Datenqualitätsmanagement auch in Zeiten der Big-Data-Ansätze als CRM entscheidende Voraussetzung

Ausgangssituation

Um ein wirksames Customer Relationship Management einsetzen zu können, ist es, besonders im Bereich des Kampagnenmanagements, von großer Bedeutung,  aussagekräftiges Wissen über die eigenen Kunden und Kundenstrukturen zu haben. Persönliche Informationen über Kunden, Ereignisse und Veränderungen in Kundensituation und -verhalten in einem CRM-System können als Anlass für eine auftretende Kommunikation genutzt werden. Mit Hilfe dieser vorhandenen Daten wird eine personalisierte Interaktion mit dem Kunden, wie Angebote und Services, ermöglicht.

Viele Unternehmen beginnen derzeit, erste Erfahrungen mit dem Einsatz von Big-Data-Methoden zu machen. Diese Methoden versprechen, aus großen Mengen an meist unstrukturierten Daten in kürzester Zeit mittels statistischer Methoden zusätzliches Wissen über die Kunden zu generieren. Häufig werden dazu automatisch generierte Daten eingesetzt, wie zum Beispiel Logfiles oder auch Clickstreams, die aus der Nutzung der Webseite, eines Webshops oder den Daten aus sozialen Netzen erhoben werden. Dieses Wissen kann wertvoll für CRM-Aktivitäten eingesetzt werden. Dabei stellt sich die Frage der Bedeutung von Datenqualität bei Einsatz von Big-Data-Methoden. Denn: Die Analyse und damit das generierte Wissen kann nur so gut sein wie die Qualität der dazu verwendeten Daten.

Ansatz

Eine automatisierte Generierung von Daten und daraus Wissen, wie durch Big-Data-Methoden, kann dazu verleiten, davon auszugehen, dass Bemühungen zur Verbesserung der Datenqualität keine so große Bedeutung mehr haben. Dies ist ein Fehlschluss, denn das Gebot des Datenqualitätsmanagements bleibt bestehen, auch wenn sich die Schwerpunkte verlagern.

Zwei typische Probleme aus der Praxis: Unter anderem durch Systemausfälle kann es bei der automatisierten Datengenerierung zu sporadisch lückenhaften Daten kommen. Mit diesen Lücken ist umzugehen, um nicht systematische Verzerrungen zu erhalten. Auch kommt es oftmals zu einer fehlerhaften fachlichen Interpretation von Analyseergebnissen, wenn eine Analyse des Prozesses der Datengenerierung unterbleibt und auf Basis von Annahmen Schlüsse gezogen werden.

Um Datenqualitätsprobleme anzugehen, sollte eine systematische Herangehensweise verfolgt werden. Gerade die Analyse und Beseitigung von Ursachen für erkannte Probleme ist die Basis für nachhaltigen Erfolg. In einer Untersuchung zum Datenqualitätsmanagement im CRM (Leußer, 2011) wurden bei einer Befragung von CRM-Experten in DACH-Gebiet folgende allgemeine Ursachenfelder identifiziert:

• Design und Betrieb von Geschäftsprozessen und IT-Systemen: Dazu zählen Aspekte wie unzureichende Prozesse und Qualitätskontrollen und der laufende Betrieb der IT-Systeme.
• Umsetzung und Anwendung eines Datenqualitätsmanagements: Ursachen dafür können eine fehlende Datenqualitätskultur im Unternehmen oder eine unzureichende Dokumentation sein.
• Unzureichende Datenerfassung: Beispiele sind  der begrenzte Einfluss auf externe Datenlieferungen oder versehentliche Falsch- oder Nichterfassung.
• Veralten der Daten

Diese Ursachenfelder lassen sich auch auf Big-Data-Methoden anwenden:

Das Veralten der Daten ist gerade bei stark volatilen Daten, die häufig eine kurze Werthaltigkeit haben, ein wichtiges Thema.  Genau dazu wurden ja entsprechende Big-Data-Methoden wie MapReduce entwickelt, um Wissen schnell generieren zu können. Für eine schnelle Reaktion auf neue Erkenntnisse benötigt es aber neben der Analyse auch eine entsprechend konzipierte Architektur sowie für die Kommunikation Systeme der Marketing-Automation. Damit ist auch das oben genannte Ursachenfeld "Design von IT-Systemen" betroffen.

Ein häufiger Kritikpunkt an Big-Data-Analysen ist die falsche Interpretation der Ergebnisse. So werden oftmals Korrelationen mit Kausalität gleichgesetzt oder Beziehungen, wie Facebook-Freundschaften, überbewertet. Die Ursachen liegen hier zumeist in fehlendem Wissen im Umgang mit Analyseergebnissen und unzureichender Dokumentation.

Wie man sieht, ändern sich die Schwerpunkte der Ursachen, die hinter Datenqualitätsproblemen im Zusammenhang mit Big-Data-Analysen liegen, etwas. Damit hat dies natürlich auch Auswirkungen auf die folgenden Maßnahmen. Die eingangs erwähnte Untersuchung nennt für CRM-relevante Daten allgemein folgende Maßnahmenkategorien:

• Kategorie Mensch: wie die Sensibilisierung und Motivation der Mitarbeiter und Schulungen zur Systembedienung
• Kategorie Organisation: wie die Festlegung von Verantwortlichkeiten für Datenbestände und deren Qualität
• Kategorie Prozesse: wie die Berücksichtigung von Datenqualitätsanforderungen bei der Systementwicklung und Plausibilitätsprüfungen bei der Datenerfassung
• Kategorie Technologie: wie die Ergänzung fehlender Daten aufgrund von Regeln

Auch diese Kategorien lassen sich auf Big-Data-Analysen anwenden. Teilweise können Ergebnisse dieser Analysen die traditionelle Datenerfassung unterstützen und dabei bisherige Informationslücken als Datenqualitätsproblem schließen. So war zum Beispiel das Verhalten auf Webseiten bisher aufgrund der Masse an Tracking-Informationen keine schnell zugängliche Information. Über eine entsprechende Analyse können nun für die Interaktion und Kommunikation wertvolle Inhalte generiert werden.

Eine weitere Einsatzmöglichkeit von Big-Data-Methoden liegt im Datenqualitäts-Monitoring. Hierbei geht es um die Entdeckung von Unregelmäßigkeiten in den Datenströmen. Ein entsprechendes Monitoring sichert dabei sowohl die Datenbasis für traditionelle Daten und Methoden wie auch für Big-Data-Analysen. Bei Unregelmäßigkeiten, wie Ausreißern oder fehlenden Daten, werden Benachrichtigungen angesteuert, um Ursachenanalysen und Maßnahmen zu veranlassen.

Zusammenfassung

Durch den Einsatz von Big-Data-Methoden kann für das CRM wertvolles Wissen generiert werden. Gerade in Feldern wie der sozialen Vernetzung oder dem Suchverhalten, die durch bisherige Daten nicht abgedeckt sind, bereichert dies das Bild vom Kunden. Dieses Wissen stabil und nachhaltig in Wert zu verwandeln, setzt aber ein Datenqualitätsmanagement voraus. Ein fortlaufendes Datenqualitäts-Monitoring, die Dokumentation der Generierungsprozesse und die Vermittlung des Methodenwissens stellen wichtige Maßnahmen dar, die in jedem Unternehmen umgesetzt sein sollten.