Kostenfalle Datenqualität White Paper (PDF, 151
Werbung
Studie Kostenfalle Datenqualität Unzureichende Datenqualität erhöht die Betriebsausgaben Einfluss der Datenqualität auf Geschäftsentscheidungen und den Unternehmensgewinn. Eine gemeinsame Forschungsarbeit von D&B Kanada und der Richard Ivey School of Business, University of Western Ontario. Bedeutung der Datenqualität Datenqualität hat direkten Einfluss auf die Wirtschaftlichkeit eines Unternehmens, da sie sich auf den Umsatz auswirkt. Zum Beispiel kostet schlechte Datenqualität die US-Wirtschaft jedes Jahr 600 Milliarden Dollar – das entspricht 5 % des amerikanischen BIPs1. Ein beachtlicher Kostenblock kann sich aus unnötigen Porto- und zusätzlichen Druck- und Personalkosten ergeben. Ist deren Summe von relevanter Höhe, so verdienen sie die Aufmerksamkeit von Führungskräften, zumal es sich hierbei um Kosten handelt, deren Optimierung direkte Auswirkungen auf den Reingewinn hat. Es wäre jedoch falsch, eine Verbesserung des Reingewinns nur unter dem Aspekt der Kosteneinsparungen zu betrachten. Mit einer guten Datenqualität lassen sich durch eine effektive Kundensegmentierung auch die Einnahmen steigern. Entscheidend hierbei ist, dass die Segmentierung auf Basis von bonitätsgeprüften Qualitätsdaten erfolgt. Umso erstaunlicher, dass über 25 % der entscheidungsrelevanten Daten der amerikanischen Fortune-1000-Unternehmen im Jahr 2007 weiterhin fehlerhaft waren2. McKinsey & Company, ein führendes Strategieberatungsunternehmen, bezeichnete im Jahr 2006 folgende Entwicklungen als kritische Entwicklungen für Führungskräfte: 1. Aufstieg Asiens 2. Offshoring/Verlagerung unternehmerischer Funktionen und Prozesse ins Ausland 3. Wachstum der weltweit grössten Unternehmen Die Qualität der Informationen, zu denen ein Unternehmen Zugang hat, ist ausschlaggebend dafür, ob es den heutigen geschäftlichen Herausforderungen gewachsen ist oder an ihnen scheitert. Die Praxis beweist, dass der Erfolg von Geschäftsführern häufig nicht nur von unternehmenseigenen Daten abhängig ist. Sie benötigen vielmehr qualitativ aufbereitete Daten, um relevante Informationen zuverlässig ableiten zu können. Ein 2006 in der Harvard Business Review veröffentlichter Artikel machte deutlich, dass Manager ihre Entscheidungen ausschliesslich auf der Grundlage von Fakten treffen müssen und dabei nicht nach ihrem Bauchgefühl handeln können3. Gute Datenqualität bildet dabei die Grundlage für eine objektive Sichtweise und ist notwendig für das Treffen richtiger Entscheidungen. Um richtige strategische Entscheidungen treffen zu können, brauchen Führungskräfte Informationen zu bestehenden und potenziellen Kunden sowie zu Lieferanten – ein Informationsbedarf, der in der Regel schnell wächst. Bei der gängigen Praxis in vielen Unternehmen führt dies oft zu einem der drei folgenden Ergebnisse: 1. Die Kosten für Problemlösungen nehmen exponentiell zu. 2. Die Datenqualität wird schlechter. 3. Die Datenqualität wird unter einem neuen Gesichtspunkt betrachtet. Die vorliegende Studie behandelt den dritten Punkt. Sie will Führungskräfte dazu auffordern, sich mit der Datenqualität in ihren Unternehmen zu befassen. Führungskräfte sollten sich mit folgenden Tatsachen auseinandersetzen … e Im Jahr 2007 sind mehr als 25 % der entscheidungsrelevanten Daten der amerikanischen Fortune-1000-Unternehmen weiterhin fehlerhaft. e Datenqualität ist keine reine IT-Angelegenheit. Die Lösung liegt in der Mobilisierung des gesamten Unternehmens. 1 Datenqualität ist keine reine IT-Angelegenheit. Die Lösung liegt in der Mobilisierung des gesamten Unternehmens. Um Herausforderungen direkt angehen und Probleme lösen zu können, ist die Aufmerksamkeit der Führungsebene erforderlich. Die Verbesserung der Datenqualität kann zu immensen Einsparungen und zur wesentlichen Verbesserung bestehender Geschäftsprozesse führen. Folgende Beispiele verdeutlichen die Vorteile guter Datenqualität: ■ Ein grösseres Kreditkartenunternehmen kann seinen Kunden genehmigte Kreditkarten schicken, die von ihnen nur noch telefonisch aktiviert werden müssen, anstatt ihnen erst Direktwerbung oder Anträge zu schicken. ■ Ein Auto-Leasing-Unternehmen schränkt seine Zielgruppe gemäss der Kaufwahrscheinlichkeit ein, um seine Anstrengungen zielgerichtet auf Bereiche mit hohem Verkaufspotenzial zu konzentrieren. Beide Beispiele veranschaulichen das Potenzial bonitätsgeprüfter Qualitätsdaten: Das Kreditkartenunternehmen geht ein Risiko ein, das andere Unternehmen scheuen würden, weil es die Auswahl der richtigen Kunden auf Basis bonitätsgeprüfter Daten vornehmen kann. Das Leasing-Unternehmen setzt auf die Akquise erstklassiger Neukunden und ignoriert weniger interessante Zielkunden. In beiden Fällen stützt sich die Entscheidung der Geschäftsführer auf bonitätsgeprüfte, mit Marktinformationen angereicherte Qualitätsdaten. Gute Datenqualität ermöglicht also genauere, konsistentere und zeitnahe Entscheidungen. Warum ist die Datenqualität so wichtig? Datenqualität ist wichtig, weil sie Auswirkungen auf den Gewinn hat und Geschäftsführern als Grundlage für strategische Geschäftsentscheidungen dient. In einer Studie von Bain & Company wurden das Kundenbeziehungsmanagement (Customer Relationship Management – CRM) und die Kundensegmentation als zwei der fünf wichtigsten Instrumente der Geschäftsführung zur Optimierung des Geschäftserfolgs eingestuft4. Beide Instrumente erweisen ihren Nutzen nur bei hoher Datenqualität 5. kungen bei ihren Marketing-Kampagnen verantwortlich machten6, da die richtige Planungsbasis nicht ersichtlich war. In einem Fall erinnert sich ein Bereichsleiter eines weltweiten Softwareunternehmens an die Verlegenheit seines Firmenchefs, als dieser die Frage eines Kunden nach dem gemeinsamen Geschäftsvolumen nicht beantworten konnte. Gut möglich, dass der Kunde das Meeting mit dem Eindruck verliess, dass dem Softwareunternehmen das Geschäft mit seiner Firma nicht allzu wichtig war. „In jedem Unternehmensbereich fallen Kosten an, die sich direkt auf schlechte Datenqualität zurückführen lassen. Investitionen in Unternehmenssysteme sind gefährdet, wenn die Datenqualität schlecht ist. Die Folgen sind mangelnde Akzeptanz und Vertrauen bei den Anwendern und die Investitionen sind schnell aufgebraucht.“ Ted Friedman Gartner, Inc. Die Nachteile schlechter Datenqualität im Vertrieb und Marketing sind offensichtlich. Doch sie bleiben nicht auf Vertrieb und Marketing beschränkt, sondern sind auch in anderen Unternehmensbereichen spürbar. In einem Podcast7 äusserte sich Ted Friedman, stellvertretender Vorstandsvorsitzender und DatenmanagementIntegrationsanalyst bei Gartner, folgendermassen: „In jedem Unternehmensbereich fallen Kosten an, die sich direkt auf schlechte Datenqualität zurückführen lassen.“ Dazu gehören Vertrieb, Marketing, Finanzberichterstattung, Beschaffungsmanagement und interne Abläufe. Unternehmen haben die Notwendigkeit erkannt, unternehmensweite Datenintegration durch die Implementierung von Softwarelösungen wie Enterprise Resource Planning (ERP), Business Intelligence (BI) und CRM-Systeme zu gewährleisten. Friedman weist jedoch darauf hin, dass Investitionen in Unternehmenssysteme „gefährdet sind, wenn die Datenqualität schlecht ist. Die Folgen sind mangelnde Akzeptanz und Vertrauen bei den Anwendern und die Investitionen sind schnell aufgebraucht.“ Bei schlechter Datenqualität führt die Implementierung eines Unternehmenssystems demnach zwangsläufig zu enttäuschenden Ergebnissen oder scheitert sogar ganz. Im Marketing sind die entsprechenden Zusammenhänge schon lange bekannt. CSO Insights führte eine Umfrage mit Marketingleitern aus 281 Unternehmen verschiedener Industrien durch. Es stellte sich heraus, dass 47 % der Befragten fehlende oder unvollständige Daten für beachtliche bis schwerwiegende Einschrän- 2 Wie sieht gute Datenqualität aus? Die Gründe, die für gute Datenqualität sprechen, sind nun klar. Aber was genau ist darunter zu verstehen? Früher bedeutete Datenqualität einfach, dass die Daten fehlerfrei waren. Neuere Definitionen setzen den Schwerpunkt jedoch nicht mehr nur auf die Dateneigenschaften, sondern mehr auf ihren konkreten Wert für den praktischen Einsatz. Finanzchefs beispielsweise lassen auf Anregung der eigenen Geschäftsführung interne Kunden die Datenqualität ihrer Finanzabteilung bewerten. In einigen Unternehmen wird dieses Vorgehen zur Leistungsbewertung von Finanzchefs immer wichtiger8. Die Daten werden danach beurteilt, wie einfach und effektiv sie von anderen Unternehmensabteilungen zur Geschäftsanalyse und bei Entscheidungsprozessen verwendet werden können. In einer Studie zur Auswertung der anwenderbezogenen Wahrnehmung der Datenqualität (im Gegensatz zu einer technischen Auswertung) wurden die folgenden vier Datenqualitätskategorien definiert9: Kategorie Eigenschaften Wesentlich Glaubwürdig Richtig Objektiv Der Prozess ist der Schlüssel Datenqualitätsprüfungen bleiben oft bei Symptomen stehen und dringen nicht bis zum Kern des Problems vor. In Industriebetrieben weiss man schon lange, dass zur Sicherung einer guten Datenqualität die Qualitätsverbesserung in den Prozess eingebunden werden muss. Die Betrachtung der Datenqualität als Geschäftsprozess und nicht als technische Angelegenheit macht deutlich, dass es sich um eine Aufgabe der Geschäftsführung handelt. Ziel sollte es sein, alle Mitarbeiter in die Lage zu versetzen, mit richtigen Daten bessere strategische und geschäftliche Entscheidungen zu treffen. Der Prozess qualitätsorientierter Datenbereitstellung lässt sich in drei Phasen unterteilen: Erfassung, Integration und Einsatz. Erfassung Die meisten Unternehmen verfügen über hunderte potenzielle Datenquellen. Dazu gehören unter anderem Nachrichten und Medien, Informationen über Zahlungen, archivierte Rechts- und Geschäftsdokumente oder Industrieverzeichnisse. Die Suche nach Unternehmensdaten, die aktuell (nicht mehrere Monate alt), vertraulich (nicht öffentlich), international (nicht lokal) und detailliert sind (z. B. Verkaufszahlen innerhalb einer bestimmten Branchenklassifikation im Gegensatz zu generellen Daten wie Gesamtumsatz), erschwert die Datenerfassung. Seriös Kontextuell Wertvoll Relevant Aktuell Neben Unternehmensdaten ist es oftmals wichtig, auch Industriedaten oder sogar grafisch aufbereitete historische Unternehmensdaten zu erfassen. Vollständig Ausreichend Begrifflich Interpretierbar Verständlich Konsistent Präzise Zugänglich Verfügbar Sicher Die Aufstellung zeigt, dass das Vertrauen in den jeweiligen Prozess zur Sammlung, Analyse und Verbreitung der Daten für das Vertrauen des Anwenders in die Datenqualität besonders wichtig ist. Die Einschätzung, ob Daten glaubwürdig oder seriös sind, hängt stark vom Prozess ab, der bei der Erfassung und Verwaltung der Daten verwendet wird. Genauso ist eher der Datenmanagementprozess wichtig als die Art der letztendlichen Verwendung, wenn gewährleistet werden soll, dass Daten in unterschiedlichem Kontext ihre Darstellungsform und Aussagekraft beibehalten. Die Vielfältigkeit benötigter Informationen verdeutlichen folgende Beispiele: ■ Veränderte Verkaufszahlen bei Kraftfahrzeugen stellen wichtige Daten für Geschäftsentscheidungen aller Unternehmen der Automobilbranche dar und betreffen nicht nur Originalhersteller. ■ Aus Wertänderungen ausländischer Währungen lassen sich wichtige Informationen zu bestimmten Kunden oder Lieferanten gewinnen. 3 Die Aufnahme neuer Informationen kann in Unternehmen zur Überforderung von Systemen, Prozessen und Personal führen. Integration Die Aufnahme neuer Informationen kann in Unternehmen zur Überforderung von Systemen, Prozessen und Personal führen. Einige Wege zur Aufbewahrung grosser Datenmengen – in einem grossen Stapel „Sonstiges“, auf unübersichtlichen Notizblättern, in ungeordneten Dateien oder einfach „im Kopf“ – können problematisch sein. Mit der Entwicklung eines guten Ablagesystems allein ist es jedoch nicht getan. Alle neuen Daten können unter den drei folgenden Aspekten untersucht werden. 1) Welche Daten müssen aktualisiert werden? Wenn ein Unternehmen Kreditinformationen gesammelt hat, sollte es möglich sein, diese dem richtigen Kunden oder Lieferanten in der Datenbank zuzuordnen. 2) Müssen wegen der neuen Daten andere bereinigt oder archiviert werden? Wenn bekannt ist, dass ein Kunde Insolvenz angemeldet hat, müssen zumindest seine Kreditbedingungen neu beurteilt werden. 3) Lassen sich die bestehenden Datensätze mit den neuen Daten anreichern? Es könnten Informationen zu potenziellen Neukunden auf neuen Märkten gesammelt werden. Bestehende Unternehmensdatenbanken können durch Integrationsprozesse mit neuen Daten aktualisiert, bereinigt oder angereichert werden. Einsatz Ein grosser Datenbestand allein macht abgespeicherte Daten noch nicht wertvoll. Um wertvolle und bessere Daten zu erhalten, ist es zunächst erforderlich, die Beziehungen zwischen den Daten zu erkennen und sie entsprechend zu verknüpfen. Zum Beispiel würde es die Sichtweise eines Geschäftsführers beeinflussen, wenn er wüsste, dass es sich bei drei scheinbar unterschiedlichen Kunden um Tochterunternehmen ein und desselben Konzerns handelt und es noch vier weitere Führungskräfte, die Prozesse zu Erfassung, Integration und Einsatz von Daten unterstützen, schaffen wertvolle Ressourcen für die Entscheidungsfindung auf Manager- und Führungsebene. Tochterunternehmen gibt, die noch keine Kunden sind. Die Finanzchefin eines anderen Unternehmens könnte sich dazu entschliessen, einem Kunden keinen weiteren Kredit zu gewähren, wenn sie feststellt, dass dessen Verbindlichkeiten im Vorjahr mit jedem Monat angewachsen sind. Führungskräfte, die Prozesse zu Erfassung, Integration und Einsatz von Daten unterstützen, schaffen wertvolle Ressourcen für die Entscheidungsfindung auf Manager- und Führungsebene. Es stellt sich jedoch die kritische Frage, ob diese Ressourcen intern oder mit der fachkompetenten Hilfe eines externen Partners aufgebaut werden sollen. Professionelle Unterstützung zur Steigerung der Datenqualität Die Gründe, die für einen externen Partner sprechen – Fachkompetenz, Erfahrung, Qualitätsbewusstsein, niedrigere Gesamtkosten – gelten ebenfalls für den Datenmanagementprozess. Ein auf Datenbeschaffung spezialisierter Partner setzt die richtigen Schwerpunkte. Während sich die meisten Unternehmen mit „guten“ Daten zufriedengeben, sehen auf Datenbeschaffung spezialisierte Unternehmen ihre Aufgabe in der Bereitstellung „bestmöglicher“ Daten. Aufgrund von Geschäftsbeziehungen und speziellen Investitionen können solche Unternehmen auf eine Datenmenge zugreifen, die andere Unternehmen weder erheben noch verwalten könnten. Viele Unternehmen bauen beispielsweise Geschäfte in China aus. Daten über chinesische Unternehmen zu sammeln ist schwer. Allein das Abspeichern chinesischer Firmennamen kann für viele Systeme ein Problem darstellen. Weiterhin beinhaltet die Eingabe neuer Informationen zu bestehenden Unternehmen in der Datenbank das Risiko von fehlerhaften Einträgen oder Dubletten. So wird es für Geschäftsführer schwierig, an verlässliche Informationen zu kommen und richtige Entscheidungen zu treffen. Die meisten Unternehmen können es sich nicht leisten, in einen ganzheitlichen Prozess zur Sicherung der Datenqualität zu investieren. Unternehmen, die auf Datenanreicherung und Datenbereinigung spezialisiert sind, investieren hingegen bereits in die Entwicklung von Methoden zur Erhebung und Sicherung der Datenqualität – beispielsweise auch für neue aufstrebende Märkte wie China. 4 Solche externen Partner können jedoch nicht den gesamten Datenmanagementprozess in Unternehmen übernehmen. Sie sind Partner bei der Verbesserung der Qualität und der Aussagekraft der unternehmensei- genen Daten. Ziel der Partnerschaft ist es, die interne Datensammlung und Speicherprozesse zu vervollständigen und bei der Entwicklung einer optimalen Datenumgebung zusammenzuarbeiten. Der D&B DUNSRight™-Prozess D&B ist ein weltweit führender Anbieter von Wirtschaftsinformationen. D&B wurde 1841 gegründet und verfügt heute über eine Datenbank mit Informationen zu über 160 Millionen Unternehmen auf der ganzen Welt. D&B hat den patentierten DUNSRight™-Datenqualitätsprozess beständig weiterentwickelt und verbessert, um seinen Kunden die Bereitstellung bonitätsgeprüfter Qualitätsdaten zu garantieren. Die Datenqualität definiert sich über die Merkmale Richtigkeit, Vollständigkeit, Aktualität und Konsistenz der Daten. Folgend ist der DUNSRight™-Datenqualitätsprozess nach dem zuvor besprochenen Ansatz zu Erfassung, Integration und Einsatz von Daten abgebildet. Erfassung Integration Einsatz Eintragungen bei Behörden Finanzauskünfte zu Unternehmen Gerichtliche und rechtliche Auskünfte Direkte Erhebungen VorhersageGlobale Datensammlung Matching D-U-N-S® Prozesse Nummer Nachrichten und Medien Internet Unterneh- kräftige Unterstützung mens- Indikatoren/ bei Entschei- verflechtung Frühwarn- dungen signale Daten über Zahlungen Etc. Die globale Datensammlung von D&B Kein anderes Unternehmen, das sich auf Unternehmensinformationen spezialisiert hat, verfügt über eine globale Datensammlung vergleichbarer Grösse. Die globale Wirtschaftsdatenbank von D&B umfasst Daten zu über 160 Millionen Unternehmen weltweit – davon 0,9 Millionen in der Schweiz. D&B führt weltweit täglich 1,8 Millionen Datenaktualisierungen durch. Zu den Datenquellen gehören Nachrichten und Medien, gerichtliche und rechtliche Auskünfte, Daten über Zahlungen, Finanzauskünfte, Verzeichnisse und direkte Erhebungen. Das mag eindrucksvoll klingen, aber was für einen Wert hat das Ganze? Letztendlich zeigt sich der Wert in den Geschäftsentscheidungen, die aufgrund der Tiefe und Breite von bonitätsgeprüften Qualitätsdaten möglich sind. Die Geschäftsleitung kann folgendermassen von der Informationstiefe profitieren: ■ Risikoeinschätzungen bei Unternehmen vornehmen, zu denen nur schwer Daten gesammelt werden können, wie bei internationalen oder privaten Unternehmen. ■ Potenzielle Kunden mithilfe mehrerer Datenquellen identifizieren und ein vollständiges Bild von einem Unternehmen erhalten. ■ Märkte durch Mehrwertinformationen zur Branchenklassifikation oder Zahlungshistorie gezielt erschliessen und so die potenziell besten Kunden erreichen. ■ Finanzielle und betriebliche Änderungen bei Kunden und Lieferanten überwachen. Die Informationsbasis vieler Geschäftsentscheidungen lässt sich mit finanzspezifischen Daten, wie dem Zahlungsverhalten von Debitoren, vervollständigen. D&B wertet hierzu jährlich 9 Millionen Rechnungen zu Schweizer Unternehmen aus. Die meisten Unterneh- 5 men sind auf diese Art von Informationen angewiesen. Dies ist nur ein Beispiel für die vielen Einsatzmöglichkeiten der D&B-Datensammlung. Hierbei muss hervorgehoben werden, dass D&B-Daten nicht einfach erfasst und zur Verfügung gestellt werden. Sie werden einem strengen Qualitätssicherungsprozess unterworfen, der über 2‘000 automatisierte Prüfungen und Bewertungen bei der Dateneingabe als auch manuelle Kontrollen und Plausibilitätsprüfungen umfasst. In den letzten Jahren hat D&B seine weltweite Datensammlung in aufstrebenden Märkten wie China, Indien, Brasilien und Russland weiter ausgebaut. Matching-Prozesse Bei den meisten Unternehmen würde der Eingang einer derartigen Datenmenge zu Tausenden, wenn nicht gar Millionen getrennt abgespeicherten Daten führen. D&B gleicht Datenelemente mittels komplexer und patentierter Analysemethoden ab, wodurch ein klares und richtiges Bild zum jeweiligen Unternehmen entsteht. Beim Dateneingang werden die Daten mit bestehenden Unternehmenseinträgen abgeglichen. Wenn sich kein übereinstimmendes Unternehmen findet, werden die Daten in einem „Datenbehälter für nicht übereinstimmende Daten“ abgespeichert, bis genügend Daten für den Abgleich mit einem bekannten Unternehmen (vielleicht ein bestehendes Unternehmen mit neuem Firmennamen) vorhanden sind oder ein neues Unternehmen angelegt wird. Zwischen den drei Unternehmen auf der linken Seite der unten stehenden Darstellung besteht auf den ersten Blick kein Zusammenhang. Bei einem richtigen Abgleich zeigt sich, dass es sich um dasselbe Unternehmen handelt. Eine bereinigte und präzise Datenbank ermöglicht demnach eine effektivere Nutzung und Verwaltung der Kunden- und Lieferantendaten. So kann sichergestellt werden, dass sich keine Dubletten oder Datenleichen in der Kunden- und/oder Lieferantendatenbank des Unternehmens befinden. Tippfehler oder unvollständige Daten, die bei Mitarbeitern im Servicebereich vorkommen können, werden bereinigt und schnelle Konsolidierung sowie Berichterstattung werden ermöglicht. Dadurch wird es zudem möglich, die genaue Anzahl der Lieferanten und Kunden zu bestimmen. ABC GmbH Hauptstraße 12 64295 Darmstadt (SIC) 7311, 7312 Peter Schmidt, Geschäftsführer Schmidt Außenwerbung Postfach 11 14 44 64295 Darmstadt (SIC) 7311, 7312 P. Schmidt, Geschäftsführer Tel. +49 6151 977211 Peter Schmidt Hauptstraße 12 64295 Darmstadt (SIC) 7311, 7336 D&B D-U-N-S® Nummer: 343751418 ABC GmbH (Firmenname) Schmidt Außenwerbung (Handelsname) Postfach 11 14 44 (Postanschrift) 64295 Darmstadt Hauptstraße 12 (Ort) 64295 Darmstadt (SIC) 7311, 7312, 7336 Peter Schmidt, Geschäftsführer Tel. +49 6151 977211 Tel. +49 6151 977211 6 D-U-N-S® Nummer Nach der Identifizierung eines Unternehmens und Klärung der Unternehmenstätigkeit wird dem Unternehmen eine D-U-N-S® Nummer zugeteilt. Die D-U-N-S® Nummer wurde 1963 eingeführt, um mit der schnellen Entwicklung der computergestützten Kommunikationstechnologie Schritt halten zu können. Die D-U-N-S® Nummer ermöglicht, Datenverknüpfungen und -analysen nach völlig neuen Methoden durchzuführen. Sie wird einem Unternehmen als weltweit eindeutiger Identifikationsschlüssel zugeteilt und kann an kein anderes Unternehmen ein zweites Mal vergeben werden. Die D-U-N-S® Nummer ist weltweit anerkannt und gehört auch zum Industriestandard der Europäischen Kommission, der Vereinten Nationen und der USRegierung. Sie wird von über 50 weltweiten Industrieund Handelsverbänden anerkannt, empfohlen und für wirtschaftliche Tätigkeiten vorausgesetzt. Alle CRM- oder ERP-Systeme bauen auf relationalen Datenbanken auf. Diese Datenbanken greifen zur Verknüpfung von Transaktionen und zur Ausgabe konsolidierter Ergebnisse auf einen einheitlichen Identifikationsschlüssel oder Primärschlüssel zurück. In vielen Unternehmen legen die verschiedenen Tochterunternehmen Lieferanten- und Kundennummern an. Diese sind zwischen den Tochterunternehmen jedoch häufig unterschiedlich, sodass diese Nummern beim Versuch, Geschäftsdaten unternehmensweit zusammenzuführen, ihre Bedeutung verlieren. Werden dafür Namen- und Adressdaten verwendet, wird es noch komplizierter. Die D-U-N-S® Nummer kann unternehmensweit als Primärschlüssel eingesetzt werden und ist besonders bei der Analyse von Kunden und Lieferanten sowie beim Erkennen von ungenutztem Marktpotenzial von unschätzbarem Wert. Die wenigsten Geschäftsführer erkennen auf Anhieb die Vorteile der D-U-N-S® Nummer. Sie sieht aus wie eine willkürlich zusammengesetzte Nummer, die einem beliebigen Unternehmen zugeteilt wird und für sich allein betrachtet keine Aussagekraft hat. Die D-U-N-S® Nummer ist jedoch der Schlüssel für die unternehmensweite Datenverknüpfung. Wenn sich beispielsweise zwei Marketing-Abteilungen über einen Kunden austauschen, können sie sichergehen, dass es sich tatsächlich um denselben Kunden handelt. Bei einer Unternehmensfusion können Systeme, die auf einer solchen Nummer aufbauen, einfacher konsolidiert werden, was Kosten reduziert und den Unternehmenswert erhöht. Letztendlich können auch Daten über potenzielle Neukunden oder Lieferanten von externen Datenquellen bezogen werden. Lassen sich diese Daten einem eindeutigen Identifikationsschlüssel zuordnen, können sie direkt in das Unternehmenssystem integriert und für strategische Geschäftsentscheidungen zur Verfügung gestellt werden. So unbedeutend die D-U-N-S® Nummer auf den ersten Blick erscheinen mag – sie ist der Schlüssel zu einer konsistenten Datendarstellung für das ganze Unternehmen. Die D-U-N-S® Nummer ist weltweit anerkannt und gehört zum Industriestandard der Europäischen Kommission, der Vereinten Nationen und der US-Regierung. Sie wird von über 50 weltweiten Industrieund Handelsverbänden anerkannt, empfohlen und für wirtschaftliche Tätigkeiten vorausgesetzt. 7 Unternehmensverflechtungen Jede D-U-N-S® Nummer ist an ein einzelnes, bestimmtes Unternehmen gebunden. Einem Unternehmen mit Hauptsitz, Vertriebszentrum, Herstellwerk und drei Einzelhandelsgeschäften würden also 6 verschiedene D-U-N-S® Nummern zugeteilt werden. Ohne zu verstehen, wie ein Unternehmen mit anderen verflochten ist, kann kein einheitliches Bild von ihm gewonnen werden. Die Unternehmensverflechtungen zwischen Mutter- und Tochtergesellschaften lassen sich über die D-U-N-S® Nummer nachverfolgen. Komplexe Unternehmensstrukturen erschweren die Sicht auf die Beziehungen zwischen verschiedenen Handelspartnern. Beispielsweise könnten drei scheinbar unterschiedliche Kunden … A. Schmidt AG Berger GmbH Invision GmbH Raffinerie Warenhäuser Warenlager …zu einem grösseren Unternehmen gehören, das wie folgt aufgebaut sein könnte: Muttergesellschaft A. Schmidt AG Berger GmbH Invision GmbH Tochtergesellschaft Tochtergesellschaft Tochtergesellschaft A. Schmidt AG A. Schmidt AG Warenlager Raffinerie Berger GmbH Warenhäuser Invision GmbH Invision GmbH Warenlager Raffinerie Gesellschaft Berger GmbH Berger GmbH Industrie Baumarkt Berger GmbH Berger GmbH Berger GmbH Berger GmbH Warenhaus 2 Warenhaus 3 Warenhaus 4 Warenhaus 5 Ohne genauere Informationen zu Unternehmensverflechtungen ist es für einen Geschäftsführer schwer, eine Strategie zur Lieferantenkonsolidierung, zur Risikoverteilung und zu Vertriebs- und Marketingmethoden zu entwickeln. Wenn ein Geschäftsführer die Unternehmensverflechtungen erkennt, kann er sich dieses Wissen auf viele Arten zu Nutze machen: ■ Das Gesamtexposure des Unternehmens bezüglich Lieferanten oder Kunden kann ermittelt werden. ■ Verkaufsgespräche können mit Hinblick auf Tochterunternehmen, die schon Kunden sind, gezielter eingesetzt werden. ■ Geschäftspartner, die sowohl Lieferanten als auch Kunden sind, können identifiziert werden. ■ Kosten bei Lieferanten können optimiert werden. Dadurch kann direkt Einfluss auf den Gewinn ausgeübt werden. ■ Geldwäsche und andere Arten von Finanzbetrug können aufdeckt werden. 8 Nur wenn die Unternehmensverflechtungen bekannt sind, können bei Geschäftsentscheidungen alle notwendigen Aspekte berücksichtigt werden. Der Informationsgewinn bei der Aufdeckung von Unternehmensverflechtungen verdeutlicht den Nutzen von integrierten Qualitätsdaten, die gleichzeitig die Voraussetzungen für eine strategische Planung darstellen. Vorhersagekräftige Indikatoren und Frühwarnsignale Ein weiterer bedeutsamer Schritt beim D&B-Datenqualitätsprozess ist die Entwicklung vorhersagekräftiger Indikatoren. D&B hat Modelle innerhalb der folgenden drei Kategorien entwickelt: ■ Deskriptive Bewertung – eine Gesamtbewertung der vergangenen Entwicklung zur Prognostizierung zukünftiger Ereignisse. ■ Frühwarnprognose – das prognostizierte Risiko, ob ein Unternehmen seine Geschäftstätigkeiten einstellen muss. ■ Einschätzung der Nachfrage – die Wahrscheinlichkeit, dass ein Kunde ein Produkt kauft. Fallbeispiel zur Frühwarnprognose Eine Bank entwickelte ein Modell zur Kundengewinnung und ermittelte Kunden mit geringem Akquisitionsaufwand, hoher Kaufbereitschaft, gutem Kreditrisiko und hoher Wahrscheinlichkeit der Kundenbindung. So war es der Bank möglich, ihre Anstrengungen nur auf die potenziell „besten“ Neukunden zu konzentrieren. Vorhersagekräftige Indikatoren erlauben einem Geschäftsführer die Gewinnung der für Führungskräfte seltensten Ressource: Zeit. Je nachdem, ob er mithilfe der Indikatoren bei einem Geschäft mehr Potenziale oder mehr Risiken entdeckt, kann er seine Zeit entsprechend einteilen. Mithilfe von vorhersagekräftigen Indikatoren lassen sich die Rohdaten eines Unternehmens zu bonitätsgeprüften Qualitätsdaten zur Unterstützung wichtiger strategischer Geschäftsentscheidungen aufbereiten. Die Vorteile von DUNSRight™ Qualitätsdimension Globale Datensammlung Wesentlich X Kontextuell Matching- Prozesse Unternehmensverflechtung X X Begrifflich Zugänglich D-U-N-S® Nummer X Vorhersagekräftige Indikatoren/Frühwarnsignale X X X X X D&B arbeitet mit seinen Kunden an der Entwicklung von Methoden zur Datenverteilung und -bereitstellung Bei der Gewährleistung der Datenqualität ist jede Phase des DUNSRight™ Qualitätssicherungsprozesses wichtig. Daten, die bei der globalen Datensammlung weltweit gesammelt und zur Prüfung auf Richtigkeit mit unterschiedlichen Quellen abgeglichen werden, sind noch keine bonitätsgeprüften Qualitätsdaten. Die Qualitätsdaten, die zur Unterstützung bei strategischen Geschäftsentscheidungen verwendet werden können, entstehen erst als Ergebnis des gesamten Prozesses. Wie Sie in der Abbildung oben sehen können, unterstützt DUNSRight™ die Entwicklung von Qualitätsdaten in drei Qualitätsdimensionen. Um die vierte Dimension, nämlich den einfachen und sicheren Zugriff auf Daten, zu erreichen, können Unternehmen ebenfalls auf die Erfahrung von D&B bauen. 9 Was Sie heute noch tun sollten Datenqualität ist ein Problem, das in Unternehmen oft versteckt wird. Ein Geschäftsführer braucht zum Beispiel einen bestimmten Bericht. Um den Bericht zu erstellen, muss der Abteilungsleiter zusätzliches Personal einstellen, da Daten neu eingegeben und Inkonsistenzen behoben werden müssen. Führungskräfte wollen über Schwierigkeiten bei der Erstellung des Berichts nichts wissen. Sie wollen ihn nur so schnell wie möglich vorliegen haben. Weiterhin nennen Manager, die anderen Führungskräften Bericht erstatten, schlechte Datenqualität nur selten als Grund für nicht erbrachte Leistungen. Denn das klingt zunächst wie eine schlechte Ausrede. Schlechte Datenqualität wird als Begleiterscheinung geschäftlicher Tätigkeit abgetan und keiner spricht darüber. Um festzustellen, ob Ihr Unternehmen Probleme mit schlechter Datenqualität hat, gehen Sie die folgende Liste durch: ■ Fragen Sie Ihre für SOX, Bill 198 und Basel II zuständigen Compliance-Teams, wie viel Arbeit und Ressourcen bei der Konsolidierung aufgrund falscher Daten verschwendet werden. ■ Erkundigen Sie sich in Ihrer Postabteilung nach nicht zustellbaren Postsendungen – ein Indiz für schlechte Adressqualität. ■ Fragen Sie Ihre Kreditmanager, ob sie Vertrauen in ihre Fähigkeiten zur Risikoeinschätzung haben oder ob sie sich dabei nur auf die jeweilige Kundenhistorie stützen. ■ Fragen Sie Ihre Einkaufsabteilung, auf welcher Grundlage sie das Ausfallrisiko potenzieller Zulieferer beurteilt. Stützt sie sich auf Einzelberichte oder auf tatsächliche Erfahrungen? ■ Schauen Sie sich ERP-, CRM- und BI-Initiativen an und beurteilen Sie, welche Systemleistungen mit der Datenqualität in Verbindung gebracht werden können. ■ Können Ihre Verkaufs- und Marketingabteilungen Listen mit aussichtsreichen Kontakten generieren, die auf Unternehmensverflechtungen innerhalb Ihrer Kundenstruktur beruhen? ■ Können Sie ermitteln, welche Ihrer Zulieferer auch wichtige Kunden von Ihnen sind und umgekehrt? ■ Lassen Sie sich Berichte erstellen, aus denen hervorgeht, wie viele Verkäufe Sie bei Kunden mit unvollständigen Adressen, fehlenden Telefonnummern oder Telefonnummern und Postleitzahlen mit Blindeinträgen verzeichnen. ■ Verfügt Ihr Beschaffungsmanagement über die erforderlichen Daten, Bereiche mit Potenzial zur Konsolidierung, Zusammenführung und für Verhandlungen zu erkennen? Zusammenfassung Unternehmen stehen Datenqualitätsproblemen oft machtlos gegenüber. Bei Fusionen und Übernahmen, Start-ups und Insolvenzen, Globalisierung und Wachstum ändert sich das Geschäftsumfeld so schnell, dass Daten ohne die Implementierung eines Managementprozesses nicht sauber integriert werden könnten. Dieser Prozess betrifft das gesamte Unternehmen und kann nur von der Führungsebene aus gesteuert werden. Der Prozess zur Gewährleistung der Datenqualität ist zu wichtig, um ihn zu übertragen, und zu kritisch, um ihn aufzuschieben. Die Durchführung eines solchen Prozesses ist sehr anspruchsvoll. Die Erfassung, Integration und der Einsatz von Daten erfordert Fachkompetenz. Zur besseren, schnelleren und günstigeren Umsetzung empfiehlt es sich für die meisten Unternehmen, mit einem externen Partner zusammenzuarbeiten. DUNSRight™ ist als eine Lösung vorgestellt worden, mit der höchste Datenqualität gewährleistet werden kann. Über D&B D&B ist der weltweit führende Wirtschaftsdatenlieferant und seit 165 Jahren auf „Business-to-Business“ spezialisiert. D&B verfügt über detaillierte Informationen zu ca. 160 Millionen Unternehmen weltweit, davon 0,9 Millionen in der Schweiz, und ermöglicht seinen Kunden, Geschäftsentscheidungen wissensbasiert zu treffen. D&B unterstützt Unternehmen dabei, Risiken bei ihrem Debitorenportfolio zu minimieren, Potenziale ihrer bestehenden Kundenstruktur zu optimieren, potenzielle Kunden mit hoher Kaufbereitschaft zu identifizieren, Unternehmen mit hoher finanzieller Stabilität zu ermitteln, Einsparpotenziale bei ihrer Zulieferkette aufzudecken und Gesetzesanforderungen im Unternehmen umzusetzen. Die D&B-Datenbank wird mithilfe des DUNSRight™ Prozesses, einem patentierten Prozess zur Sicherung der Datenqualität, betrieben. Dieser ermöglicht die Bereitstellung richtiger, aktueller und konsistenter Wirtschaftsdaten zu ca. 200 Ländern, in 95 Sprachen oder Dialekten und mit mehr als 180 Landeswährungen. D&B arbeitet täglich daran, Daten aus Tausenden Quellen zu sammeln, zusammenzuführen, zu bearbeiten 10 und zu prüfen, um seinen Kunden die für profitable Geschäftsentscheidungen erforderlichen Informationen zur Verfügung zu stellen. Was D&B massgeblich von seiner Konkurrenz unterscheidet, ist die Fähigkeit, quantitative Datenmengen in qualitative, bonitätsgeprüfte Wirtschaftsdaten umzuwandeln. Über den Autor Darren Meister ist Dozent für Informationssysteme und wissenschaftlicher Mitarbeiter von Robert V. Brouillard an der Richard Ivey School of Business. Seine Forschungsergebnisse wurden in Zeitschriften wie Management Science und MIS Quarterly veröffentlicht. Er unterrichtet seit zehn Jahren in Programmen für MBA-Studiengänge und Managementfortbildungen in Kanada, Hongkong, Mexiko und Europa. Er promovierte an der University of Waterloo und absolvierte ein Studium an der University of Cambridge. Sie erreichen ihn über [email protected]. Wenn Sie mehr über die Lösungen und Produkte von D&B erfahren möchten, rufen Sie an unter der Nummer +41 44 735 61 41 oder besuchen Sie D&B im Internet auf www.dnb.ch. Anmerkungen 1. The Data Warehousing Institute, Data Quality and the Bottom Line: Achieving Business Success Through a Commitment to High Quality Data, 1. Februar 2002. 2. Gartner Report, Predicts 2006: Emerging Data Management Drivers and Strategic Imperatives, Ted Friedman, Bill Gassman und David Newman, November 2005. 3. Jeffrey Pfeffer and Robert I. Sutton, Evidence-Based Management, Harvard Business Review, Januar 2006. 4. Bain und Company, Management Tools and Trends, Darrell Rigby und Barbara Bilodeau, 2005. 5. Forrester Research, The Forrester Wave™: Customer Data Integration, Q2 2005, 13. Juni 2005. 6. CSO Insights, 2005 Executive Report: Target Marketing Priorities Analysis, 2005. 7. Forrester Research, The Cost of Poor Data Quality, 1. März 2006, http://www.gartner.com/it/products/ podcasting/attributes/attr_145611_301.mp3. 8. Thomas Wunder und Jeff Thomson. „Want to Be a More Effective CFO? Ask the Audience!“ Strategic Finance, Januar 2006, Vol. 87, Nr. 7, S. 36–42. 9. Richard Y. Wang und Diane M. Strong, „Beyond Accuracy: What Data Quality Means to Data Consumers“, Journal of Management Information Systems, Frühling 1996, Vol. 12, Nr. 4, S. 5–33. © Copyright, Mai 2007, The D&B Companies of Canada Ltd. Vervielfältigung nur mit ausdrücklicher Genehmigung. 11 Dun & Bradstreet (Schweiz) AG D&B ist ein Unternehmen der Bisnode Gruppe und gehört zum weltweiten D&B Netzwerk, dem Weltmarktführer für Wirtschaftsinformationen und Firmenbewertungen. Unternehmen aus allen Branchen nutzen die Daten und Lösungen von D&B zur Bonitätsprüfung, bei der Kundengewinnung und im strategischen Einkauf. www.dnb.ch D&B – Dun & Bradstreet (Schweiz) AG Grossmattstrasse 9 \ 8902 Urdorf T +41 44 735 61 11 \ F +41 44 735 61 61 [email protected]
