolumina, ihre Vielfalt und ihre Änderungsrate steigen. Um der daraus resultierenden Komplexität Herr zu werden, müssen Unternehmen Datenverarbeitungsaufgaben so weit wie möglich automatisieren, zum Beispiel über Workflows oder Geschäftsregeln. |
| Limitationen zentraler Datenarchitekturen | Moderne Datenarchitekturen sollten hinreichend flexibel an neue Anforderungen angepasst werden können und sowohl klassische unternehmensinterne als auch externe Datenobjekte enthalten. Die Herausforderung besteht darin, diese Flexibilität zu ermöglichen, aber gleichzeitig für die Kerngeschäftsobjekte weiterhin unternehmensweit maßgebend zu sein. |
| Semantische Integration | Einheitlichkeit: Konzerndaten als unternehmensweite Stammdaten müssen eindeutig identifiziert und einheitlich verwendet werden. Das Datenqualitätsmanagement muss dafür die Konzerndaten integrieren. |
| Trennung strukturierte und unstrukturierte Daten | Heterogenität der Datentypen: Im Kontext von Big Data wird häufig von strukturierten und unstrukturierten Daten gesprochen, um die wachsende Heterogenität der vorkommenden Datenarten zu beschreiben. Damit ist gemeint, dass neben Daten, die in Enterprise-Resource-Planning-Systemen in relationalen Datenbanken abgelegt sind, zunehmend auch Daten wie Videos und Bilder sowie unkonventionelle externe Daten verwendet werden. Solche unstrukturierten Daten brauchen aber neue Werkzeuge zur Datenanalyse und werden üblicherweise nicht in relationalen Datenbanken gespeichert. |
| Datenschutz | Gerade multinationale Unternehmen sind mit unterschiedlichen Datenschutzvorgaben konfrontiert. Das Datenqualitätsmanagement muss sicherstellen, dass diese Regeln eingehalten werden. Problemquellen hierfür sind, dass Richtlinien oft nicht transparent sind, sie sich häufig ändern. |
Mehr Effizienz durch CRM-Optimierung
Im Vertrieb liegen die größten Effizienzgewinne in der Optimierung des Customer Relationship Managements (CRM). "In mehreren aktuellen Marktstudien wurde immer wieder festgestellt, dass das zentrale Ergebnis einer CRM-Einführung für viele Unternehmen die deutliche Verbesserung der Qualität der Kundendaten war“, sagt Wolfgang Schwetz, Inhaber des Beratungsunternehmens Schwetz Consulting, im Interview des CRM-Reports. Seiner Ansicht nach haben viele Firmen mit der Einführung der CRM-Software erfolgreich das in der Vergangenheit angewachsene Datenchaos in den Griff bekommen, historisch gewachsenen Insellösungen bereinigt und abgelöst zugunsten einer einheitlichen integrierten Kundendatenbank (Seite 5).
"Auch wenn auf der strategischen und operativen Ebene noch Nachholbedarf besteht, hat sich CRM als führende Technologie für die Kommunikation und die Informationsbereitstellung rund um das Kundenbeziehungsmanagement bewährt und wird die Bedeutung für den Unternehmenserfolg in Zukunft weiter verstärken“, so seine Einschätzung auf Seite 9.