Systematisches Datenqualitätsmanagement im CRM

Transkript

1 Oracle CRM Day der DOAG Systematisches Datenqualitätsmanagement im CRM Wolfgang Leußer Lehrstuhl für ABWL und Wirtschaftsinformatik Katholische Universität Eichstätt-Ingolstadt

2 Lehrstuhl für Wirtschaftsinformatik - Prof. Klaus D. Wilde 1 Forschungsschwerpunkte Schnittstellen zwischen Marketing und Wirtschaftsinformatik IT-Unterstützung im Customer Relationship Management (CRM) Operatives CRM, v. a. Marketing Automation Analytisches CRM, v. a. Data Mining und Web Mining Wichtige Aktivitäten CRM-Symposien des FWI e. V. Best Practices im CRM CRM-Studie Gegenüberstellung aktueller CRM-Softwarelösungen

3 11. CRM-Symposium auf Schloss Hirschberg Best Practices im CRM am Dr. René Rentzmann, Deutsche Bank AG Inbound Customer Marketing bei der Deutschen Bank Dr. Markus Eberl, SPSS GmbH Software Kündigerprävention 2008: Wie sich Wechselbereitschaft früher und effizienter erkennen lässt Adolf Sattler, NÜRNBERGER Versicherungs-AG Wertorientiertes Kundenbeziehungsmanagement der NÜRNBERGER VERSICHERUNGSGRUPPE Dr. Jens Cornelsen, defacto research & consulting GmbH Kundenwert 2.0: Kunden-Empfehlungspotenzial im Fokus Norbert Paulus, HSE24 Home Shopping Europe GmbH Multichannel-Ansatz im Homeshopping bei HSE24 Programm und Anmeldung unter: Nächstes Symposium am

4 Nutzung und Nutzer von Daten definieren das Qualitätsniveau 3 Einsatzzweck Ableitung Anforderungen Formulierung Regeln Messung Qualitätsniveau Beispiel: Korrekte Kundenadressen PLZ = fünfstellig, numerisch Adresse = aktuell 85 % korrekte Kundenadressen data to be of high quality if they are fit for their intended uses in operations, decision making and planning. Juran, J.M.; Godfrey, B. (1999): Juran's Quality Handbook, 5. Aufl., New York u. a., S. 22. Der Begriff Datenqualität wird im Folgenden gleichbedeutend verwendet sowohl für Daten- wie für Informationsqualität.

5 Beispielprozess: Kampagnenmanagement 4 Die Aufgabe des Kampagnenmanagements liegt darin, dem richtigen Kunden, das richtige Informations- und Leistungsangebot, im richtigen Kommunikationsstil, über den richtigen Kommunikationskanal, zum richtigen Zeitpunkt zu vermitteln und dadurch Erfolgsleistungen des Kunden bzw. des Kundenstamms (bei gegebenen Ressourcen) zu maximieren. Hippner, H.; Rentzmann, R.; Wilde, K.D. (2006): Aufbau und Funktionalitäten von CRM-Systemen, in: Hippner, H.; Wilde, K.D. (Hrsg.): Grundlagen des CRM, Wiesbaden, S. 54.

6 Beispielprozess: Datenerfassung und Datennutzung im Kampagnenmanagement 5 Kundenhistorie Kaufverhalten Externe Daten Bestimmung der Zielgruppen Zielgruppen Kampagnendaten Erfassung des Kampagnenplans Erfassung der Erkenntnisse als Basis zukünftiger Aktionen Kampagnenplanung Kundendaten Adressdaten Erfolgreiche und nicht erfolgreiche Zielgruppen Analyse des Kampagnenerfolgs Zielgruppeninformationen Kundenreaktion Kaufverhalten Kampagnendurchführung Kampagnenanalyse Kampagnenreporting Nutzung zur personalisierten Kundenansprache Kundenreaktion Kaufverhalten Aktuelle Kundendaten Erfassung im Rahmen des Kundenkontakts

7 Beispielprozess: Typische Datenqualitätsprobleme 6 Kundendaten veraltet Wichtige Daten fehlen Kunden mehrfach erfasst Daten nicht zugänglich Daten inkonsistent Bestimmung der Zielgruppen Erfassung des Kampagnenplans Plan und Ist-Start der Kampagne nicht dokumentiert Erfassung der Erkenntnisse als Basis zukünftiger Aktionen Analyse des Kampagnenerfolgs Kampagnendurchführung Kampagnenanalyse Kampagnenreporting Kampagnenplanung Adressdaten veraltet Adressdaten nicht vorhanden Nutzung zur personalisierten Kundenansprache Kundenreaktion nicht dokumentiert Neue Kundendaten nicht erfasst Erfassung im Rahmen des Kundenkontakts

8 Systematisierung der auftretenden Datenqualitätsprobleme 7 Design Interpretierbarkeit Semantik Identifizierbarkeit Vereinheitlichung Abbildung des zeitlichen Bezugs Fehlende Werte Zweckbezogene Nützlichkeit Vollständigkeit Erforderlichkeit Granularität Präzision der Wertebereichsdefinitionen Glaubwürdigkeit Ausführung Inhaltliche Korrektheit Eindeutigkeit System Vollständigkeit Verfügbarkeit Syntaktische Korrektheit Zeitlicher Bezug Nützlichkeit Zeitliche Verfügbarkeit Widerspruchsfreiheit Aktualität Relevanz Systemverfügbarkeit Datenherkunft Zeitliche Konsistenz Zeitliche Ausdehnung Transaktionsverfügbarkeit Zuverlässigkeit Nicht-Volatilität Präzision Zugriffsrechte In Anlehnung an Helfert, M. (2002): Proaktives Datenqualitätsmanagement in Data-Warehouse-Systemen: Qualitätsplanung und Qualitätslenkung, Berlin, S. 84.

9 Folgen von Datenqualitätsproblemen 8 Kundenfokus: Entgangener Ertrag durch falsche Zielgruppen Kundenbeschwerden und Kundenunzufriedenheit Vertrauensverlust des Kunden gegenüber dem Anbieter Unternehmensfokus: Zusätzliche Kosten zur Prüfung und Korrektur Unzureichende Prozessunterstützung Fehlerhafte Entscheidungsgrundlagen Sinkendes Vertrauen in das CRM Zusätzliche Kosten und entgangene Erträge

10 TDQM-Cycle als abstrakter Ausgangspunkt unserer Überlegungen Define Measure TDQM Cycle Improve Analyze Wang, R.Y.; Ziad, M.; Lee, Y.W. (2001): Data quality, Norwell, S. 5. 9

11 Systematisches Datenqualitätsmanagement als Basis einer nachhaltigen Qualitätssteigerung 10 Planung DQM-Basis Strategische DQM-Ebene Durchführung Designverbesserung Taktischer DQM-Prozess Planung Designanalyse Kontrolle Verbesserung Messung DQM-Reporting Analyse Operativer DQM-Prozess Quelle: In Anlehnung an Hippner, H.; Wilde, K.D. (2007): CRM im Wandel Entwicklungen einer IT-gestützten Unternehmensphilosophie, in: Gouthier, M.H.J.; Coenen, C.; Schulze, H.S.; Wegmann, C. (Hrsg.): Service Excellence als Impulsgeber: Strategien Management Innovationen Branchen, Wiesbaden.

12 Welche Maßnahmen können nun konkret eine Steigerung des Qualitätsniveaus bewirken? 11 Aus Fehlern lernen und Fehlerursachen beseitigen Fehler und deren Folgen beheben, also Fehlermanagement Proaktive Maßnahmen Reaktive Maßnahmen Wie z. B.: Beseitigung redundanter Datenerfassung und -haltung Optimierung der Prozesse Intelligente Daten-Prüfung bereits bei der Erfassung Interne Kundenorientierung für Informationen Begleitende Maßnahmen Wie z. B.: Data Profiling und kontinuierliche Messung der Datenqualität Einführung einer Data Governance Wie z. B.: Regelmäßige Adressdatenaktualisierung Erkennung und Zusammenführung von Dubletten Datenanreicherung aus externen Quellen Regelbasierte Datenbereinigung im Rahmen der ETL-Prozesse

13 Unterschiedliche Gewichtung von Verbesserungsmaßnahmen notwendig 12 Proaktive Maßnahmen Vermeidung von Fehlern bei der zukünftigen Erfassung, Verarbeitung oder Nutzung von Daten Einsatzbereich: Langfristige Verbesserung des Datenqualitätsniveaus Bekämpfung des Übels an der Wurzel Reduzierung der Kosten aus Datenqualitätsmängeln Reaktive Maßnahmen Daten sind bereits erfasst Nachlaufende Korrektur von Daten Laufende Kosten für Bereinigung Einsatzbereich: Hohe Bedeutung der Daten Verbesserung durch proaktive Maßnahmen nur langsam oder zu teuer Umsetzung möglich, Referenzdatenquelle vorhanden

14 Zusammenspiel von reaktiven und proaktiven Maßnahmen 13 Wiederkehrender Einsatz reaktiver Maßnahmen auf den Datenbestand Vorhandene, fehlerhafte Daten Einmaliger Einsatz reaktiver Maßnahmen Bereinigte Daten Kontinuierliche Messung der Datenqualität Erfassung neuer Daten Verhinderung der Verschmutzung des Datenbestandes durch proaktive Maßnahmen Optimierung der proaktiven Maßnahmen

15 Qualität kommt von Qual Felix Magath 14

16 Kontaktdaten Wolfgang Leußer Lehrstuhl für ABWL und Wirtschaftsinformatik Auf der Schanz Ingolstadt Tel.: 0841 / Fax.: 0841 /