DQM erfolgreiches CRM dank Daten-Quality-Management

Transkript

1 DQM erfolgreiches CRM dank Daten-Quality-Management CRM-Forum, , 14:00 (Speaker s Corner Winterthur ) Steria

2 Daten-Quality-Management Agenda Datenqualität, was ist das? Datenqualität, wo ist das Problem? Das DQM Daten-Quality-Management Das korrekte Vorgehen Die Lösung 2

3 Daten-Quality-Management Datenqualität, was ist das? 3

4 Daten-Quality-Management Merkmale der Datenqualität Die Datenqualität lässt sich auf vier Merkmale zurückführen: Genauigkeit: Die Daten müssen korrekt und exakt sein. Es hat keinen Platz für Zweideutigkeiten oder offensichtliche Fehler. Aktualität: Die Daten müssen auf dem neuesten Stand sein. Vollständigkeit: Die Daten müssen umfassend sein. Konsistenz: Die Daten müssen im ganzen Unternehmen einheitlich sein. 4

5 Daten-Quality-Management Datenqualität, wo ist das Problem? 5

6 Daten-Quality-Management Ungenügende Datenqualität ein reales Problem Daten von ungenügender Qualität stellen ein reales Problem dar, das Ihrem Unternehmen Kosten in Millionenhöhe verursachen kann. Studien zufolge belaufen sich diese durchschnittlichen Kosten pro Unternehmen auf über 8,2 Millionen US-Dollar pro Jahr. Allein in den USA summieren sich die Kosten auf 611 Milliarden US- Dollar. Die Zahlen klingen irreal, aber sie erklären sich durch die extreme Datenabhängigkeit der Unternehmen im Hinblick auf: effizienten Betrieb (56 % der Unternehmen treffen deshalb falsche Entscheidungen) Produktivität (47 % der Unternehmen klagen über qualitativ unzureichende Daten zur Erledigung ihrer Arbeit) Rentabilität (bis zu 12 % Einnahmenverlust aufgrund von Daten von ungenügender Qualität). 6

7 Daten-Quality-Management Datenqualität: Bedeutung und Nutzen Datenqualität ist wichtig, weil sie Auswirkungen auf den Gewinn hat und als Grundlage für strategische Geschäftsentscheidungen dient. In einer Studie von Bain & Company wurden das Kundenbeziehungsmanagement (Customer Relationship Management CRM) und die Kundensegmentation als wichtige Instrumente der Geschäftsführung zur Optimierung des Geschäftserfolgs eingestuft. Beide Instrumente erweisen ihren Nutzen nur bei hoher Datenqualität. 7

8 Daten-Quality-Management Datenqualität: häufige Probleme Ähnliche Informationen wie z. B. Kundendaten werden oft in unterschiedlichen und separaten Quellen gespeichert wie etwa CRM- Anwendungen, Buchhaltungssysteme oder Lohn-Systeme. Die Informationen werden in einer Quelle aktualisiert, aber nicht in der anderen und so entstehen Inkonsistenzen. Darüber hinaus sind manche Daten schwer zu finden. Wenn die Benutzer nicht in der Lage sind, auf die am dringendsten benötigten Informationen zuzugreifen und schnelle Entscheidungen zu treffen, sinkt der Wert der Unternehmensdaten. Ein kleiner Fehler kann Daten im gesamten Unternehmen unbrauchbar machen und beschädigte Daten können fatale Folgen haben. 8

9 Daten-Quality-Management Gartner Analyse Gartner prognostiziert, dass bis zum Jahr % der Fortune 100-Unternehmen Informationskrisen erleben werden, da sie nicht fähig sind ihre geschäftlichen Informationen angemessen zu bewerten, zu beherrschen und ihnen zu vertrauen. Quelle: Gartner Predicts 2014: Information Governance and MDM Are Critical for Digital Transformation, Analyst(s) (Information Governance und MDM sind von entscheidender Bedeutung für die digitale Umwandlung, Analyst(en): Saul Judah, Bill O'Kane, Andrew White, Ted Friedman, Debra Logan, November 22nd,

10 Daten-Quality-Management Hauptgründe für ungenügende Datenqualität Kein Sponsor für DQM im Top-Management etabliert Keine adäquaten Prozesse zur Verbesserung der Datenqualität aufgesetzt Keine Prozessverantwortlichkeiten hinsichtlich DQM definiert 10

11 Studien belegen Bedeutung der Datenqualität im Unternehmen Europäische bima-studie 2012/13 Befragt wurden ca. 500 Unternehmen aus Europa Fazit: Die Datenqualität bleibt Kernherausforderung der Unternehmen Quelle: Steria AG 11

12 Daten-Quality-Management Das DQM Daten-Quality-Management 12

13 Daten-Quality-Management Definition Datenqualitätsmanagement (DQM) bezeichnet alle qualitätsorientierten organisatorischen, methodischen, konzeptionellen und technischen Massnahmen, um Daten im Sinne eines Vermögenswertes für Unternehmen zu steuern und zu verwalten. Dabei wird über den Lebenszyklus von Daten hinweg eine kontinuierliche Qualitätsdefinition, Qualitätsmessung und Qualitätsanalyse durchgeführt. 13

14 Durchgehende Prüfung der Quellen sichert die Prozesseffizienz Vorgehen 14

15 Änderungshäufigkeit der Daten niedrig hoch Datenqualitätsprobleme fangen bei der Eingabe an Lösungen müssen hier ansetzen. Datenqualität - Immer noch eine Herausforderung Unterschiedliche Erfassungsquellen Erfassung findet nicht durch Fachpersonal statt Proaktives Datenqualitätsmanagement Fehler bei der Dateneingabe werden spät oder gar nicht erkannt Die nachträgliche Bereinigung ist komplex durch heterogene Systeme Gesetzliche Anforderungen müssen erfüllt werden Laissez faire niedrig Data Cleansing hoch Bedeutung der Daten Informationsmangel für optimale CRM Prozesse Viele CRM-Anbieter verfügen nur über rudimentäre Funktionen zur Datenqualitätssicherung Geringes Datenqualität führt zu erhöhten Kosten bei Kampagnen und Verärgerung bei den Kunden durch falsche Adressierung 15

16 Durchgehende Prüfung der Quellen sichert die Prozesseffizienz Datenqualität in den Prozessen 16

17 Betrachtungsbereich Phasenmodell des DQM-Ansatzes Die richtige Schritte zur richtigen Zeit Schritt 1: Datenbereinigung Analysieren Bereinigen Rückspielen Schritt 2: Online Prüfung Prozess Infrastruktur Anbindung Schritt 3: Master Data Management Modell Vorgehen Integration 17

18 Daten-Quality-Management Das korrekte Vorgehen 18

19 Strukturiertes Vorgehen zur Herstellung einer qualitätsgesicherten Datenbasis (Schritt 1) 5 Phasen Modell Dublettenbereinigung erfolgt in einem mehrstufigen, iterativen Prozess Qualitätssicherungsprozess ist Domänenunabhängig Qualitätssicherungsprozess ist Technologieunabhängig 19

20 Phase 1 - Datenanalyse 5 Phasen Modell Bereitstellung des Datenexport aus dem unterschiedlichen Datenquellen Stammdatenquantität messen Ermittlung des Feldbefüllungsgrad sämtlicher verfügbaren Felder bei Stammdaten Frequenz - und Formatanalyse der Daten Stammdatenqualität messen Analyse der Firmenbezeichnungs- und Namensfelder Analyse der Anschriftenfelder Analyse der Kommunikationsfelder Ermittlung von postalisch fehlerhaften Adressen (global) Ermittlung der Anzahl von Dubletten in den Kundenstammdaten (Firmen- und Ansprechpartner) Vorstellung der Analyseergebnisse Messungen schaffen Transparenz über den Ist- Zustand 20

21 Phase 2 - Datenkorrektur 5 Phasen Modell Erstellen von Standard LoV (z.b. Anrede/Titel) auf Basis von Häufigkeitsverteilungen Identifikation von Dummy Werten Identifikation Firmenbestandteile in den AP-Felder Identifikation von Vorname / Nachname Vertauschung, Rufnummern im feld, fehlende Ortsbezeichnung, Fehlende Anschrifteninformationen, fehlerhafte Internationale Anschriften Identifikation von Bereinigungspotenzialen 21

22 re Sicher e Phase 3 - Dubletten Prüfung 5 Phasen Modell Dublettendefiniton Was soll als Dublette identifiziert werden? Unterscheidung von gewollten und nicht gewollten Dubletten Dublettenprüfungsiteration Dublettenprüfung Präsentation der Ergebnisse und Diskussion der Abgleichsqualität ggf. Anpassung in der Dublettendefintion Identifizierung der Schwellenwerte für die Dublettenprüfung Schwelle sichere Dubletten Schwelle unsichere Dubletten Manuelle Prüfung von unsicheren Zuordnungen Sichere Sichere Unsichere Unikate Unikate Unikate Unsiche 0 Jede Kategorie von Dublette hat eigene Bereinigungsmaßnahmen 22

23 Phase 4 - Zusammenführung 5 Phasen Modell Logische Zusammenführung der Daten Erstellung einer Verknüpfung/Markierung für die Dublettengruppe (keine Löschung der Daten) Physikalische Zusammenführung der Daten Ein Datensatz überlebt und die Folgedubletten werden gelöscht gesetzt Definition der Kopf- und Folgedubletten Bildung des goldenen Datensatzes (golden record) Zur Nachbearbeitung von potentiell unsicheren Korrekturen bei der postalischen Korrektur und unsicheren Zuordnungen bei der Dublettenprüfung können externe Datendienste unterstützten Duplettenprüfung selektiert nicht den richtigen Datensatz, sondern stellt den korrekten Datensatz zusammen 23

24 Phase 5 - Rückspielung 5 Phasen Modell Zurückführen der bereinigten Daten in das eigentliche Produktivsystem Beachtung von notwendigen Anforderungen Historisierungsabhängigkeiten Nachvollziehbarkeit Datenmodellanpassungen Neuberechnung von Aggregaten resultierender Stammdatenkonsolidierung Rückführung der Daten muss Rahmenbedingungen beachten 24

25 Daten-Quality-Management Die Lösung 25

26 DQ-Tools Phasenmodell des DQM-Ansatzes Die richtigen Schritte zur richtigen Zeit Schritt 1: Datenbereinigung Analysieren Bereinigen Rückspielen Schritt 2: Online Prüfung Prozess Infrastruktur Anbindung Schritt 3: Master Data Management Modell Vorgehen Integration 26

27 Daten-Quality-Management Wichtige Funktionen der Datenbereinigung Adressen Standardisierung Dubletten Prüfung Telefon Formatierung Prüfung Namen Verifizierung Adressen Standardisierung Dublettenprüfung Telefon Anreicherung Prüfung Namen Verifizierung Adressen Standardisierung Dubletten Prüfung Telefon Formatierung Prüfung 27

28 DQ-Connector Phasenmodell des DQM-Ansatzes Die richtigen Schritte zur richtigen Zeit Schritt 1: Datenbereinigung Analysieren Bereinigen Rückspielen Schritt 2: Online Prüfung Prozess Infrastruktur Anbindung Schritt 3: Master Data Management Modell Vorgehen Integration 28

29 So früh wie möglich Eingabe von Stammdaten Lösung: Generische CRM-DQ Integration Die Lösung: SMC DQ Connector Generische nahtlose Integration einer externen Datenqualitätslösung in update CRM, MS-CRM und Siebel über eine serviceorientierte Echtzeitschnittstelle. Einbindung der Datenqualitätsfunktionen in die CRM-Systeme über eine modular aufgebaute und leicht anpassbare Workflowsteuerung. Modulare Integration von: Adresskorrektur Blacklistenabgleich Sanktionslistenabgleich Dublettenprüfung Anreicherung 29

30 Nutzen einer nachhaltigen Lösung Generische CRM-DQ Integration Elemente einer nachhaltigen Lösung Fehlertolerante Erfassungsunterstützung Systemgestützte Prozessführung Intelligente Datenvalidierung Nutzen einer nachhaltigen Lösung Steigerung der Datenqualität Kostensenkung beim Datenmanagement Höhere Kundenzufriedenheit Effizienzsteigerung der Folgeprozesse 30

31 Daten-Quality-Management Zusammenfassung Datenqualität, was ist das? Genauigkeit, Aktualität, Vollständigkeit und Konsistenz Datenqualität, wo ist das Problem? Daten von ungenügender Qualität stellen ein reales Problem dar, das Ihrem Unternehmen Kosten in Millionenhöhe verursachen kann. Kein Sponsor, keine adäquaten Prozesse und keine Verantwortlichkeiten Das DQM Daten-Quality-Management Das DQM bezeichnet alle qualitätsorientierten organisatorischen, methodischen, konzeptionellen und technischen Massnahmen, um Daten im Sinne eines Vermögenswertes für Unternehmen zu steuern und zu verwalten Das korrekte Vorgehen Datenbereinigung (Schritt 1) mit Hilfe des 5 Phasen Modells Die Lösung Steria DQ-Connector für die nachhaltige online Prüfung der Daten (Schritt 2) 31

32 Daten-Quality-Management Fazit Datenqualitätsfragen sind in Unternehmen jeder Grösse und in allen Branchen präsent. Unabhängig von der Ursache kosten diese Probleme die Unternehmen Jahr für Jahr Milliardenbeträge. Je länger die Probleme unerkannt bleiben, desto mehr Schaden richten sie an. Neue Verfahren helfen Unternehmen dabei die gravierendsten Probleme zu überwinden. Mit den vorgestellten Methoden und Lösungen können sie Ihre Datenqualitätsprobleme step by step in den Griff bekommen und zukünftig noch erfolgreicher werden! 32

33 Einen Vorsprung im Leben hat, wer da anpackt, wo die anderen erst einmal reden. John F. Kennedy 33

34 Datenqualitätsmanagement Fragen / Antworten 34

35 Besten Dank für Ihre Aufmerksamkeit Steria