von Christiana Klingenberg
Nach einer aktuellen CRM-Studie der Züricher intelligent systems solutions (i2s) GmbH planen über die Hälfte der befragten Unternehmen in Deutschland, Österreich und der Schweiz, in CRM-Projekte zu investieren. Als Projektziele geben 88 Prozent der Befragten die Verbesserung der Datenqualität an, gefolgt von Umsatzerhöhung, Erschließung neuer Märkte, Neukundengewinnung und Sicherung der Bestandskunden. Gleichzeitig stellt Datenqualität für 28 Prozent der Befragten jedoch auch das Hauptproblem während des Betriebs eines CRM-Systems dar. Dieses Ergebnis stimmt nachdenklich, ist eine hohe Datenqualität in Form korrekter und dublettenfreier Daten doch unabdingbare Voraussetzung für erfolgreiches Kundenbeziehungsmanagement – egal ob auf analytischer oder auf operativer Ebene.
Nichts geht ohne hochwertige Daten
Beim analytischen CRM ist eine hohe Datenqualität elementar, um valide Auswertungen im Rahmen von Business Intelligence überhaupt durchführen zu können. Denn sind schon die Analysen verfälscht, lassen sich darauf aufbauend auch keine sinnvollen strategischen Entscheidungen treffen. Im Bereich des operativen CRMs dagegen werden qualitativ hochwertige Daten unter anderem für zielgruppengerechte Marketingmaßnahmen und Serviceangebote sowie für den Aufbau einer intensiven und stabilen Kundenbeziehung benötigt. Eine schlechte Datenbasis kann hier schnell zu unzufriedenen und frustrierten Kunden führen und – im schlimmsten Fall – zum Abbruch der Geschäftsbeziehung. Zugleich leidet auch die Motivation der Mitarbeiter. Denn sie sind es, die den Ärger der Kunden direkt zu spüren bekommen, falls sie deren Bedürfnisse aufgrund fehlender oder inkonsistenter Daten nicht befriedigen können. Auch haben sie den Mehraufwand, wenn sie wegen fehlenden Vertrauens in den Datenbestand jeden Eintrag vor der Kontaktaufnahme manuell prüfen. Generell gilt: Korrekte und dublettenfreie Daten sind die grundsätzliche Voraussetzung für den sogenannten Single View of Customer. Nur optimale Daten erlauben es, alle auf den Kunden bezogenen Daten auf einen Datensatz zu verdichten. Und nur dies ermöglicht eine wirklich ganzheitliche Sicht auf den Kunden.
Der Datenqualitäts-Prozess
Egal, ob ein komplett neues CRM-System aufgesetzt, ein bestehendes optimiert oder zwei oder mehr unabhängige Systeme zu einem einheitlichen CRM-System zusammengefasst werden sollen – eine hohe Datenqualität lässt sich am besten durch einen dreistufigen Prozess erreichen: erstens die initiale Datenbereinigung, zweitens die Etablierung einer „Data Quality Firewall“ – diesen neuen Fachbegriff prägte das Unternehmen Uniserv – und drittens den Einsatz von Data Maintenance.
Schritt 1: Initiale Datenbereinigung
Bevor die Daten aus den verschiedenen Systemen in ein CRM-System übernommen werden, ist es sinnvoll, eine initiale Bereinigung durchzuführen. Bei diesem Vorgang wird der gesamte Datenbestand softwaregestützt in einem Batch-Lauf geprüft und bereinigt. Mit leistungsstarken Datenqualitäts-Tools lassen sich beispielsweise Daten in ein einheitliches Format bringen, Feldinhalte unterschiedlicher Datenquellen einheitlichen Feldern zuordnen, Adressen postalisch auf ihre Korrektheit prüfen oder im Falle von Umzügen aktualisieren. Ferner werden Adressen in länderspezifische Formate gebracht oder um Zusatzinformationen wie Geokoordinaten oder Branchenschlüssel ergänzt. Auch die Anreicherung mit unternehmenseigenen oder benutzerdefinierten Informationen ist möglich. Darüber hinaus lassen sich auch potenzielle Dubletten anhand individuell angepasster Such-Algorithmen zuverlässig identifizieren sowie bei Bedarf der sogenannte Golden Record bilden. Leistungsstarke Tools bewältigen die Erstbereinigung mühelos – egal, um wie viele unterschiedliche Datenquellen es sich handelt und aus welchen Ländern die Daten stammen.
Schritt 2: „first time right“ – die Data Quality Firewall
Nach der Übernahme des initial bereinigten Datenbestandes ist es wichtig, bestimmte Standards festzulegen. Nur so lässt sich die bereits erreichte hohe Datenqualität beibehalten. Hier gibt es unterschiedliche Möglichkeiten: Der Anwender kann im CRM-System selbst darauf achten, dass bestimmte Eingaberegeln eingehalten werden. Straßennamen beispielsweise dürfen dann nur in die dafür vorgesehenen Felder eingetragen werden. Bei Feldern für Telefonnummern oder E-Mail-Adressen ist eine Syntaxprüfung möglich. Zusätzlich lässt sich auch die angegebene Adresse per Mausklick oder ohne Interaktion auf ihre Richtigkeit prüfen. Call Center-Mitarbeiter können so direkt nachfragen, falls die Adresse nicht korrekt oder eindeutig ist. Damit diese Prüfmechanismen jedoch akzeptiert und genutzt werden, muss die dahinter stehende Technik entsprechend performant sein. Gerade in Call Centern, wo in Spitzenzeiten ein hoher Zeitdruck herrscht, muss die Adressprüfung sehr schnell erfolgen. Alternativ kann auch ein Rapid Entry Client eingesetzt werden. Dieser vervollständigt die Adressbestandteile nach Eingabe der ersten Buchstaben oder Zahlen selbst. Unabhängig von der Technik ist eine einfache, schnelle und fehlertolerante Suche nach der jeweiligen Adresse mit korrekter Schreibweise elementar. Dauert diese Prüfung zu lange oder liefert nicht die gewünschten Ergebnisse, wird die Funktion nicht genutzt und die Data Quality Firewall umgangen.
Ebenso wichtig ist es, dass vollautomatisch die Anlage doppelter Datensätze vermieden wird. Leistungsstarke Datenqualitätslösungen prüfen bei der Dateneingabe oder bei Änderungen der Adressdaten automatisch, ob der Kunde bereits im System registriert ist. In diesem Fall muss kein neues Kundenkonto angelegt werden. Die bestehenden Informationen können durch den aktuellen Vorgang angereichert werden. Sinnvoll ist auch hier eine fehlertolerante Suche. Uniserv hat die Anforderungen an die Data Quality Firewall bei CRM-Systemen mithilfe von DQ-Konnektoren umgesetzt. Diese wurden gemeinsam mit Entwicklungspartnern für die wichtigsten CRM-Systeme umgesetzt. Die DQ-Konnektoren binden die Datenqualitätsmechanismen nahtlos in die CRM-Systeme ein, eine system-individuelle Programmierung entfällt. Auf diese Weise werden bereits bei der Datenaufnahme und der satzweisen Bearbeitung konkrete Datenqualitäts-Regeln umgesetzt.
Schritt 3: Data Maintenance
Die initiale Datenbereinigung und die implementierten Mechanismen zur Aufrechterhaltung der erreichten Datenqualität sind ein großer Schritt in Richtung einer qualitativ hochwertigen Datenbasis. Darüber hinaus ist es jedoch sinnvoll, periodisch den Gesamtdatenbestand zu prüfen. So sollte beispielsweise regelmäßig eine Prüfung auf Straßen- bzw. Ortsumbenennungen erfolgen, Umzüge sollten nachvollzogen und eingepflegt und die Datensätze verstorbener Kunden zumindest gekennzeichnet werden. In Deutschland gibt es im Jahr etwa vier Millionen Umzüge und 30 000 Änderungen bei Straßen, Postleitzahlen und Orten. Unter Umständen ist es auch notwendig, bereits vorhandene Daten mit Zusatzinformationen anzureichern. Dabei ist es ratsam, diese periodischen Prüfungen ebenfalls im Batch-Verfahren durchzuführen. Alle Daten des Gesamtbestandes entsprechen dann zu bestimmten Zeitpunkten einem gemeinsamen Datenqualitätsstandard.
Wenn Unternehmen alle drei Prozessschritte implementieren und gewissenhaft umsetzen, ist eine hohe Datenqualität im CRM-System garantiert. Die Potenziale von Kundenbeziehungsmanagement lassen sich dann sowohl auf analytischer als auch auf operativer Ebene voll ausschöpfen. Verlässliche Auswertungen als Basis für strategisch richtige Entscheidungen, gefestigte Kundenbeziehungen und motivierte, entlastete Mitarbeiter sind nur einige der positiven Folgen. Fest steht: CRM ohne hohe Datenqualität ist wie Suppe ohne Salz – und hinterlässt mehr als nur einen faden Beigeschmack.
Über die Autorin:
Dr. Christiana Klingenberg arbeitet bei Uniserv als Expertin für Software Development und Consulting.