Datenqualitätsmanagement für erfolgreiches Marketing

Data-Driven Marketing ist die Königsdisziplin des modernen Marketers. Die Datenanalyse: sein wichtigstes Werkzeug. Doch datengetriebene Marketingmaßnahmen können schnell ihr Ziel verfehlen, wenn die Daten nicht sorgsam gepflegt werden oder schlichtweg fehlerhaft sind. Marketingabteilungen stehen, gemeinsam mit allen Unternehmensabteilungen, die Daten gewinnen, vor einer großen Herausforderung: Es gilt Datensilos, die von unterschiedlichen Verantwortlichen verwaltet werden, zu konsolidieren, zu speichern, aufzubereiten und bedarfsgerecht weiterzuverteilen. Nur so gelingt die lückenlose Nachbildung der Customer Journey, die intelligentes Marketing ermöglicht.

Was heißt Datenqualität?

Korrekt, aktuell, valide, redundanzfrei (dublettenfrei), verständlich und verlässlich müssen Daten sein. Dabei hängt das Kriterium „Qualität“ auch immer mit dem jeweiligen Verwendungszweck zusammen, denn Daten müssen exakt die Informationen liefern, die im jeweiligen Kontext benötigt werden. Datenqualität, Verwendungszweck und Informationsqualität hängen also maßgeblich zusammen.

Nachteile eines schlechten Datenqualitätsmanagements

• Schlechte Prozesse im Datenmanagement führen zu fehlerhaften oder verfälschten Datenbeständen und damit zu fehlerhaften Informationen.
• Ein schlechtes Datenmanagement kostet Zeit, denn Entscheider können nicht sofort auf valide oder relevante Daten zugreifen. Sie müssen diese zunächst aus verschiedenen Datenquellen zusammenführen und aufbereiten.
• Interpretationen fehlerhafter Daten führen zu ebenso falschen Entscheidungen.
• Falsche Entscheidungen münden in nicht zielgerichteten Marketingmaßnahmen: Kunden werden nicht anhand ihres tatsächlichen Verhaltens und ihrer Wünsche sowie Bedürfnisse bedient.
• Das Budget im Marketing und Vertrieb wird falsch allokiert.
• Die Umsetzung rechtlicher Vorgaben (Stichwort DSGVO) kann zum Problem werden, wenn Daten, durch schlechtes Datenmanagement, nicht rechtzeitig gelöscht werden.

Aus dem Alltag: Ein kleiner Fehler in der Kundendatenbank mit großer Auswirkung.

„Ihre HU-Erinnerung: Bei Ihrem Fahrzeug steht im Oktober die Hauptuntersuchung an. Vereinbaren Sie am besten noch heute einen Termin. Online unter […] Ihr Autohaus Max Müller“

Der Fahrzeughalter freut sich über den Reminder seines Autohauses und nutzt die Möglichkeit, online einen Termin zu vereinbaren. Am vereinbarten Tag bringt er sein Kfz noch vor der Arbeit in die Werkstatt und lässt sich von einem guten Freund abholen und zu seiner Arbeitsstätte fahren. Dort angekommen klingelt sein Telefon. Der Werkstattleiter informiert ihn, dass die Hauptuntersuchung erst im Januar fällig sei. Am Abend lässt er sich von einem Arbeitskollegen zur Werkstatt bringen, um sein Auto wieder abzuholen.

Freut sich der Fahrzeughalter immer noch über die serviceorientierte Erinnerungsmail? Sicher fällt es ihm schwer… Und die Werkstatt? Sie hätte diesen Termin bestimmt an einen anderen, zahlenden Kunden vergeben können.

Das Ergebnis: Ein verärgerter Kunde und ein nicht-realisierter Umsatz in der Werkstatt.

Zwischenfazit: Datensilos, Redundanzen, Duplikate, Lücken, Eingabefehler & Leichtsinnsfehler: Ein schlechtes Datenmanagement wirkt sich negativ auf alle Folgehandlungen aus und verhindert eine gelungene User Experience. So schafft das Unternehmen irritierende und inkonsistente Markenerlebnisse, verärgert seine Kunden und sorgt im schlimmsten Fall dafür, dass Kunden abwandern.

Wie misst man Datenqualität?

Um die Qualität von Daten bestimmen zu können, müssen vorab Kriterien, die Auskunft über die Güte der Daten geben, definiert werden. Qualitätskriterien können – je nach Unternehmen oder Anforderungen – ganz unterschiedlich klassifiziert sein.

Exemplarisch haben wir vier Qualitätskriterien und jeweils ein entsprechendes „Negativ-Beispiel“ aufgeführt:

• Aktualität: Ihr Kunde ist umgezogen. Die Adressänderung hat er Ihnen mitgeteilt. Leider wurde die Information noch nicht in der Datenbank hinterlegt. Ihr postalisches Kundenmailing kommt mit dem Vermerk „Empfänger verzogen“ zurück. Das Porto wurde Ihnen in Rechnung gestellt und Ihre Marketingmaßnahme (ein 10%-Rabatt-Gutschein) hat Ihren Kunden nicht erreicht.
• Vollständigkeit: Kunden, bei denen Teile der Adresse fehlen, können nicht angeschrieben werden. Kunden, die keine Mailadresse hinterlegt haben, werden beim Mailing nicht erreicht. Fehlende Namensangaben verhindern eine personalisierte Ansprache.
• Eindeutigkeit: Zwei Datensätze unterscheiden sich lediglich in einem Attribut z.B. dem Geburtsdatum. In der Folge sind beide Datensätze nicht mehr eindeutig interpretierbar, da es für ein und dieselbe Person vermeintlich zwei Geburtstage gibt. Bei einem Geburtstagsmailing würde dieser Kunde also zweimal im Jahr angeschrieben werden.
• Korrektheit: In Ihrer Datenbank befinden sich Postleitzahlen mit lediglich 4 statt 5 Ziffern oder im Feld „Geburtstag“ befinden sich Daten älter als 1900. 

Was sind die relevantesten Datenquellen für Ihren Marketingerfolg?

Kunden und Interessenten hinterlassen bei nahezu jeder Interaktion Informationen – online und offline: personenbezogene Daten, Verhaltensdaten, Transaktionsdaten, Website-Trackingdaten und viele mehr. Eine Customer Data Platform bildet die „zentrale Sammelstelle“ aller Daten und ist die Basis für spätere Analysen und Auswertungen.

Lesetipp: Sie möchten mehr über die systemischen Möglichkeiten des Datenmanagements erfahren? Wir empfehlen unseren Blogbeitrag „CDP vs. DMP – Was ist der Unterschied?“.

Ob in der Cloud oder On-Premise: Der Schlüssel zum erfolgreichen Datenmanagement ist ein zentraler Ablageort, eine Datenbank, an dem Kunden- und Interessentendaten gespeichert und wieder abgerufen werden können – nur so sind holistische Kundenprofile und damit eine 360-Grad-Kunden- und Interessentensicht möglich.

8 Tipps: Datenqualität erfolgreich steuern und verbessern

1. Silos abbauen und Daten integrieren
2. Zuständigkeiten und Verantwortlichkeiten festlegen
3. Datenkatalog erarbeiten und Qualitätskriterien definieren
4. Kontrollmechanismen verankern (z.B. das klassische 4-Augen-Prinzip, um die Korrektheit der Daten bereits bei der Eingabe zu gewährleisten und die spätere Fehlersuche und den Korrekturaufwand einzudämmen)
5. Überprüfung der Daten durch Visualisierung
6. Stichproben: Betrachtung einzelner Teilmengen
7. Artificial Intelligence (AI bzw. KI) hinzuziehen z.B. für Datenbereinigung mittels Algorithmus (Dubletten löschen, Lücken schließen, Inkonsistenz vermeiden, fehlerhafte Datensätze löschen)
8. Unternehmensweites Bewusstsein für den wirtschaftlichen Wert von Daten schaffen.

Fazit: Datenqualitätsmanagement ist ein Erfolgsgarant!

Jedes Unternehmen generiert im Sekundentakt neue Daten. Datenqualitätsmanagement ist heute kein „Nice-to-have“, sondern eine absolute Notwendigkeit, um die schiere Flut der Informationen in den Griff zu bekommen, langfristig wettbewerbsfähig zu bleiben und Budget gewinnbringend einzusetzen. Datenqualitätsmanagement betrifft nahezu alle Unternehmensbereiche. Die Qualität einer Entscheidung hängt maßgeblich von der Qualität der zu Grunde liegenden Daten ab.

Datenmanagement und explizit das Datenqualitätsmanagement ist daher keine „Einmal-und-dann-nie-wieder-Disziplin“, sondern eine fortlaufende, dynamische Aufgabe. Eine feste Verankerung in der Unternehmenskultur, in den Prozessen und eine feste Zuordnung von Zuständigkeiten, helfen, die definierten Qualitätskriterien und rechtlichen Vorgaben zu erfüllen. Ist die Komplexität im eigenen Unternehmen zu hoch und die Informationen zu fragmentiert, lohnt es sich, Expertenrat einzuholen.

Sie haben Fragen zum Datenqualitätsmanagement, suchen Unterstützung oder interessieren sich generell für das Thema? Wir freuen uns über Ihre Kontaktaufnahme!