Konsistent, vollständig, korrekt: So sollen die Unternehmensdaten aussehen, auf deren Basis du Entscheidungen triffst. Eine aktuelle Studie zeigt, dass eine hohe Datenqualität gerade in Marketing und Vertrieb für einen klaren Wettbewerbsvorteil sorgt.
Doch die Entwicklung und Umsetzung einer nachhaltigen Data Quality Governance birgt zahlreiche Fallstricke. Die Nutzung digitaler Tools kann zu einer Verbesserung des Datenbestandes führen. Was müssen Lösungen bieten, um dieser Aufgabe gerecht zu werden?
„Daten sind das Fundament der digitalisierten Wirtschaft“, heißt es im Buch Corporate data quality: Voraussetzung erfolgreicher Geschäftsmodelle der Wirtschaftsexperten Dr. Boris Otto und Dr. Hubert Österle. Genauer gesagt: Gute Daten sind das Fundament. Immer mehr Unternehmen erkennen dies. Das zeigt sich anhand einer IDC-Befragung aus diesem Jahr: 40 Prozent der deutschen Unternehmen beschreiben die Sicherstellung einer hohen Datenqualität als zentrale Herausforderung. Doch was macht gute Daten aus?
Zunächst ist es die Korrektheit. Dies betrifft zum einen Fehler, die bei der Eingabe der Daten in ERP oder CRM passieren können. Zum anderen können sich Fakten mit der Zeit verändern. So führt ein Umzug zu einer neuen Adresse oder ein M&A-Deal zu einem neuen Namen oder einer veränderten Geschäftsform. All diese Stammdaten sollten jedoch stets korrekt und aktuell sein.
Was ist Data Quality Governance?
Data Quality Governance ist der Prozess der Verwaltung und Überwachung der Datenqualität in einer Organisation. Es beinhaltet die Definition von Richtlinien, Verfahren und Standards, um die Genauigkeit, Aktualität und Integrität der Daten zu gewährleisten.
Um bei einer Datenanalyse aussagekräftige Ergebnisse zu erhalten, sind zudem die Vollständigkeit und Konsistenz der Daten wichtig. Gleichzeitig gilt es, Dubletten zu beseitigen, die zu verfälschten Analyseergebnisse und Ungenauigkeiten führen.
Data Quality für erfolgreiches Marketing
Doch weshalb ist eine gute Datenqualität so wichtig? Laut einer Studie von Gartner beträgt der durchschnittliche Verlust, den Unternehmen jährlich aufgrund falscher Daten verkraften müssen, 15 Millionen US-Dollar. Denn auf Grundlage fehlerhafter Daten kommt es zu falschen Entscheidungen. Laut Forrester Consulting wird jede vierte Marketingkampagne auf diese Weise negativ beeinflusst.
Mit fehlerhaften und unvollständigen Daten ist es nicht möglich, eine geeignete Strategie für die erfolgreiche Kundenansprache zu entwickeln. Marktpotenziale werden verschenkt, die Planung von Kampagnen gestaltet sich ineffizient. Zudem besteht eine große Unsicherheit über die Qualität der Daten, was zu einem geringen Vertrauen in durchgeführte Analysen führt.
Und auch im direkten Kundenkontakt entstehen Probleme. So fällt die Beratung schwer, wenn falsche Daten darüber existieren, welche Lösungen ein Kunde bereits nutzt. Hinzu kommen beispielsweise Briefe, die an falsche Adressen verschickt werden. Das führt zu Unzufriedenheit bei den Kunden und hat negative Auswirkungen auf deine Firmenreputation. Gleichzeitig sinkt die Mitarbeiterzufriedenheit, wenn Fehler passieren und wieder ausgebügelt werden müssen.
Datenqualität ist keine Eintagsfliege
Um dauerhaft gute Daten zur Verfügung zu haben, muss die Data Quality Governance fest in die Unternehmensprozesse integriert sein. Es reicht nicht aus, die Datenbanken einmalig durch eine großangelegte Säuberungs- und Korrekturaktion zu verbessern. Wer einen eigenen Garten hat, wird es kennen: Ganz gleich, wie sorgfältig du das Unkraut in deinen Beeten beseitigst – es kommt wieder. Wenn du nicht aktiv bleibst, wächst es dir buchstäblich über den Kopf.
Ganz ähnlich ist es mit der Datenqualität. Denn genau wie ein perfekt gepflegtes Beet kann auch die Datenqualität immer nur eine Momentaufnahme sein. Die Masse der täglich eingehenden Daten ist kaum zu kontrollieren, sodass sich schnell Fehler im Datenbestand ergeben können. Zum Beispiel dann, wenn sich eine Kundenadresse seit dem letzten Kontakt geändert hat und somit im System nun zwei Adressen eines Kunden existieren. Die Datenqualität manuell sicherzustellen, ist jedoch schlicht unmöglich. Digitale Unterstützung muss her.
Worauf du bei einer digitalen Lösung für Data Quality Governance achten solltest
Doch welche Eigenschaften sollte ein Tool besitzen, um eine hohe Data Quality herstellen und erhalten zu können? Die wichtigsten Anforderungen lassen sich in vier Aufgabengebiete unterteilen:
- Messung der Data Quality
- Bewertung nach verschiedenen Kriterien
- Priorisierung der zu optimierenden Datenbestände
- Monitoring
Hinzu kommt, dass eine Lösung intuitiv nutzbar sein muss und Analyseergebnisse transparent darstellt, sodass dafür nicht länger hochspezialisierte Data Scientists beschäftigt werden müssen.
Abfragen in Echtzeit, Mustererkennung und Machine Learning
Eine große Herausforderung bei der kontinuierlichen Messung der Datenqualität ist die schiere Masse der zu analysierenden Daten, die zahlreiche Tools entweder gar nicht oder nicht in akzeptabler Geschwindigkeit stemmen können. Führende Systeme lösen dieses Problem, indem sie auf spaltenorientierten In-Memory-Datenbanktechnologien basieren und so Abfragen in Echtzeit ermöglichen.
Durch den Einsatz von Mustererkennung und Machine Learning werden fehlerhafte Daten identifiziert. Weil die Messung der Data Quality keinen Zeitaufwand mehr bedeutet, kann sie nun turnusmäßig stattfinden. Gemäß dem Governance-Gedanken ist ein konstantes Monitoring möglich. Durch eine kontinuierliche Messung und Management Summary kann die Entwicklung überwacht und die Datenqualität auf hohem Niveau gehalten werden.
Konkrete Handlungsempfehlungen und Dubletten-Identifikation
Hilfreich für eine erfolgreiche Data Quality Governance sind konkrete Handlungsempfehlungen. Eine hochwertige Software identifiziert nicht nur Einträge geringer Qualität, sondern erfasst, wo die Probleme liegen und wie man dort mit kostengünstigen Ressourcen eingreifen kann. Das System analysiert, welche der angeschlossenen Datenquellen wie CRM oder ERP ein Verbesserungspotenzial besitzen und wo Data-Quality-Maßnahmen ergriffen werden müssen.
Ein weiterer Vorteil ist die Identifizierung von Dubletten. Hier ergibt eine Lösung Sinn, die dank künstlicher Intelligenz in der Lage ist, die angereicherten Informationen in den Dubletten zu prüfen und den relevanteren Eintrag auszuwählen.
Um die Konsistenz der Daten geht es bei semantischer Data Quality. Damit ist eine Lösung in der Lage, zu prüfen, ob die gemachten Angaben die bestmöglichen sind. Beispielsweise wird geprüft, ob der bestmögliche Ansprechpartner hinterlegt ist oder es einen anderen Mitarbeiter gibt, der mit dem Thema vertrauter ist, mehr Prokura besitzt oder für eine bestimmte Abteilung verantwortlich ist. Diese Betrachtung der Logik und Semantik hinter den Daten bietet einen echten Mehrwert und Wettbewerbsvorteil.
Fazit: Langfristiges Denken bei Data Quality Governance zahlt sich aus
Eine hohe Datenqualität ist die Voraussetzung für belastbare Datenanalysen und die datenbasierte Planung von Marketing- und Vertriebsaktivitäten. Um hochwertige Daten zu erhalten, ist eine langfristige und dauerhafte Data Quality Governance entscheidend. Diese ist jedoch manuell nicht zu realisieren, sodass eine digitale Lösung alternativlos ist.
Ein passendes System sollte nicht allein die Prüfung der Daten übernehmen. Vielmehr sind dank künstlicher Intelligenz heute Systeme verfügbar, die Verbesserungen sowie die Next Best Action vorschlagen und ein Monitoring ermöglichen, das Schieflagen auf den ersten Blick anzeigt. Damit kann die Datenqualität einen deutlichen Schub erfahren, der zu einer schnellen Verbesserung führt.
FAQ
An dieser Stelle möchten wir einige häufig gestellte Fragen zum Thema beantworten.
Warum ist Data Quality Governance wichtig?
Data Quality Governance stellt die Zuverlässigkeit der Daten in einer Organisation sicher. Richtlinien und Verfahren für die Qualitätskontrolle gewährleisten, dass Daten korrekt, vollständig und aktuell sind, was wiederum zu einer effizienteren Entscheidungsfindung und einem besseren Geschäftsergebnis führen kann.
Was sind die vier Säulen von Data Quality Governance?
Die vier Säulen der Data Quality Governance sind Data Quality Strategy, Data Quality Management, Data Stewardship und Data Culture.
Wie wird Data Quality Governance umgesetzt?
Data Quality Governance wird durch die Einrichtung eines Data Quality Management-Systems umgesetzt. Dieses System umfasst Richtlinien und Verfahren, die die Verwaltung, Überwachung und Kontrolle von Datenqualität in einer Organisation gewährleisten.
Was sind die Kosten von Data Quality Governance?
Die Kosten für Data Quality Governance hängen von der Größe und Komplexität einer Organisation ab. In der Regel erfordert es eine Investition in Software und Hardware, um ein Data Quality Management-System einzurichten und zu betreiben. Es können auch Kosten für Schulungen, Beratung und Unterstützung entstehen.
Was sind die Herausforderungen bei der Umsetzung von Data Quality Governance?
Die größte Herausforderung bei der Umsetzung von Data Quality Governance besteht darin, dass es viel Zeit, Aufwand und Kosten erfordert, um ein Data Quality Management-System einzurichten und zu betreiben. Es ist auch schwierig, ein solches System aufrechtzuerhalten und die Datenqualität konstant zu überwachen.
Nils Niehoerster
Nils Niehörster, Gründer und Geschäftsführer der Modelyzr GmbH, ist seit 20 Jahren in der datengestützten Analyse von Märkten im B2B-Umfeld tätig – als Marktanalyst, Data Scientist und Unternehmer. Er entwickelte die ResearchPanel©-Technologie, die eine marktübergreifende Predictive Intelligence für die IT-Industrie ermöglicht und Basis für das analytische Framework von Modelyzr ist.
