Nutzen von Datenqualität
von Michael Steinfort
, am 12. Juli 2020

Die Menge der Daten in Unternehmen verdoppelt sich alle drei Jahre. Investitionen in Datenqualität erschließen den Nutzen dieser Daten für Unternehmen, steigern die Wettbewerbsfähigkeit und halten die Kosten im Rahmen.

Definition von Datenqualität

Das Data Management Body of Knowledge (DMBOK) definiert Datenqualität (DQ) als „die Planung, Durchführung und Kontrolle von Aktivitäten, die Qualitätsmanagement-Techniken auf Daten anwenden, um sicherzustellen, dass sie für den Verbrauch geeignet sind und den Bedürfnissen der Datenkonsumenten entsprechen“.

Gartner spricht bei Datenqualität von „Werkzeugen und Prozessen, die für Strukturanalyse und Standardisierung, allgemeine Bereinigung, Abgleich, Profilbildung, Überwachung und Anreicherung verwendet werden“.

Eine moderne Sicht auf Daten liefern Wang und Strong vom MIT. Sie unterteilen die Aspekte von Datenqualität (DQ) in 

  • intrinsische DQ:
    • akkurat
    • objektiv
    • glaubhaft
    • Reputation in sich tragend
  • kontextbezogene DQ:
    • wertschöpfend
    • relevant
    • vollständig
    • passende Menge von Daten
  • repräsentative DQ:
    • interpretierbar
    • verständlich
    • konsistent in der Darstellung
  • zugängliche DQ:
    • zugänglich / barrierearm
    • zugriffssicher

Einfach gesprochen: aus Marketingsicht wollen Unternehmen und deren Kunden aktuelle, konsistente, vollständige und attraktive Daten konsumieren.

Wie die Datenqualität messen und Nutzen generieren?

Die Qualität von Daten wird aus unserer Sicht durch folgende Kriterien definiert:

Kriterien für Datenqualität
Kriterien für Datenqualität

Vollständigkeit
Vollständige Datensätze sind solche, bei denen alle erwarteten Attribute bereitgestellt werden. Ein vollständiger Produkt-, Kunden- und Marketingdatensatz stellt sicher, dass alle Verhaltensweisen, Absichten, Berechtigungen und Stimmungen für eine robuste Nutzung erfasst werden, z. B. für das Verständnis und Effekte des Vertriebskanals oder die Wahrnehmung der Marke und Produkte durch die Kunden.

Konsistenz
Konsistente Daten nutzen über Plattformen, Kanäle und Kampagnen hinweg eine gemeinsame Taxonomie. Konsistente Daten für Produkte, Kampagnen und Kunden können Marketingexperten dabei helfen, den Datenerfassungsprozess zu beschleunigen und Trends im Laufe der Zeit korrekt auszuwerten.

Konformität
Im heutigen Omnichannel Commerce werden Daten in verschiedenen Formaten benötigt. Kanäle und Zielsysteme benötigen „technisch“ passende Daten. Diese Konvertierung ist eine technische und organisatorische Herausforderung für viele Unternehmen.

Korrektheit / Richtigkeit
Zeitnahe Daten stammen aus Quellen, die korrekt und auf dem neuesten Stand sind. Der Zugriff auf schnellere Daten ermöglicht relevante Einblicke und Handlungsmöglichkeiten, die den Geschäftszielen entsprechen. Für diesen Punkt ist der Nutzen von Datenqualität besonders einfach zu verstehen.

Eindeutigkeit
Großunternehmen haben IT-Systeme häufig mehrfach im Einsatz (mehrere ERP-, CRM-Systeme, ….). Kleinunternehmen nutzen Office und E-Mail. Den Unternehmen ist gemeinsam, dass Daten oft mehrfach und in unterschiedlichen Qualitäten vorliegen. Die Frage „Welche Daten haben den höchsten „Trust“ (das größte Vertrauen)?“ oder „Was ist das „führende“ System?“ kann eine Antwort auf die Frage nach Eindeutigkeit von Daten liefern.

Integrität
Daten sind häufig innerhalb von Systemen oder über Systemgrenzen hinweg miteinander verknüpft. Auch diese Verknüpfungen müssen passen, ansonsten kommt es zu Fehlinterpretationen oder die Daten sind nicht nutzbar.

Transparenz    
Transparente Daten sind Daten, deren Quellen leicht zu verfolgen und zu identifizieren sind. Verschiedene Datenquellen, wie z.B. GS1, Großhändler- oder Herstellerdaten liefern z.B. eine diversifizierte Sicht auf Produktdaten.

Datenqualität als Prozess und Strategie
Fachliche und technische Kriterien zur Bewertung von Daten sind oben erwähnt. Dieser Punkt adressiert den Reifegrad der Organisation im Umgang mit Daten. Werden Datenprozesse holistisch betrachtet, gibt es Reviews oder eine Governance oder gar eine Strategie mit einem Verantwortlichen?

Harter Job im Marketing

Die Aufgabe eines Marketingspezialisten war noch nie schwieriger – er muss informiertere Kunden im richtigen Moment effektiv verstehen und beeinflussen und gleichzeitig Rechenschaft über seine Ausgaben ablegen. Dieser Job wird deutlich datengetriebener und ein maximaler Nutzen wird nur durch gute Datenqualität sichergestellt.

Datenqualität im Marketing, Nutzen durch Umsatzsteigerung

Eine Vielzahl von Herausforderungen erschwert die Bemühungen um Datenqualität. Viele Quellen, unterschiedliche Datenformate, unterschiedliche Aktualisierungen, unterschiedliche Quellsysteme, verschiedene Auswertungssysteme.

Bei schlechter Datenqualität können eine Reihe negativer Folgen auftreten, von verschwendeten Medienausgaben, ungenauer Zielgruppenansprache bis hin zu verlorenen Kunden. Obwohl Unternehmen die Bedeutung qualitativ hochwertiger Daten zu schätzen wissen, bremsen verschiedene Hindernisse den Fortschritt der Unternehmen, das Thema Datenqualität ganzheitlicher zu adressieren.

Diese Hindernisse sind insbesondere:

  • die Notwendigkeit, eine Vielzahl von Datenquellen zu verwalten
  • die rasant ansteigenden Datenmengen
  • Integrationsprobleme
  • Bedenken hinsichtlich Vorschriften und Datenschutz

Da im Fokus der Dienstleistungen von piazza blu Daten für Marketing, Produktmarketing und für E-Commerce relevant sind, schauen wir auf diese Daten nun etwas genauer.

Forrester hat in 2019 untersucht, inwieweit der Erfolg im Marketing von der Qualität der Daten abhängt.

Nutzen Datenqualität
Bedeutung von Datenqualität im Marketing

Das oben genannte Bild zeigt die Bedeutung der Datenqualität für den Erfolg im Marketing. Oder in kurz: gute Datenqualität = mehr Umsatz.

Datenqualität im Marketing, Nutzen durch Kostenminimierung

Nicht nur, dass eine gute Datenqualität zu mehr Umsatz führt, schlechte Daten kosten darüber hinaus einfach viel Geld.

Wie teuer das sein kann, zeigt das nachfolgende allgemeingültige Bild zum Thema Fehlerbehebung bei Marketingdaten, Produktdaten oder E-Commerce-Daten.

Fehler früh erkennen und beheben
Fehler früh erkennen und beheben

Im Kontext von Produktmarketing betrachten wir folgenden Fall: Eine korrekte Datenpflege eines Produktes dauert angenommen 1h. Entstehen jedoch Retouren bei einigen Kunden durch falsche Produktdaten, entstehen massive Folgekosten. IT-Systeme, Governance und Ownership vermeiden Versäumniskosten.

Was heißt Datenqualität für Unternehmen?

Führende Unternehmen haben überdurchschnittlich viel Vertrauen in ihre Produktdaten, Marketingdaten und E-Commerce-Daten. Nachzügler haben ein unterdurchschnittliches Vertrauen in ihre Daten. Der Nutzen von Datenqualität ist vielen Unternehmen unbekannt.

Diejenigen, die aufgrund der oben ausgeführten Erwägungen ein überdurchschnittliches Vertrauen in ihre Daten haben („Datenqualitätsführer“), genießen im Vergleich zu ihren Mitbewerbern eine Reihe von Vorteilen: höhere Rendite bei den wichtigsten Leistungsindikatoren (KPIs), wie z.B. dem Customer Lifecycle Value, dem Markenwert und der betrieblichen Effizienz. Und geringe Kosten bei Erstellung, Verwaltung und Nutzung von Daten.

Wie komme ich als Unternehmen zu besserer Datenqualität für Produkte, Marketing und im E-Commerce?

Die Verantwortlichen für Datenqualität sollten durch qualitätsorientierte Prozesse und Technologien unterstützt werden. Unternehmen können ihre Qualitätsmanagement-Bemühungen erleichtern und beschleunigen, indem sie die Praktiken führender Unternehmen kopieren. Ein Projekt zum Thema Datenqualität wird sinnvollerweise wie folgt aufgesetzt:

  1. Begonnen wird mit einer Dateninventur welche Daten, welche Systeme, welche Qualität in den Daten, welche bekannten Probleme gibt es (strukturierte Interviews ausgewählter Mitarbeiter). Toolgestützt können moderne Technologien die Analyse beschleunigen und den Aufwand für die Analyse verringern.

  2. In einer Designphase wird dann der Zielzustand mittels KPIs und einem Architekturmodell beschrieben. In Anlehnung an aktuelle Softwareentwicklungskonzepte und aufgrund der raschen Änderungen der Daten kann dies auch nach agilen Methoden erfolgen. Parallel ist der Aufbau eines leichtgewichtigen Data Governance sinnvoll.

  3. Die Umsetzung erfolgt mit den Mitteln der Organisation und der beteiligten IT-Systeme. Häufig können bestehende Regelmechanismen, Workflows in IT-Systemen oder Transportmechanismen genutzt werden, um systemgestützt die Datenqualität zu optimieren. Organisatorische Änderungen können Teil der Umsetzung sein.

  4. Den Erfolg der Maßnahmen zeigen die KPIs im Wirkbetrieb. Schwachpunkte zeigen sich und iterativ wird nachgesteuert.

Praxisbeispiel: Nutzen von Datenqualität, Produktmarketing mit besseren Produktdaten

Produktmarketing mit schlechten Produktdaten ist langsam und teuer. Auch ohne ein PIM-System ist es einfach möglich, die bestehenden Produktdaten rasch zu analysieren. Im Screen ist für Schmuckartikel mittels eines Dataquality-Tools der Reifegrad der Produktdaten anhand von Kriterien ausgewertet worden.

Dashboard Datenqualität

Schnell können mittels Drilldown z.B. die Anzahl der SKUs, Attribute, Varianten, Sortimente, der Pflegegrad, Vollständigkeit, Konformität und weitere oben genannte KPIs ermittelt werden. So erhalten Produktmanager, Sortimentsverantwortliche oder das Produktmarketing belastbare Aussagen zur aktuellen Qualität der Produktdaten.

Diese Form der Analyse ist auch geeignet, um Lieferantendaten zu bewerten und in Einkaufsgesprächen valide Argumente anführen zu können.
Eine solche Analyse hilft ebenfalls, Argumente für den Einsatz eines PIM-Systems zu sammeln. Oder den Nutzungsgrad eines PIM-Systems zu evaluieren und die Akzeptanz eines PIM-Projektes zu steigern. Wir nutzen bei piazza blu diese Werkzeuge auch als Grundlage für eine Aufwandsschätzung in PIM-Projekten.

Fazit

Investition in Datenqualität liefert hohen Nutzen. Tools und Prozesse sind leichtgewichtig, gelernt und rasch implementiert. Unternehmen profitieren von gesteigerten Umsätzen und reduzieren Kosten im Umgang mit Daten.

Mehr zum Thema
Datenqualität bei PIM-Herstellern: novomindinriverakeneo
McKinsey: Getting your data house in orderHow to maximize the returns from your data

PIM-Systeme sichern Datenqualität für Produktdaten: Warum ein PIM-System nutzen?
Einstieg ins Thema Produktdaten: Was ist PIM?