Der Golden Record im Leadmanagement

Transkript

1 SC Networks GmbH & Uniserv GmbH Der Golden Record im Leadmanagement Seminar München Sofitel SC-Networks GmbH

2 Agenda 13:00 13:30 Uhr: Check-In & Warm-up 13:30 14:30 Uhr: Vom Datenchaos zum Golden Record: Wie Sie Ihre Datenbasis auf Vordermann bringen Sebastian Krebs, Customer Information Expert bei Uniserv 14:30 15:00 Uhr: Kaffeepause 15:00 16:30 Uhr: Die Wasserloch-Strategie: Der neue Weg zum erfolgreichen Lead Management Stefan Rottmann, Sales Manager bei SC Networks, und Norbert Schuster, Gründer des Beratungsunternehmens strike2 16:30 17:00 Uhr: Gemeinsamer Ausklang mit Fingerfood Seite

3 Innovative 2016 Einladung Trendforum für Kundenstammdaten Seite

4 VOM DATENCHAOS ZUM GOLDEN RECORD 15. März 2016 Sebastian Krebs, Uniserv GmbH Seite

5 Key Message: Was ist überhaupt Datenqualität? Daten Datendefinition Datenpflege / Metadaten Prozess Datennutzung in Prozessen Datenauswertung (für Prozesse) we define data quality as data that are fit for use by data consumers. (Wang, R. Y. & Strong D. M Beyond Accuray: What Data Quality means to data consumers) Der Prozess bestimmt die Datenqualität! Seite 5

6 Daten in allen möglichen Systemen für alle möglichen Prozesse POS SYSTEME CALLCENTER SOCIAL MEDIA E COMMERCE CRM / ERP / WEB UND CO. FREMDDATEN FORUMLARE / RESPONSEKARTEN LEAD MANAGEMENT MANUELLE ERFASSUNG Seite 6

7 . und viele Fehlerquellen TIPPFEHLER HÖRFEHLER BETRUG OCR FEHLER CRM / ERP / WEB UND CO. DUBLETTEN UNTERSCHIEDLICHE PROFILE MEHRFACHE REGISTRIERUNG MANGELNDE SORGFALT Seite 7

8 Ein Kreislauf & keine Adhoc Maßnahme Der Data Quality Cycle 1.) Analyze Data Profiling Erkundung spezifischer Datenbereiche Analyse der Datenqualität anhand von Kennzahlen 4.) Govern Compliance Überwachung und Einhaltung: Geschäftsregeln Gesetzesvorgaben Permanente Kontrolle der Datenqualität Data Quality Cycle 2.) Cleanse Datenbereinigung Identity Resolution Datenmigration / konsolidierung 3.) Protect Data Quality Firewall Vermeidung von fehlerhaften und unvollständigen Daten direkt bei der Dateneingabe Anwenderunterstützung bei der Erfassung von Daten Seite 8

9 Analyze Licht ins Dunkel Analyse des aktuellen Zustandes Ihrer Daten Aussage über aktuelle Beschaffenheit und Qualität der Daten Erkennen von Auffälligkeiten in Ihren Daten Bestätigen oder Wiederlegen des Bauchgefühls Ergebnisorientierte Betrachtung der Daten Gewinn wertvoller Erkenntnisse für weitere Maßnahmen und Prioritäten des Data Quality Managements Seite 9

10 Data Cleansing Datenqualität statt Datenchaos Extraktion von Daten aus verschiedenen Quellsystemen Maßnahmenergreifung aus den Erkenntnissen der Analyse Validierung, Normalisierung, Harmonisierung Anreicherung mit weiteren Informationen Identifikation und Konsolidierung von Dubletten Spezifische Regelwerke Qualitativ hochwertige Daten, mit denen Datennutzer effektiv arbeiten können (Prinzip: data is fit for use) Seite 10

11 Data Protection Nachhaltige Qualität Implementierung einer Data Quality Firewall Realisierung aller relevanten DQ Prüfungen bei Neuanlage oder Änderung von Datensätzen Vermeidung von Hör, Lese und/oder Tippfehlern direkt bei der Entstehung des Datensatzes Wiederverwendung der Regeln aus der Bereinigung Sicherung vor erneuter Datenverschmutzung und somit Erhalt des erreichten Datenqualitätsniveaus Seite 11

12 Data Governance Alles im Blick Einhalten von Geschäftsregeln und vorgaben (Governance & Compliance) Kontinuierliche Erfolgskontrolle von Maßnahmen zur Verbesserung der Datenqualität Regelbasierte Beobachtung & Reporting der Datenqualität Alarmfunktion bei Verschlechterung der Daten (Überschreiten von Schwellwerten) Klärung der Verantwortlichkeiten von Daten und deren Bereinigung Messbarkeit von Datenqualität sicherstellen Rechtzeitiges Handeln möglich, um die Datenqualität auf dem gewünschten Niveau zu halten Seite 12

13 Datenqualitäts Dimensionen Vollständigkeit Ermöglicht Aussagen über den Befüllungsgrad (auf Feldebene) Genauigkeit Lässt Aussagen über die Genauigkeit (Korrektheit) von Kunden und Adressdaten zu Eindeutigkeit Wie eindeutig sind die Datensätze? Wie hoch ist der Anteil der Dubletten? Aktualität Wie aktuell sind die Datensätze bzw. wie ist der Werteverfall in Abhängigkeit der Zeit? Voraussetzung für ein wirksames DQ Management: Messbarkeit der DQ Dimensionen und ihre Optimierung Seite 13

14 Meßbarkeit von Datenqualität Seite 14

15 Die Ausgangssituation DAS IST MARTIN Martin möchte ein Auto kaufen Martin möchte das richtige Auto kaufen Martin möchte ein Auto der richtigen Marke kaufen Martin möchte ein Auto dass zu ihm passt und ihn gut aussehen lässt Und er möchte das tun, wann, wo und wie er will DAS IST DIE FAHRZEUG AG Die FAG möchte Autos verkaufen Die FAG sucht Leute wie Martin Die FAG möchte Martin beweisen, dass Sie die richtige Marke sind und das richtige Auto für Ihn haben um ihn gut aussehen zu lassen Seite 15

16 Die Ziele der Fahrzeug AG Martin kennenlernen und auf seiner Customer Journey bestmöglich begleiten Martin speichern um zu dokumentieren, was er alles auf der Customer Journey tut Martin gewinnen Er soll natürlich bei der Fahrzeug AG kaufen und nicht woanders Martin binden Zu einem zufriedenen Kunden machen, der weiterempfiehlt und wieder kauft Seite 16

17 Die Fahrzeug AG muss wissen WO Wo bewegt sich Martin auf seiner Suche nach Informationen? WAS Was ist Martin beim Autokauf wichtig? WIE Wie kauft Martin gerne ein, wie wird er gern betreut? WANN Wann plant Martin, den Kauf zu tätigen? WELCHES Welches Auto fährt er momentan? Welche Erfahrungen hat er bisher gemacht? WARUM Warum sollte Martin gerade bei der Fahrzeug AG kaufen? Seite 17

18 Auf seiner Reise benutzt Martin viele verschiedene Kanäle CHANNEL TRACER Verfolgung des Kunden/Interessenten über alle Kanäle GOLDEN PROFILE Anreicherung durch Channel Jumping Information Seite 18 16/03/2016 UNISERV GmbH, Pforzheim

19 Die Fahrzeug AG macht sich ein Bild CUSTOMER JOURNEY I UNBEKANNT EINDEUTIG INDETIFIZIERT GOLDEN RECORD CUSTOMER JOURNEY II GROBES PROFIL UMFASSENDES PROFIL GOLDEN PROFILE CUSTOMER JOURNEY III EINZELNER KONTAKT NETZWERK GOLDEN NETWORK Seite 19 16/03/2016 UNISERV GmbH, Pforzheim

20 Der güldene Martin Gewinnspiel Hersteller Homepage Autohaus Name M. Mayer Name Martin Maier Name Martin Mayer Firma Mayer Consulting Firma Maier Consulting Firma Mayer Consulting Straße Rastatter Str. 13 Straße Rastatterstr. Straße Rastatter Str. 13 Stadt A Pforzheim 113 Stadt B Pforzheim 76 Stadt C Pforzheim 986 PLZ PLZ E Mail info@mayer.de Hobbies Joggen, Fahrrad fahren Familienstand Ledig Vorlieben SUV, Metallic UNISERV CUSTOMER DATA HUB GOLDEN MARTIN RECORD 12 J. Martin Mayer Mayer Mayer Consulting Rastatter Str Pforzheim info@mayer.de Joggen, Fahrrad Ledig SUV, Metallic QUELLDATENSÄTZE A 113 M. Mayer Mayer Consulting Rastatter Str Pforzheim Joggen, Fahrrad B 76 Martin Maier Maier Consulting Rastatterstr Pforzheim Ledig C 986 Martin Mayer Mayer Consulting Rastatter Str. 13 Pforzheim info@mayer.de SUV, Metallic Seite 20 16/03/2016 UNISERV GmbH, Pforzheim

21 Der Golden Record als Unterbau Predictive Analytics Marketing Campaign Business Intelligence 5 Golden Profile 1 Interaction Data Customer Master Data bidirektional ETL Transaction Data Transformation Source ID to Golden Record ID SOCIAL MEDIA 360 VIEW GOLDEN PROFILE Golden Record 3 KAUFVERHALTEN 5 Golden Profile 4 Smart Customer MDM 4 ADRESSDATEN 1 VORLIEBEN Homepage Gewinnspiel Call CenterKAUFHISTORIE CRM n Systeme Mobile Social Seite 21

22 Martin kauft bei der Fahrzeug AG sein neues Auto Seite 22

23 Die richtige Qualität und Verfügbarkeit der relevanten Stammdaten Golden Customer Information Individuelle Ansprache Zufriedene Kunden Gesteigertes Markenimage Messbare Ergebnisse in $ Seite 23 16/03/2016 UNISERV GmbH, Pforzheim

24 VIELEN DANK FÜR IHRE AUFMERKSAMKEIT! Haben Sie Fragen? 15. März 2016 Sebastian Krebs, Uniserv GmbH Page