Schritt für Schritt zu sauberen Daten

Waschen, schneiden, föhnen: (Kunden-)Daten zu bereinigen, sollte so regelmäßig passieren, wie zum Friseur zu gehen. Denn nur korrekte, vollständige und aussagekräftige Daten ermöglichen eine gezielte Kundenansprache über Kampagnen und personalisierte Angebote oder auch einen erstklassigen Kundenservice. Spätestens wenn Daten aus diversen Quellen in einem System, etwa einem CRM-System, zusammengeführt werden sollen, ist es an der Zeit, über eine Datenbereinigung nachzudenken. Wie diese aussehen kann, zeigt die Schritt-für-Schritt-Anleitung von Sue Chucholowski und Markus Thun von Factory42.

Notwendigkeit und Business-Value qualitativ hochwertiger Daten sind unstrittig. Saubere Kundendaten ermöglichen effektive Geschäftsprozesse. Beim Einführen einer Customer-Relationship-Management-Plattform kann die Qualität der Kundendaten und der Umgang mit diesen Daten über den langfristigen Erfolg oder Misserfolg des Projekts entscheiden. Auslöser für ein Datenbereinigungsprojekt ist daher oft der Wechsel auf eine neue CRM-Plattform oder das Zusammenführen von Kundendaten aus unterschiedlichen Datenquellen in einem CRM-System. Datenbereinigung sollte zu einem in festen Abständen durchgeführten Vorgang werden. 40 Prozent aller Geschäftsinitiativen bringen nicht die erwarteten Vorteile - wegen schlechter Datenqualität, wie Gartner ermittelt hat.

Ziel der Datenbereinigung ist es, fehlerhafte, doppelte, falsch formatierte, unvollständige oder irrelevante Kundendaten zu identifizieren und zu korrigieren. Bei der Datenbereinigung sollten Sie Aufwand und Nutzen stets im Blick behalten.

Eine „As is“-Datenmigration, also eine Übernahme der bestehenden Daten ohne Bereinigung, kann bei der Einführung eines neuen CRM-Systems durchaus sinnvoll sein, um ein Go-live nicht unnötig hinauszuzögern. Dann sollte es aber einen detaillierten Plan zur zeit­nahen Bereinigung der Kundendaten im neuen System geben.

Es sollte unbedingt vermieden werden, dass Datenmüll („shit in“) am ­Anfang der operativen Prozesskette zu fehlerhaften Ergebnissen („shit out“) -­etwa bei Kundenbewertung und -ansprache - am Ende der Prozesskette führt.

Datenqualität ist Chefsache, denn Daten bilden eine wesentliche Grundlage für Unternehmensentscheidungen. Datenbereinigung beginnt bereits bei der manuellen Dateneingabe. Um den Aufwand für eine Datenbereinigung von Anfang an möglichst gering zu halten, sollten potenzielle Fehler schon bei der Datenerfassung vermieden werden. Überprüfen Sie daher Ihre Geschäftsprozesse, um wirksam zu verhindern, dass unzureichende Daten überhaupt ins System gelangen.

Es ist essenziell, dass die wichtigen Attribute eines Kundendatensatzes allen Anwendern des CRM-Systems bekannt sind. Schulen Sie Ihre Mitar­beiter, damit diese besser verstehen, wie sie Einfluss auf die Datenqualität nehmen können und welche Ziele dahinterstehen.

Nutzen Sie einen Datenqualitäts-Score zur regelmäßigen und transparenten Datenanalyse direkt im System. Steht die Mi­gration auf ein CRM-System an, sind diese Fragen inte­ressant: Können „Datenleichen“ vorab identifiziert werden? Bietet die neue Plattform Werkzeuge, die für eine anschließende Datenbereinigung, etwa eine Deduplizierung, genutzt werden können? Müssen Kundendaten aus verschiedenen Datenquellen zusammengeführt werden, ist zu definieren, über welchen Schlüssel die Daten gematcht werden können. Anschließend wird evaluiert, welcher Datenstand mit­genommen wird.

Datenbereinigung beginnt mit der Definition qualifizierter Kundendaten. Wichtige Aspekte sind Eindeutigkeit, Korrektheit, Vollständigkeit, Relevanz, Aktualität und Klarheit. Dabei sind nicht alle Attribute eines Datensatzes gleich relevant. Wichtiger ist es, bei allen Kunden die Schlüssel­attribute statt bei einem Teil der Kunden alles perfekt zu pflegen. Legen Sie die Reihenfolge der Datenpflege in Abhängigkeit von der ­Gewichtung einzelner Attribute fest. Diese Schlüssel­attribute könnten in einem Datenqualitäts-Score zusammengefasst werden. Sie können aber auch Kundendatensätze priorisieren: Definieren Sie daher eine Datenpflegepriorität. Kriterien dafür können der bisherige Umsatz der Kunden oder die Priorisierung nach Branchen oder Regionen sein.

Die so identifizierten Datensätze werden korrigiert, vervollständigt oder gelöscht. Ein Beispiel ist die automatische Bereinigung von Telefonnummern mit ­Ziffern und führendem „+“. Damit lassen sich auch einfache Dubletten­prüfungen durchführen. Eine Dublettenbereinigung kann mit den richtigen Werkzeugen im neuen System effektiver sein als im Vorfeld. Das Löschen von Daten stellt oft eine psychologische Hürde dar. Sie können solche Datensätze zunächst auf einen Inaktiv-Status setzen und später löschen. Der Aufwand für eine Datenbereinigung und den langfristigen Erhalt der Datenqualität kann je nach Organisation unterschiedlich hoch sein. Ein pragmatisches Vorgehen – orientiert an den Unternehmenszielen – ist empfehlenswert. Aktives Managen der Datenqualität kann die (oft verfluchten) Daten zu einem Segen für die gesamte Organisation werden lassen.