Hohe Datenqualität im CRM-System

Von Dr. Christiana Klingenberg

Ziel der Einführung eines Customer Relationship Management Systems ist es, die Beziehungen zu bereits bestehenden und zukünftigen Kunden langfristig zu optimieren und zu stabilisieren. Ein intelligent aufgesetztes CRM-System allein reicht dafür allerdings nicht aus. Korrekte, vollständige, aktuelle und damit hochqualitative Kundendaten sind im CRM-System genauso wichtig wie das System selbst.

Der Schlüssel zu einer zufriedenstellenden Kundenbeziehung ist also nicht nur das CRM-System, sondern ebenso die hohe Datenqualität. Kunden werden bei Marketing-Kampagnen nur einmal beworben und damit nicht unnötig verärgert. Die Portokosten werden optimiert, Verkaufschancen und Forecast-Analysen sind verlässlich. Der Kundenservice ist effektiver, da beim direkten Kundenkontakt alle relevanten Informationen in korrekter Form vorliegen.

 Vor diesem Hintergrund wird deutlich, dass Datenqualität – also korrekte und dublettenfreie Daten – wesentliche Voraussetzung für den sogenannten „Single View of Customer“ oder „Single Point of Truth“ sind. Denn nur optimale Daten erlauben die ganzheitliche Sicht auf einen Kunden.

Datenqualität im CRM: how-to
Unabhängig davon, ob ein komplett neues CRM-System aufgesetzt wird, die Datenqualität eines bestehenden CRM-Systems optimiert oder mehrere Systeme zu einem CRM-System zusammen gefasst werden sollen, kann die angestrebte hohe Datenqualität in drei Teil-Prozessen erreicht werden:

  1. Initiale Datenbereinigung
  2. „first time right“ bzw. Mechanismen, die schlechte Datenqualität bereits bei der Datenerfassung oder -bearbeitung abfangen
  3. Einsatz von Data Maintenance als Maßnahme zur Erhaltung eines hohen Standards der Datenqualität

Damit eine initiale Bereinigung zielgerichtet erfolgen kann, ist es empfehlenswert, sich in einem vorgelagerten Schritt einen Überblick über die Qualität der Daten zu verschaffen. Hierbei geht es nicht nur um korrekt geschriebene Adressen oder doppelte Datensätze, sondern vielmehr auch darum, die Struktur der Daten kennen zu lernen und bereits bestehende Geschäftsregeln zu prüfen. Typischerweise wird dieser Schritt im Rahmen eines Datenqualitäts-Audits umgesetzt.

1. Initiale Datenbereinigung
Beim initialen Cleansing der Daten wird der gesamte Datenbestand in einem Batch-Lauf geprüft und bereinigt. Dabei ist es unerheblich, um wie viele unterschiedliche Datenquellen es sich handelt oder aus welchen Ländern die Daten stammen.

Typischer Ablauf der initialen Datenbereinigung:

Einheitliches Mapping: Die Feldinhalte unterschiedlicher Datenquellen werden den gleichen Feldern zugeordnet.

  • Die Daten werden in ein einheitliches Format gebracht.
  • Die Namensbestandteile werden analysiert.
  • Eine postalische Prüfung der Adressen wird vorgenommen.
  • Adressen von Umzüglern werden aktualisiert.
  • Die Adressen werden in spezifische Formate gebracht.  
  • Die Adressen werden mit Zusatzinformationen angereichert .
  • Dubletten werden identifiziert.
  • Der „Golden Record“ wird gebildet.

2. Data Quality Firewall: „first time right“
Nach der Übernahme des initial bereinigten Datenbestandes müssen bestimmte Standards bei der Neuanlage von Datensätzen festgelegt werden. Nur so bleibt die bereits erreichte hohe Datenqualität erhalten.  Straßennamen sollten beispielsweise nur in die dafür vorgesehenen Felder eingetragen werden. Bei Feldern für Telefonnummern ist eine syntaktische Prüfung möglich. E-Mail-Adressen sind ebenfalls prüfbar: Dabei wird abgefragt, ob es die Domäne und den Nutzername tatsächlich gibt. Ebenso besteht die Möglichkeit, die angegebene Post-Adresse gegen Referenzdaten abzugleichen.

Das ist sinnvoll, wenn z.B. die Adresse in einem Call Center nur telefonisch durchgegeben wurde und Schreib- oder Hörfehler die Daten verfälschen. Ist die am Telefon aufgenommene Information nicht korrekt bzw. eindeutig, kann der Mitarbeiter sofort nach fehlenden Zusatzinformationen wie z.B. dem Ortsteil fragen, um die Adresse dann postalisch korrekt ins System zu übergeben. Dabei erfolgt die Adressprüfung entweder auf Knopfdruck, beim Speichern oder vollautomatisch. Selbstverständlich können auch individuelle Dialoge zur Adressprüfung angeboten werden.

3. Data Maintenance: Erhaltung des Datenqualitätsstandards
In Deutschland gibt es pro Jahr etwa 40.000 offizielle Änderungen im Straßen- und Ortsverzeichnis. Um diesen Änderungen Rechnung zu tragen und die Kontaktinformationen up to date zu halten, ist ein periodischer Abgleich mit den aktuellen Referenztabellen sinnvoll.

Im B2B-Bereich kommt es im Rahmen von Fusionen, Insolvenzen, Umbenennungen oder Wechsel der Rechtsform zu Änderungen, die im CRM-System nachgepflegt werden müssen. Bei Vertragsabschlüssen ist die korrekte Firmierung ein juristisches Muss. Ebenso muss die 360° Sicht auf den Kunden manchmal über mehrere Systeme hinweg gebildet werden. Mit einer intelligent aufgesetzten Customer Data Integration wird so der Golden Record erstellt. Dabei muss sicher gestellt sein, dass bei Updates die Systeme synchron gehalten werden und die aktualisierten Informationen dem Datennutzer in Echtzeit zur Verfügung stehen.

Auch im B2C-Bereich kommt es regelmäßig zu Namensänderungen – etwa durch Hochzeiten und Scheidungen. Sind Kunden verstorben, sollten die entsprechenden Datensätze zumindest gekennzeichnet werden.

Um den Status Quo der Datenqualität permanent bestimmen und prüfen zu können, empfiehlt sich ein nachgelagertes Monitoring. Hier können die Einhaltung von Geschäftsregeln automatisch überprüft und kritische Schwellenwerte festgelegt werden, um dann zeitnah Optimierungsmaßnahmen durchführen zu können. Solche Schwellenwerte können auch key performance indicators (KPI) sein, die Aussagen über den Status Quo definierter Unternehmensziele zulassen.

Fazit
Sind die hier beschriebenen Prozessschritte implementiert und eine gute Datenqualität erreicht, kann das Potential des CRM-Systems voll ausgeschöpft werden. Die Auswertungen im analytischen CRM sind jetzt verlässlich. Die Daten im operativen CRM lassen ein kundenorientiertes und effizientes Handeln in allen Bereichen zu. Somit werden die Kundenbeziehungen langfristig gefestigt. 

Dr. Christiana Klingenberg
betreut Kundenprojekte rund um das Thema Data Management mit Schwerpunkt Datenqualität bei Uniserv GmbH. christiana.klingenberg@uniserv.com