Anti-Aging für Daten: Mit professionellem DQ

Anti-Aging für Daten: Mit professionellem DQ-Management die schleichende
Alterung von Kundendaten aufhalten
Autor: Holger Stelz, Director Marketing & Business Development, UNISERV GmbH
Altersforscher gehen davon aus, dass wir - wenn wir nicht so altern würden, wie wir es derzeit tun durchschnittlich zwischen 700 und 800 Jahre leben könnten. Das maximal erreichbare Alter scheint
dagegen – wohl genetisch bedingt – seit sehr langer Zeit bei etwa 120 Jahren zu liegen. Und deshalb
heißt die Devise für immer mehr Menschen: „Anti-Aging“, ein Sammelbegriff für Maßnahmen mit
dem Ziel, die biologische Alterung des Menschen hinauszuzögern, die Lebensqualität zu verbessern
und das Leben insgesamt zu verlängern. Und so boomt natürlich auch der Markt für die entsprechenden Anti-Aging-Produkte. Mit Premiumartikeln im Anti-Aging-Segment wurde beispielsweise laut
einer Erhebung des Marktforschungsinstituts Information Resources GmbH (Iri) in Deutschland 2015
ein Umsatz von mehr als 202 Millionen Euro erzielt.
Genauso wichtig, wie viele Menschen den „Kampf gegen das Altern“ nehmen, sollten Unternehmen
die Herausforderung annehmen, das Altern ihrer Kundendaten zu verhindern bzw. zumindest auf ein
Minimum zu verringern. Mit einem professionellen Data Quality Management ist dies heute möglich.
„Forever young“ – Weshalb ist dies bei Kundendaten so wichtig
„Daten sind der Rohstoff des 21. Jahrhunderts“ – dieses Zitat von Bundeskanzlerin Angela Merkel
gewinnt in der unternehmerischen Praxis vor dem Hintergrund einer schnell voranschreitenden Digitalisierung der Märkte immer mehr an Bedeutung. Ohne valide Datenbasis wird es für viele Unternehmen zunehmend schwieriger, ihre strategischen Geschäftsziele zu erreichen und ihre Vertriebsund Geschäftsmodelle auf die neuen Gegebenheiten eines digitalisierten Marktes – Stichwort digitale
Transformation – auszurichten. Dabei greifen Unternehmen immer häufiger auf so genannte „Predictive Analytics“-Prognosen zurück. Sie nutzen in der Vergangenheit erfasste Daten, um daraus
Prognosen für die zukünftige Geschäftsentwicklung abzuleiten.
Im Rahmen eines „Kredit Scoring“ versuchen Banken beispielsweise, bei der Kreditvergabe das Risiko
einzuschätzen, ob der Kreditnehmer – ob Privatperson oder Unternehmen – in der Lage ist, zukünftig
die vereinbarten Ratenzahlungen für den gewährten Kredit zu leisten. Versicherungen wiederum sind
Uniserv Fachbeitrag: Anti-Aging für Daten: Mit professionellem DQ-Management
die schleichende Alterung von Kundendaten aufhalten – November 2016
Seite 1
daran interessiert, mit Predictive Analytics-Methoden zukünftige Schäden und die daraus potentiell
entstehenden Kosten einzuschätzen.
In der Produktion gehört Predictive Analytics zu den wichtigen Komponenten innovativer „Smart
Factory“-Konzepte im Rahmen der Umsetzung von Industrie 4.0. Die Fabrik der Zukunft verwaltet
ihre Optimierungs-, Konfigurations- und Diagnoseprozesse autonom und wird dadurch flexibler. Bei
allen Herstellungsprozessen fallen dabei eine Fülle von Daten an, die mit Predictive Analytics-Methoden ausgewertet werden können. Ziel ist vor allem die Optimierung der Absatz- und Bedarfsplanung.
Die Hotel- und Reisebranche wiederum ist auf der Grundlage ihrer Gästedaten in der Lage, Prognosen über die zukünftigen Buchungs- und Belegungszahlen zu treffen. Dies hilft bei der Personaleinsatzplanung und der Konzeption zielgruppenspezifischer Marketing- und Vertriebskampagnen.
Letzteres gilt natürlich auch für Unternehmen aus dem (Online-) Handel, die aus dem bisherigen
Kaufverhalten ihrer Kunden Aussagen ableiten, wie sie ihr Produktangebot zukünftig gestalten und
sich selbst als attraktiver Begleiter auf der „Customer Journey“ ihrer Kunden positionieren.
Und wenn Predictive Analytics-Methoden in der Wartung zum Beispiel bei Industrieanlagen eingesetzt werden, wird daraus „Predictive Maintenance“ mit dem Ziel, präventiv Wartungs- oder
Reparaturmaßnahmen einzuleiten. So können drohende Stillstandzeiten erkannt und minimiert
werden, was die Gefahr von Produktionsausfällen minimiert.
Wenn man aber bedenkt, dass – unabhängig vom Einsatzszenario – Predictive Analytics-Analysen in
der Regel auf gerade einmal zehn Prozent der im Unternehmen verfügbaren, historischen Daten
aufsetzen, wird schnell klar, was dies für die Qualität dieser Daten bedeutet. Nur wenn die Daten
sorgfältig gepflegt und auf dem neuesten Stand, also „jung und frisch“ sind, stimmen auch die Prognosen. Und nur wenn die Prognosen stimmen, funktionieren auch die daraus abgeleiteten Prozessanpassungen bzw. die Planungen von Maßnahmen und Kampagnen. Im Umkehrschluss ergibt sich
daraus eine fatale und für das Unternehmen sogar gefährliche Kettenreaktion: Aus ungepflegten
Daten werden ungenaue Analysen. Diese führen wiederum zu verfehlten Aktivitäten und Maßnahmen und letztendlich zu falschen Geschäftsentscheidungen.
Mit ein paar Fältchen geht es los: Die schleichende Alterung von Daten
Sichtbares äußeres Zeichen des Alterns beim Menschen ist die Hautalterung, die etwa ab dem 25.
Lebensjahr einsetzt und irgendwann vor allem in Form von Falten sichtbar wird. Leider verhält es sich
mit den „Falten“ bei Kundendaten nicht ganz so offensichtlich. Die schleichende Alterung ihrer Daten
Uniserv Fachbeitrag: Anti-Aging für Daten: Mit professionellem DQ-Management
die schleichende Alterung von Kundendaten aufhalten – November 2016
Seite 2
ist für viele Unternehmen nur schwierig erkennbar, häufig werden die Defizite erst dann erkannt,
wenn es eigentlich für Gegenmaßnahmen schon zu spät ist.
Denn in der Regel gelingt es dem Unternehmen nicht, mit den jährlich mehr als acht Millionen
Adressänderungen durch Umzüge, den Sterbefällen, den mehr als 500.000 Namensänderungen
durch Hochzeiten bzw. Scheidungen und den unzähligen Veränderungen in Unternehmen durch
Mitarbeiter- oder Positionswechsel sowie Insolvenzen und Firmenübernahmen Schritt zu halten. Eine
Studie von beDirect zur Datenqualität in deutschen Unternehmen kam zu dem erschreckenden
Ergebnis, dass im Durchschnitt wohl jeder vierte Adressdatensatz falsch ist.
Berücksichtigt man dann noch Eingabefehler beim Erfassen von Adressen und das mehrfache
Erfassen derselben Daten an unterschiedlichen Stellen im Unternehmen, so wird schnell klar, dass
Kundendaten einem ständigen Wechsel unterliegen und sich die Qualität sukzessive verschlechtert,
wenn keine Kontroll- und Optimierungsmaßnahmen ergriffen werden.
Eine Botox-Kur allein hilft nicht: Nachhaltige Maßnahmen zur Datenqualität sind erforderlich
Um bei der Analogie zum Thema Anti-Aging zu bleiben, gibt es zwar sicher einige Möglichkeiten, adhoc und einmalig Initiativen zur Optimierung der Datenqualität im Unternehmen zu starten, z.B. das
Einführen einer Data Quality Firewall (First Time Right), die sicherstellt, dass nur qualitativ hochwertige, sprich richtige Datensätze erfasst werden. Weitaus wichtiger und nachhaltiger ist es allerdings,
die Prozesse zur Datenerfassung und Datenverwaltung und darauf aufbauend auch die Systemlandschaft entsprechend zu optimieren. Ein weiterer Erfolgsfaktor liegt in der Sensibilisierung und Schulung der Mitarbeiter für das Thema Datenqualität, um langfristig ein Bewusstsein und eine Kultur für
eine optimale Datenqualität zu schaffen.
Dabei muss allen Verantwortlichen klar sein, dass dies keine „Einbahnstraße“ ist, sondern alle Maßnahmen zur Optimierung der Datenqualität in einen „Closed Loop“ integriert werden müssen. Dieser
beginnt mit einer Ist-Analyse und leitet über zu Prozessen zur Optimierung der Datenqualität, deren
Ergebnisse erfasst und dokumentiert und daraus wieder die Grundlage für eine erneute Analyse der
Datenqualität geschaffen wird.
Uniserv Fachbeitrag: Anti-Aging für Daten: Mit professionellem DQ-Management
die schleichende Alterung von Kundendaten aufhalten – November 2016
Seite 3
Ground Truth: Das Grundvertrauen in ihre Daten
Ziel aller Anti-Aging Maßnahmen zur Datenqualität ist es also – wie der Name schon sagt, eine
schleichende Alterung zu verhindern und nachhaltig und kontinuierlich eine möglichst hohe Qualität
der im Unternehmen erfassten Kundendaten zu gewährleisten. Erst damit ist die Grundlage für eine
aktuelle, vollständige und präzise 360-Grad-Sicht auf den Kunden möglich. Diese 360-Grad-Sicht auf
den Kunden liefert letztendlich dann auch unter anderem eine wirklich zuverlässige Grundlage für
einen Predictive Analytics-Prozess. Die Prognose findet zukünftig dann nicht mehr im „luftleeren
Raum“ statt, sondern verfügt über die notwendige „Bodenhaftung“, um wirklich valide Daten für die
Konzeption und Durchführung erfolgreicher Maßnahmen und Prozesse zu liefern.
Mit Ground Truth hat die Firma Uniserv eine Lösungs- und Prozess-Methodik entwickelt, die Unternehmen entsprechend dabei unterstützt, in einem mehrstufigen Vorgehen letztendlich das Golden
Profile eines jeden Kunden zu erstellen, das dessen Adressdaten, sein Kaufverhalten, seine Interessen
und Vorlieben, aber auch seine Kommunikation und Interaktion mit dem Unternehmen zu einem
zentralen Datensatz aggregiert. Darüber hinaus werden in den Golden Profiles die „Spuren“ integriert, die der Kunde im Internet und den sozialen Netzwerken hinterlässt. Sprich, die Stammdaten
eines jeden Kunden (Golden Record) sowie die Bewegungsdaten (Transaktions- und Interaktionsdaten) werden zusammengeführt (Golden Profile). Ground Truth sorgt darüber hinaus für eine kontinuierliche Aktualisierung dieser Daten sowie eine Synchronisierung der Daten über die unterschiedlichen Datenquellen hinweg.
Uniserv Fachbeitrag: Anti-Aging für Daten: Mit professionellem DQ-Management
die schleichende Alterung von Kundendaten aufhalten – November 2016
Seite 4
Speziell für Predictive Analytics entwickelte Uniserv in diesem Zusammenhang in Kooperation mit der
Hochschule der Medien (HdM) Stuttgart einen Prototyp auf der Basis des Ground Truth. Anhand
dieses Prototypen sollte die Bedeutung der Datenqualität als kritischer Erfolgsfaktor für die Güte von
Prognosen veranschaulicht werden.
Im Rahmen einer Bachelor-Arbeit wurde dieser Zusammenhang nun auch erstmals empirisch untersucht. Der Autor der Arbeit, Paul Titze, Student am Fachbereich Information und Kommunikation des
Studiengangs Wirtschaftsinformatik und digitale Medien an der HdM, überprüfte mit Hilfe verschie-
dener Testszenarien, in denen Datenanalysen mit Hilfe von Stammdaten von verschiedener
Qualität durchgeführt wurden, den Zusammenhang zwischen qualitativ hochwertigen Stammdaten und den Ergebnissen der Analyse via Supervised Machine Learning. Ergebnis: Vor allem
beim Supervised Learning, bei dem die Stammdaten die Grundlage für das Lernen des Algorithmus bilden, konnten mit einer durch Stammdatenmanagement qualitativ hochwertig aufbereiteten Datengrundlage deutlich bessere Vorhersagen erzielt werden als beim Machine Learning mit
einem unbehandelten Datenset.
Ground Truth wird damit in der digitalen Welt endgültig zur zentralen Komponente für eine optimale
und nachhaltige Datenqualität im Unternehmen. Wie digital Unternehmen dabei heute wirklich
schon sind, können sie mittels einer kurzen Umfrage via http://www.digital-ready.net herausfinden.
Uniserv Fachbeitrag: Anti-Aging für Daten: Mit professionellem DQ-Management
die schleichende Alterung von Kundendaten aufhalten – November 2016
Seite 5
Fazit: Wie im „richtigen Leben“ besteht Anti-Aging bei der Datenqualität nicht aus einer kurzfristigen
Einmal-Aktion, sondern aus einem Bündel an Maßnahmen – Prozesse, Systeme, Mitarbeiter – die
dabei helfen, dass die Kundendaten im Unternehmen kontinuierlich auf einem hohen Qualitätsniveau – in erster Linie aktuell - gehalten werden können. Dafür braucht es allerdings insbesondere
das nötige Verständnis über die Ursachen der schleichenden Alterung sowie über die Methoden,
dieser Alterung entgegen zu wirken.
Über den Autor
Holger Stelz,
Director Marketing & Business Development
Holger Stelz ist Director Marketing & Business Development bei Uniserv. Seit 2010 leitet der Experte für Datenmanagement die Weiterentwicklung des Geschäftsfeldes
Kundendatenmanagement und verantwortet zudem seit
2011 das weltweite Marketing. Im Zuge der Digitalisierung und der damit verbundenen Neuausrichtung von Kunden und Konsumenten bei der Informationsbeschaffung und -verarbeitung (Customer Journey) hat sich der Verantwortungsbereich von
Herrn Stelz in den letzten zwei bis drei Jahren um das gesamte Kundenbeziehungs- und Leadmanagement erweitert.
Zuvor war Holger Stelz 14 Jahre lang bei SAP tätig, wo er als Berater SAP Logistik einstieg und später
als Accountmanager für SAP-Lösungen, Sales Executive und Fachabteilungsleiter SAP Business Intelligence beschäftigt war. Zuletzt verantwortete er als Sales Director SAP Business Intelligence, Master
Data Management und Enterprise Portale drei Jahre lang das Geschäft in der Region Central EMEA.
Holger Stelz hat über 20 Jahre Erfahrung in der IT-Branche. Bevor er bei SAP begann, arbeitete der
Diplom-Ingenieur (FH) drei Jahre lang als CIM-Projektingenieur bei Walter (ehemals Fa. Jung), einem
Fertigungsbetrieb für die Automobilbranche.
Herr Stelz ist verheiratet und Vater von zwei Töchtern.
Ein Foto von Herrn Stelz in druckfähiger Auflösung finden Sie unter: www.grohmann-businessconsulting.de/uniserv/holger-stelz-uniserv.jpg
Uniserv Fachbeitrag: Anti-Aging für Daten: Mit professionellem DQ-Management
die schleichende Alterung von Kundendaten aufhalten – November 2016
Seite 6
© 2016 Uniserv GmbH oder ein Uniserv-Tochterunternehmen. Alle Rechte vorbehalten.
Ground Truth von Uniserv sowie die dazugehörigen Logos sind Marken oder eingetragene Marken der Uniserv
GmbH in Deutschland und anderen Ländern. Alle anderen Namen von Produkten und Dienstleistungen sind
Marken der jeweiligen Firmen.
Ground Truth ist das Fundament für Umsatzwachstum und neue Geschäftsmodelle vor dem Hintergrund der
digitalen Transformation, beispielsweise für die Optimierung von Vertriebs- und Marketingaktivitäten,
Kampagnenmanagement, von Blacklist-Matching, Compliance oder auch Customer Relationship Management.
Im Mittelpunkt steht das Golden Profile eines jeden Kunden, sprich der Golden Record, angereichert mit
Interaktions- und Transformationsdaten (Bewegungsdaten). Mit dem Ground Truth bewegen sich Entscheider
nicht mehr im luftleeren Raum, sondern haben Bodenhaftung im Decision-Making.
Uniserv Fachbeitrag: Anti-Aging für Daten: Mit professionellem DQ-Management
die schleichende Alterung von Kundendaten aufhalten – November 2016
Seite 7