Datenqualität – logische Konsequenz für unternehmerisch Denkende.

Daten sind der Brennstoff des Unternehmens. Sind sie schlecht, verfeuern sie Geld. Ist ihre Qualität gut, treiben sie den Unternehmensmotor an. Das Erreichen und Halten einer hohen Datenqualität ist deshalb nicht „nice-to-have“ sondern logisches Muss. Wichtig dabei: Datenqualität umfasst weit mehr als nur fehlerfrei Daten.

Schlechte Daten wirken sich auf vielfältige Weise negativ aus. Eine der Folgen schmerzt die Wirtschaft besonders: Es geht Geld verloren. Viel Geld. Eine Studie des Data Warehousing Institute errechnet für die USA einen Wirtschaftsschaden von rund 600 Milliarden Dollar aufgrund von schlechten Daten. Das heisst für die Schweiz: Wenn der Schaden im Verhältnis zum Bruttoinlandsprodukt gleich gross ist wie in den USA, beträgt er hierzulande etwa 20 Milliarden Franken. Pro Jahr, wohlverstanden.

Ein beträchtlicher Teil des Schadens geht auf das Konto falscher Entscheidungen. Oder besser von Entscheidungen, die an und für sich richtig waren, aber auf der falschen Datenlage basierten. Im Grossen gehen so Millionen verloren. Im Kleinen verbrennen ungepflegte und falsche Daten täglich Ressourcen, Zeit, Geld und Nerven. Der Aufwand, seine Daten auf den aktuellsten Stand zu bringen und konsequent zu pflegen, zahlt sich also rasch aus.

Auch wenn der Fokus im vorliegenden Artikel auf den Daten liegt ist eines klar: Datenqualität umfasst viel mehr Aspekte. Ebenfalls zur Datenqualität gehören Themen, wie zum Beispiel über welche Software Daten gepflegt werden; wie Daten dargestellt werden; wie einfach Daten genutzt werden können, ob die Datenausgabe die Bedürfnisse des Anwenders deckt und anderes mehr. Die Deutsche Gesellschaft für Informations- und Datenqualität e.V. definiert vier Kategorien der Datenqualität mit insgesamt 15 Dimensionen – die folgende Grafik zeigt dieses Modell.

Laden dir jetzt das PDF mit der Grafik und einem kurzen Beschreib der 15 Dimensionen der Datenqualität herunter.

PDF Datenqualität

Datenqualität in Dialogmarketing und CRM

Wer den Dialog mit seinen (potenziellen) Kund:innen ernst nimmt, muss sich zwingend mit dem Thema Datenqualität auseinandersetzen. Um einen guten Dialog führen zu können, braucht es zunächst einmal Gesprächspartner:innen – beispielsweise potenzielle Kund:innen.

Aktuelle und richtige Daten stellen sicher, dass diese erreicht und richtig angesprochen werden. Was in der Theorie klar erscheint, ist in der Praxis nicht selbstverständlich. Studien – zum Beispiel von der der Züricher Hochschule für Angewandte Wissenschaften (ZHAW) oder der ec4u – haben ergeben, dass die meisten Unternehmen keine befriedigende Datenqualität erreichen.

Mögliche Konsequenzen: Die falsche Anrede rückt Absender:innen in ein schlechtes Licht und die Botschaft landet ungelesen im Papierkorb oder führt zum Opt-out. Solange die Kommunikation per Papier nicht gänzlich wegfällt (also vermutlich nie) sorgen alte Adressen für Altpapier in Form von Retouren und verursachen unnötige Produktions- und Portokosten.

Kennzahlen wie Cost per interest CPI und Cost per order CPO werden verfälscht. Gesetze und Richtlinien (Compliance) werden verletzt, ohne dass sich jemand dessen bewusst ist – zumindest bis die ersten Reaktionen darauf eintreffen.

Ein weiterer Aspekt der Datenqualität ist das Sammeln und sinnvolle Verknüpfen von Informationen über Dialogpartner:innen. Alle Empfänger:innen freuen sich darüber, wenn die Absenderin oder der Absender Interesse und Wertschätzung zeigt. Die Empfänger:innen fühlt sich dann ernst genommen, wenn sie Informationen erhalten, die für sie wichtig sind. So verstärkt sich nicht nur die Bindung an die Absender:innen, sondern auch die Wirkung von Cross- und Up-Selling Angeboten.

Zusätzliche Informationen lassen sich oft einkaufen. Wenn es um Personen geht, sind dies zum Beispiel demografische Angaben wie Alter, Wohnsituation oder Einkommensklassen. Um einzuschätzen, wie eine Zielgruppe denkt und handelt, gibt es psychografische Typologien wie die GfK Roper Consumer Styles.

Datenqualität und Mitarbeitende

Umfragen zeigen, dass sich die Datenqualität auf Mitarbeitende und deren Leistung auswirkt. Ungenügende Datenqualität frustriert und macht unzufrieden. Unternehmen umschiffen diese Klippen, wenn:

• die gewünschten Daten in sinnvollem Umfang schnell und einfach verfügbar sind
• die Daten sauber (ohne Eingabefehler) erfasst sind
• die Datenerfassung klar und einheitlich geregelt ist
• die Eingabelogik klar ist
• die Daten eindeutig sind, es also keine Dubletten und Redundanzen gibt
• usw.

Doch: Wie lässt sich eine hohe Datenqualität erreichen?

Eine hohe Datenqualität setzt klar definierte Abläufe voraus. Das Business Application Research Center (BARC) empfiehlt, bei Datenqualitätsprojekten folgende Punkte zu berücksichtigen:

1. Hole für das Planen und Einführen des Datenqualitätsprozesses alle Fachbereiche ins Boot, die vom Thema betroffen sind.
2. Datenqualität ist eine Führungsaufgabe und braucht Sponsor:innen. So steigt das Vertrauen in die Daten.
3. Stelle die Auswirkungen schlechter Daten dem Nutzen einer hohen Datenqualität gegenüber. So identifizierst du diejenigen Bereiche, die am stärksten profitieren.
4. Eine grundlegende Prüfung der Datenqualität zeigt den Ist-Zustand. Arbeite bei Bedarf mit externen Datenspezialist:innen und Berater:innen zusammen.
5. Informieren deine Mitarbeitenden, sobald die ersten Erfolge da sind. Nutze erfolgreiche Pilotprojekte als Best-Practice-Beispiele.
6. Ein Daten-Management- oder Business-Intelligence-Competence Center schafft klare Verantwortlichkeiten und erleichtert die Zusammenarbeit zwischen den Fachbereichen.
7. Fachbereiche und IT müssen darüber einig sein, welche Datenqualitäts-Werkzeuge sie einsetzen wollen. Dabei zählen fachliche Anforderungen und die Nutzbarkeit.
8. Spezialisierte, massgeschneiderte Datenqualitäts-Werkzeuge sind nicht in jedem Fall nötig und sinnvoll. Oft deckt eine Standardsoftware viele Bedürfnisse ab.
9. Die Prozesse müssen den gesamten Datenqualitätszyklus abdecken.
10. Ein nachhaltig wirksamer Datenqualitätsprozess umfasst Massnahmen zur Analyse, Bereinigung, Anreicherung und Überwachung der Datenqualität.

Fazit

Der Weg zu einer hohen Datenqualität beginnt meist steinig und steil, ist aber in jedem Fall lohnend.

Das Einführen von Datenqualitätsprozessen muss im Unternehmen breit angenommen gestützt werden - letzteres vor allem auch von "ganz oben", denn das Thema gehört zu den Führungsaufgaben. Damit die Mitarbeitenden ebenfalls voll hinter dem Projekt stehen, müssen sie rechtzeitig ins Boot geholt werden. Allen muss klar sein, dass Datenqualität für den Erfolg des Unternehmens wichtig ist.

Die Arbeit wird effizienter und effektiver, die Mitarbeitenden dadurch zufriedener. Brachliegende Potenziale können gezielt angegangen werden, Umsatz und Erfolg steigen.