Sie brauchen mehr Datenqualität im CRM!
Insights, Tipps und 11 Qualitäts-Kriterien
für die richtige Nutzung Ihrer Daten
Bei dem immer wichtigeren Schritt, Geschäftsprozesse zu digitalisieren, setzen mehr und mehr Unternehmen auf die Einführung eines CRM-Systems, das mit der IT-Landschaft vernetzt wird. Das führt zu schnelleren Prozessen, Kosteneinsparung und verbesserter Datenhaltung. Dieser Punkt ist sehr wichtig, denn jede Aktivität und Analyse im CRM ist nur so gut, wie ihre Datenqualität es erlaubt. Leider ist es mit dem Einsatz einer CRM-Software noch nicht getan: noch einige weitere Aspekte gilt es zu beachten. Lesen Sie hier, was eine gute Datenqualität eigentlich ausmacht und wie Sie diese erreichen.
Inhaltsverzeichnis
Was ist Datenqualität im CRM und warum ist sie wichtig?
Die Datenqualität (engl. Data Quality) gibt an, inwiefern Ihre Daten sich für ihre vorgesehene Nutzung eignen. Dabei spricht man auch von der „Fitness for Use“. Wie man an dieser Definition bemerkt, ist die Einschätzung der Datenqualität also durchaus kontextabhängig. Für den einen Zweck kann ein Datensatz sich wunderbar eignen, für einen anderen allerdings nicht.
Wichtig ist die Datenqualität vor allem da, wo Daten als Ressource genutzt werden. Unter anderem also in Ihrem CRM-System aber auch in vernetzten Systemen. In Ihrem Unternehmen können das folgende Bereiche sein:
- umfangreiche Analysen á la Business Analytics
- Business Intelligence
- Dashboards und Reports
- 360°-Sicht auf Ihre Kunden
- Newsletter-Versand
- Produktionsprozesse
- Rechnungserstellung
sind im Zeitalter der Digitalisierung auf zugrundliegende Datensammlungen angewiesen. Geringe Datenqualität kann hier zu kostspieligen Konsequenzen führen.
Für Datenqualität im CRM gilt die Rule of Ten:
- 1€ pro Datensatz kostet die Einführung einer IT-Lösung, die bei Eingabe für saubere Daten sorgt.
- 10€ pro Datensatz kostet die Durchführung von Datenbereinigungen in definierten Zeitabständen.
- 100€ pro Datensatz kostet Nichtstun: Rückläufer, verpasste Verkaufs-Chancen, geringe Produktivität.
Frei nach dem Sprichwort „Garbage in, garbage out“ können wir davon ausgehen, dass der beste Algorithmus Ihnen nicht viel bringt, wenn Sie ihn nicht mit den Daten füttern, die er braucht. Sollten Sie es dennoch tun, weil zu wenig auf Datenqualität geachtet wird, folgen daraus Analyse- und Prozessfehler. Je länger diese unbemerkt bleiben und vielleicht sogar weitergetragen werden, umso höher werden die negativen Folgen.
Diese können sich am Ende ganz unterschiedlich darstellen. Eventuell werden schlechte Entscheidungen auf Basis falscher Analyseergebnisse getroffen. Vielleicht laufen Prozesse fehlerhaft oder fälschlich kontaktierte Kunden verklagen Sie sogar, weil Sie gar nicht mehr im System sein dürften. Laut einer Studie der MIT Sloan Management Review verlieren Unternehmen um die 15-25% Ihrer Erträge aufgrund schlechter Datenqualität. Und ziemlich sicher benötigt Ihre IT einigen Mehraufwand, um entstandene Fehler auszubügeln.
11 Kriterien zur Messung Ihrer Datenqualität
1. Vollständigkeit
Sind Ihre Daten vollständig, oder gibt es Lücken? Fehlen beispielsweise in Ihrem Newsletter-Verteiler Angaben zur Geschlechtsidentifikation, die zu peinlichen Fehlern bei der Kundenansprache führen können?
2. Eindeutigkeit
Sind alle Datensätze eindeutig interpretierbar?
3. Korrektheit
Hier geht es zum Beispiel um Plausibilitätsprüfungen bei Altersangaben. Ist jemand laut Geburtsdatum 120 Jahre alt? Da ist mit hoher Wahrscheinlichkeit ein Fehler passiert.
4. Aktualität
Ob Sie Ihre Datenqualität pflegen oder nicht – mit der Zeit verlieren die Daten Ihre Aktualität. Denken Sie dabei zum Beispiel an Umzüge, Jobwechsel etc.
5. Konsistenz
Neben Kriterien wie Vollständigkeit und Eindeutigkeit ordnet sich auch die Konsistenz ein. Laut Geburtsdatum ist Ihre Kundin 120, beim Alter gibt sie aber 12 an? Hier liegt wohl ein Fehler vor.
6. Genauigkeit
Hier geht es dann schon eher um umfangreichere Analysen, als um Adressdatenbanken. Da kann es gelegentlich einen großen Unterschied machen, ob sie 2, 3 oder 4 Dezimalstellen mit einbeziehen. Dabei sollten Sie aber überlegen, wo Sie eine große Genauigkeit benötigen und wo nicht. Ansonsten können Sie nämlich auch Gefahr laufen, Ihre Datenmengen unnötig aufzublähen.
7. Redundanzfreiheit
Diese liegt wieder nah bei der Frage nach Eindeutigkeit. Datensätze sollten nicht zweimal ausgewertet werden, weil das Ihre Ergebnisse verfälscht. Noch schlimmer kann es zu widersprüchlichen Interpretationen führen. Dubletten müssen daher vermieden oder zumindest bei der Bereinigung entfernt werden.
8. Relevanz
Nutzen Sie nur die Daten, die für Ihren Anwendungsfall auch relevant sind. Zum Beispiel sollten Sie sichergehen, dass Sie für den aktuellen Quartalsbericht nicht auf Zahlen aus dem Vorjahr zurückgreifen o.ä.
9. Einheitlichkeit
Bei der Datenerfassung kann es schonmal vorkommen, dass Eingaben von der üblichen Rechtschreibung abweichen. Zum Beispiel finden Sie Köln, Koeln, KÖLN vor. Für eine sinnvolle Datenauswertung ist das hinderlich. Schreibweisen sollten einheitlich sein. Achtung: Klassiker sind hier auch Zeit- und Währungsangaben.
10. Zuverlässigkeit
Sie sollten nachvollziehen können, aus welchen Quellen Ihre Daten stammen und ob diese zuverlässig ist. Daten aus öffentlichen Quellen weisen zum Beispiel häufig eine geringere Datenqualität auf. Bei Daten aus internen Schnittstellen, sollten Sie regelmäßig deren volle Funktionsfähigkeit überprüfen.
11. Verständlichkeit
Sind Attributnamen oder Attribute codiert, sollten Sie für die Verarbeitung in verständliche Begriffe übertragen werden. Beispielweise codiert ein Programm Anreden als 1=Frau, 2= Herr usw. Um Verständnisfehler zu vermeiden sollten diese Codes wieder dekodiert werden.
Fehlerquellen, die Ihre Datenqualität reduzieren
Nach der Betrachtung der Kriterien für Datenqualität können Sie es sich sicher vorstellen: Die Fehlerquellen bei der Datenverwaltung sind vielfältig. Die häufigsten Fehler entstehen bei der Dateneingabe durch Mitarbeiter. Das insbesondere, wenn mehrere Abteilungen beteiligt sind, die verschiedene Vorgehensweisen oder Erwartungen an die Datenanalyse haben. Zudem kommt es oft zu Fehlern, bei Systemumstellungen oder der Zusammenführung von Daten aus unterschiedlichen Quellen.
Solche Fehler sind ärgerlich und sorgen für unzuverlässige Ergebnisse. Nicht zuletzt werden Sie sich über die entstehenden Kosten ärgern. Je länger Fehler unbemerkt weitergetragen werden, umso höher werden die Kosten für die nachträgliche Bereinigung, Neuauswertung usw.
Fehler vermeiden, bevor sie gemacht werden
Eine regelmäßige Datenbereinigung ist für gewöhnlich notwendig, allerdings sparen Sie mit jedem nicht aufkommenden Fehler Ressourcen. Insofern lohnt es sich, Maßnahmen zu ergreifen, die Fehler im Vorfeld bereits vermeiden.
Hier einige Beispiele:
- Systemintegration & -schnittstellen
Die umfassende Integration Ihrer IT-Landschaft ist ein wichtiger Faktor. Die Rede ist dabei von der Single Source of Truth (oder dem Single Point of Truth): Eine Quelle, aus der die richtigen Daten bezogen werden – ob es nun Ihr CRM-System oder das ERP ist. Heutzutage ist es gar nicht mal so aufwändig Systeme, die sich im regen Datenaustausch befinden, zu integrieren bzw. über Schnittstellen miteinander zu verknüpfen. So findet der Datenaustausch automatisiert statt und ist direkt um einiges weniger fehleranfällig. - Pflichtfelder
Legen Sie in Ihren Eingabemasken Pflichtfelder fest. So sichern Sie, dass Informationen, die Sie für Ihre Datenverarbeitung benötigen, auf jeden Fall vorhanden sind. Das Kriterium Vollständigkeit haben Sie somit schon abgehakt. - Automatische Prüfung/Befüllung
An vielen Stellen ist es möglich mittels automatischer Prüfungen oder Befüllungen bereits bei der Eingabe sicher zu stellen, dass das richtige Format bzw. die richtige Information im Feld eingetragen wird.
Tipp: Nicht zuletzt eignen sich Drop-down-Menüs in Eingabemasken gut, um eine Auswahl einzuschränken und Schreibfehler zu vermeiden.
Was ist Datenqualitätsmanagement?
Die oben genannten Maßnahmen gehören bereits in den Bereich des Datenqualitätsmanagements, das für die strategische Verwaltung der Daten und die nachhaltige Sicherung der Datenqualität im CRM verantwortlich ist. Für Datenfehler, die sich trotzdem dann und wann einschleichen oder zeitbedingt entstehen kommen noch einige Aufgaben dazu.
Mittlerweile sind Sie sich gewiss im Klaren darüber, wie bedeutsam eine gute Datenqualität im CRM für Ihr Unternehmen ist. Und vermutlich haben Sie auch feststellen können, dass es keine Kleinigkeit ist, eine hohe Datenqualität dauerhaft zu sichern. Das Datenqualitätsmanagement sollte deshalb einen festen Platz in Ihrer unternehmensinternen Datenkultur finden.
Wie hoch muss Ihre Datenqualität im CRM sein?
Trotz der hohen Bedeutung von Datenqualität lässt sich recht pauschal sagen, dass es nahezu unmöglich ist, eine 100%ige Datenqualität im CRM zu erreichen. Zudem ist die benötigte Datenqualität immer abhängig vom Anwendungskontext und den vorhandenen Fehlern. Wenn Sie sich das wirklich bewusst machen und die entsprechenden Maßnahmen beherzigen, können Sie aber darauf vertrauen, dass Ihre Datenqualität im CRM für Ihren Zweck ausreichen wird. Denn dann können Sie definieren, welche Daten Sie benötigen, welchem Zweck Sie dienen werden und damit auch, welche Fehler Sie dafür ausschließen müssen. Ist das erfolgt, sollte Ihre Datenqualität Ihnen die gewünschten verlässlichen und aussagekräftigen Ergebnisse aus der CRM-Software liefern.
Fazit
Sicherlich können Sie nun auch von sich aus bestätigen, dass Sie mehr Datenqualität in Ihrem CRM brauchen. Bedenken Sie immer, dass Sie sich die Ziele Ihrer Datenverarbeitung und die möglichen Fehler klar vor Augen führen müssen, um eine hohe Qualität Ihrer Daten zu ermöglichen. Vergessen Sie außerdem nie, dass es sich hierbei um eine kontinuierliche Aufgabe handelt und behalten Sie Ihre Datenqualität im CRM immer im Auge.
