Kundendatenmanagement Datenqualitätsprobleme im CRM-Bereich. Marcus Zwirner

Transkript

1 Kundendatenmanagement Datenqualitätsprobleme im CRM-Bereich Marcus Zwirner

2 FUZZY! Informatik AG Gründung: 1994 Gründung FUZZY! Informatik GmbH in Ludwigsburg 1999 Umwandlung in eine AG Vorstand: Fokus: Eberhard Franke (Vorsitz) Detlev K. Siech Entwicklung von Standardsoftware und ganzheitliche Beratung zur Datenqualitätssicherung Umsatz: 5,8 Mio. Euro (2006) Mitarbeiter: 50 (2007) Standort: Kunden: Partner: Ludwigsburg Über 300 Kunden profitieren von den Lösungen von FUZZY!, u.a. DaimlerChrysler, BMW, WGV, Cortal Consors, Würth, Generali Bank, BMI, GIS, Telekom Austria, Mobilkom Austria, Österreichische Post, HP EMEA, Mazda, Vodafone u.a. Brandt & Partner, Jambou, DCL, Atos Origin, Intersoft, Oracle

3 Die Technologie Fuzzy Logic Die unscharfe ( fusslige ) Logik, von Prof. Lofti A. Zadeh 1965 in der Fuzzy-Set Theorie begründet. FUZZY! Datenanalyse Neues Anwendungsfeld der Fuzzy Logic. Im Gegensatz zu klassischen Suchverfahren erkennen FUZZY! Systeme auch Ähnlichkeiten innerhalb von Datenstrukturen. Fuzzy Control Verbreitetes Anwendungsfeld in der Steuer- und Regelungstechnik (z.b. Waschmaschine mit Fuzzy- Knopf ).

4 FZUZY! shciret die Detanqiuätlat

5 Structuring Validating Measuring FUZZY! DIME Identifying FUZZY! Double FUZZY! Analyzer Updating FUZZY! MailStop FUZZY! Move FUZZY! Post FUZZY! Bank FUZZY! Tel FUZZY! BoykottCheck Time FUZZY! DataCare - als Ganzes Ihre Lösung Data quality Tools FUZZY DataCare Suite Strategy FUZZY DataCare Process Experience Certified Consultants MIT, dgiq, Oracle, IBM, Microsoft 12 years experience

6 Datenqualität bei Kundendaten

7 CRM-Systeme: Relevante Teilaspekte Quelle: CIO, IT-Strategie für Manager, ( Zugriff: )

8 CRM Systeme: Auswirkungen schlechter DQ Akzeptanz des Systems Vertrauensverlust der Mitarbeiter Boykott des Systems durch Imageverlust CRM System bleibt gekapseltes Expertensystem Strategische Entscheidungsprozesse im Unternehmen Berichtswesen führt zu falschen Aussagen Falsche Zahlen ergeben falsche Planungsbasis Fehlerhafte Preiskalkulation oder Rentabilitätsberechnung Zusatzaufwand Aufwändige Suche nach richtigen Daten Erhöhter Aufwand für Auswertungen und Analysen Erhöhter Entwicklungs- und Betriebsaufwand Operative Geschäftsprozesse Fehlerhafte Zielgruppenselektion für Marketingaktionen Ungenutzte Cross-Selling- Potenziale Externer Imageverlust

9 Kosten mangelhafter Datenqualität Die Verarbeitungszeit steigt an Extra time to reconcile Delay deploying new system Loss of credibility in system Lost revenue Extra costs (e.g. duplicate mailing) Customer dissatisfaction Compliance problems Other Percentage of survey respondents Verzug bei Einführung neuer Systeme (ERP, CRM) Budget-Überschreitung Kein gesamtheitlicher Blick auf die Kundendaten schlechter Kundensupport und höhere Servicekosten Keine Möglichkeit, die profitabelsten Kunden zu identifizieren Erschwerte Fraud prevention Erhöhte Kosten für Systemumgebung (Datenbank, CPU, Disk, Backup) Mailings durch Dubletten Demotivierte Mitarbeiter Source: Data Quality and the Bottom Line, TDWI Report Series, 2002

10 Datenqualität im Marketing Marketing erkennt, dass die Rückläuferquote beim Versand der Mailings steigt. Analyse zeigt, dass häufig fehlerhafte oder unvollständige Adressen vorhanden sind. Die aus dem zentralen Geschäftspartnersystem bereitgestellten Dateien werden in Zukunft bei einem Dienstleister postalisch geprüft, korrigiert und aktualisiert. Probleme: Kein Rückfluss der Korrekturen in das zentrale System Alle anderen Abteilungen (Finanzbuchhaltung, Vertrieb,...) arbeiten weiterhin mit fehlerhaften Informationen

11 Beispiel: Datenqualität im Einkauf Der Einkauf erkennt, dass die Klassifizierung der Lieferanten nach Umsätzen fehlerhaft ist. Analyse zeigt, dass eine Summierung oder Gruppierung auf Grund unterschiedlicher Schreibweisen der Firmennamen nicht möglich ist. Manuelle Bereinigung der Firmennamen mit Hilfe von ad-hoc- Abfragen in der Lieferantendatenbank. Anwendung eines Dublettenbereinigungstools zur automatischen Zusammenführung ähnlicher Firmennamen. Problem: Die Adresse auf den Rechnungen ist immer noch fehlerhaft.

12 Beispiel: Datenqualität im Einkauf Robert Bosch GmbH Siemens AG Dr. Ing. h.c. F. Porsche AG A B C sum(umsatz) where company like %Porsche AG% Porsche Zuffenhausen C Beru AG C Robert Bosch GmbH A Ferdinand Porsche AG C Dr. Ing. h.c. F. Porsche AG B Porsche AG C Siemens AG B Porsche Zuffenhausen C Dr. Ing. h.c. F. Porsche AG A Beru AG C Robert Bosch GmbH Siemens AG A B sum(umsatz) where company like %Porsche% Beru AG C

13 Ursachen für mangelhafte Datenqualität Online-Eingaben im Internet werden bewusst verfälscht, um die Privatsphäre zu wahren Data entry by employees Data entry by customers Changes to source systems Data migration and conversion projects Mixed expectations by users External data System errors Other Percentage of survey respondents Daten aus verschiedenen Quellen entsprechen nicht dem vorgegebenen Standard Call-Center Agenten geben Abkürzungen ein, um Zeit zu sparen Externe Daten sind fehlerhaft Unterschiedliche Business Rules in Alt- und Neusystem werden bei Datenmigration nicht beachtet Fehlendes Problembewusstsein Source: Data Quality and the Bottom Line, TDWI Report Series, 2002

14 Die Herausforderung Schkriziptschak Schkriziptschak Schkrizypzak Schkrizypzak Tschgrsybtzak Schkriziptschak Tschgrsybtzak Tschgrsybtzak Schkrizypzak Schkrizypzak Schkrizypzak

15 Zahlreiche Datenquellen... Responsekarten Call Center E-Commerce CRM- / ERP-System POS-Systeme Fremdadressen manuelle Erfassung

16 ... und Fehlerquellen OCR-Fehler Hörfehler Betrug CRM- / ERP-System Dubletten Tippfehler Mangelnde Sorgfalt

17 Herausforderungen einheitliche (vollständige) Kundensicht durch verteilte Datenhaltung in den operativen Systemen häufig nicht möglich unterschiedliche Datenstrukturen in den Quellsystemen verhindern ein einfaches Zusammenführen Zusatzinformationen (Titel-, Namens- oder Adresszusätze) erschweren die Identifikation von Personen und Haushalten nicht korrekte Firmierung oder unstrukturierte Firmen- und Abteilungsbezeichnungen erschweren die Zusammenführung der Daten inhaltliche Datenfehler ergeben u.u. widersprüchliche Aussagen u.v.m.

18 Einführung eines CRM Systems Altsystem Datenlisten CRM System Excel-Listen Telefonbuch Adressbuch

19 CRM System Datenmigration Anforderungen: Lösungen: Zusammenführung der Daten aus verschiedenen Systemen Ermittlung einer einheitlichen Sicht Reduzierung der Komplexität Einheitliche Bewertung der bestehenden Systeme Anpassung und Verbesserung der bestehenden Systeme Übergreifende Bewertung zur einheitlichen Sicht auf alle Häufiges Problem: DQ Probleme werden im Projekt spät erkannt, da sie Systeme Zusammenführung auf Zielstruktur erst bei der Testmigration erkannt werden

20 Einführung eines CRM Systems CRM System

21 FUZZY! DataQuality Lab in der Praxis Kundenprojekt: Bewertung der Datenqualität von Kunden- und Lieferantendaten Mangelhafte Datenqualität 128 verschiedene Schreibweisen für Frankfurt am Main 8 verschiedene Schreibweisen für Dr. Ing. h.c. F. Porsche AG Aus Datenmüll wird Zusatzinfo! Zusätzlich entdeckte Informationen Handynummer, Abladestelle, Löschkennzeichen, Sperrkennzeichen, Kundennummer, Lieferscheinnummer Erkenntnis: Dass wir ein Datenqualitätsproblem haben, war uns bekannt, aber nun wissen wir, wie es aussieht

22 Name1 Feld Summe Behörde Abladestelle Baustelle Komissionsinfo Kreditoreninfo Rechtsform Löschkennzeichen Sperrkennzeichen Abteilung Lieferungsnummer Registriernummer Kostenstelle Festnetznummer Handy-Nummer Summe Straße Ortsteil Ortsname Name3 Name2 Datenelement Praxisbeispiel: aus Datenmüll wird Zusatzinfo

23 Betrieb eines CRM Systems Daten erfassen Daten suchen CRM System Externe Daten integrieren Berichte erstellen und exportieren Referenzdaten aktualisieren

24 CRM System Datenerfassung Anforderungen: Lösungen: Sichere manuelle Erfassung Fehler so früh wie möglich erkennen und vermeiden Call-Center Mitarbeiter haben keine Zeit für lange Suchen Kunden möchten nicht warten Integration von Software-Tools für Einfachere Suche Sichere Identifikation Automatische Ergänzung Korrektur von Schreibfehlern Optimierung der Arbeitsoberfläche Reihenfolge der erfassten Daten Optische Trennung Optimierung des Erfassungsprozesses

25 CRM System Integration externer Daten Anforderungen: Lösungen: Fremddaten sollen nur fehlerfrei mit übernommen werden Datenaustausch mit anderen Systemen soll möglich sein Referenzdaten sollen in dem CRM System zur Verfügung stehen Integration von Software-Tools beim Datenaustausch Importierte Daten werden geprüft wie bei Datenerfassung Referenzdaten des Systems werden qualitätsgesichert Organisatorische Optimierung des Datenaustauschs

26 Lösung: Der FUZZY! DataCare Process Einführung einer Lösung zur Sicherstellung der Datenqualität Definition der Datenqualitätsregeln Ermittlung der Ursachen für Datenfehler Ermittlung des Datenqualitätsindex

27 Lösung: Die FUZZY! DataCare Tools Datenqualität Identifizieren Aktualisieren FUZZY! Double FUZZY! Move Validieren FUZZY! Post FUZZY! Bank FUZZY! Tel FUZZY! BoykottCheck Strukturieren FUZZY! Analyzer Messen FUZZY! DIME Zeit

28 Applikationen CRM Internet BI / BW Call-Center Belegerfassung / Scanner etc. Strukturierung Validierung Deduplizierung Zieldatenbank

29 Lösungsmöglichkeiten mit FUZZY! Tools Strukturierung Validierung Data Cleansing

30 Fazit Reaktive Bereinigungen helfen nur punktuell Proaktives Datenqualitätsmanagement sichert den Erfolg Datenqualität ist ein Teil des CRM-Projekts Entwicklung eines Projektplans Aufbau eines DataQuality Teams Analyse der Geschäftsprozesse und Datenmodelle Durchführung der Datenqualitätsbewertung Optimierung der Geschäftsprozesse Bereinigung der Daten Überwachung der Daten

31 Ihr Ansprechpartner bei FUZZY! FUZZY! Informatik AG Eglosheimer Straße Ludwigsburg Deutschland Marcus Zwirner Leiter Consulting Tel.: +49 (0)7141/ Fax: +49 (0)7141/ Mail: Web: