Customer Data Stories

Jürgen Brunner, Senior Account Manager bei Uniserv, und Walter Eichhorn, Digitaler Humanist, sprechen in der zweiten Folge über Daten, die entsprechende Aufmerksamkeit brauchen, hinsichtlich ihrer Qualität und Nutzbarkeit. Damit sind Daten die Grundlage für eine erfolgreiche digitale Transformation in Handel und E-Commerce.

Jürgen Brunner, Senior Account Manager bei Uniserv, und Walter Eichhorn, Digitaler Humanist, sprechen über die aktuelle Situation des Handels im Kontext der Megatrends Digitalisierung, Klimaschutz und Nachhaltigkeit. Sie zeigen auf, wie die Systemtheorie dem Handel helfen kann, sich anzupassen. Die Systemtheorie verallgemeinert Erkenntnisse über biologische Organismen und macht sie, im Sinne einer Analogie, auf Unternehmen als soziale Organismen anwendbar. Damit eröffnen sich neue Denk- und Handlungsmöglichkeiten für die digitale Transformation von E-Commerce und Handel.

E-Commerce als strategischer Prozess braucht Daten von höchster Qualität, um Prozesse zielführend zu digitalisieren. Nicht nur in Pandemiezeiten ist e-Commerce ein strategischer Prozess.

Stammdaten sind ein zentrales Asset innerhalb eines Unternehmens. Sie sind als wertvolles Unternehmensgut zu betrachten. Stammdatenmanagement, in englischer Sprache Master Data Management, mein das Arbeiten mit diesen Stammdaten, in einer Form, die die Qualität der Daten von Businesspartnern optimiert. Businesspartner können dabei alle Vertreter des kommunikativen Eco-Systems eines Unternehmens sein, z. B. Kunden, Interessenten, aber auch Lieferanten oder Dienstleistungspartner. Je Branche zählen zum Beispiel auch Patienten dazu oder so genannte Mandanten. Die vorliegende Episode offeriert fünf zentrale Tipps, um das Arbeiten mit Stammdaten, also das Stammdatenmanagement, stressfrei zu gestalten.

In der aktuellen Uniserv-Trendstudie Kundendatenmanagement 2019 haben über 90 Prozent der Teilnehmer der Datenqualität eine eher hohe bzw. hohe Bedeutung zu gewiesen. Ein Wert, ähnlich hoch wie in der Umfrage 2018.

Damit die Daten dieser hohen Bedeutung in den Unternehmen praktisch aller Branchen auch gerecht werden können, müssen Sie in qualitativ hochwertiger Form vorliegen.

Damit die Daten dieser hohen Bedeutung in den Unternehmen praktisch aller Branchen auch gerecht werden können, müssen Sie in qualitativ hochwertiger Form vorliegen.

Obwohl es laut der aktuellen Trendstudie verschiedenste Gründe für das Nicht-Optimieren der Datenqualität gibt, wie beispielsweise fehlende Kapazitäten, andere Prioritäten oder auch fehlendes Bewusstsein, ist die Umkehr gar nicht so schwierig, wie oft angenommen wird.

Jetzt Podcast anhören [Link]

Zum einen muss ein Datenqualitätsprojekt kein Alles-oder-Nichts-Projekt sein, sondern kann kompakt und überschaubar starten. Ideal sind zu Beginn eine postalische Prüfung und ein Dublettencheck. Ggfs lässt sich auch mit einem DQ-Check starten.

Wichtig ist dann jedoch, im wahrsten Sinne des Wortes dran zu bleiben, den sprichwörtlichen „Schwung“ zu nutzen und die ersten Maßnahmen in einen kontinuierlichen und insbesondere ganzheitlichen Prozess innerhalb eines geschlossenen Kreislaufs, dem Closed Loop, zu überführen, bestehend aus Datenanalyse, Datenbereinigung, Datenschutz und Datenüberwachung.

Kunden erwarten heute im digitalen Zeitalter, dass Sie verstanden werden, dass beispielsweise bestellte Waren auch ankommen. Verärgerte Kunden hingegen sind schneller weg als man denkt. Denn der Wettbewerber ist nur den einen Mausklick entfernt.

In der aktuellen Uniserv-Trendstudie Kundendatenmanagement 2019 wurde erstmals der Status zur Customer Data Platform abgefragt. Dabei gaben 48 Prozent der Studienteilnehmer an, den Begriff Customer Data Platform, kurz CDP, bereits zu kennen. Eine CDP ist die Antwort auf eine fehlende, ganzheitliche Sicht auf alle Marketingdaten; sie konsolidiert branchenübergreifend alle für das Marketing relevanten Geschäftspartnerinformationen zu einer umfassenden 360-Grad-Sicht auf der Basis von Golden Profiles. Gestützt auf die Daten aus einer CDP sind Marketers in der Lage, ihre Kunden und Geschäftspartner personalisiert anzusprechen, für eine positive Customer Experience innerhalb der individuellen Customer Journey. Über die Konsolidierung der Daten entsteht – gestützt auf sogenannte Golden Profiles – eine solide, verlässliche Datenbasis (Ground Truth). Zugrunde liegen im Kern Golden Records, als die sprichwörtliche „Mutter aller Stammdatensätze“. Ergänzt um Bewegungsdaten, also Transaktions- und Interaktionsdaten, entstehen die Golden Profiles als wirkliche 360-Grad-Sicht. Nur so kann aus Daten verdichtetes Wissen abgeleitet werden, das in Marketing oder aber auch in der IT (hier: MDM) sowie weiteren Bereichen, Anwendungen und Use Cases, in denen eine konsolidierte Datenbasis notwendig ist, für die nötige Klarheit sorgt, um beispielsweise im Rahmen von Predictive Analytics entsprechende Handlungsempfehlungen zu geben. Denn Daten sind ein wesentlicher Teil des Wertschöpfungsprozesses. Nur in vertrauenswürdiger Form werden sie dieser Bedeutung gerecht.

Das professionelle Management von Geschäftspartnerdaten hat für und in den Unternehmen eine hohe Bedeutung. Diese wird auch weiter zunehmen. Damit Kunden in diesem Kontext von neuesten Technologien wie Künstlicher Intelligenz (KI) und Machine Learning (ML) profitieren, pflegt Uniserv seit Jahren intensive Kontakte zu Hochschulen, Wissenschaft und Forschung, beteiligt sich unter anderem an Hackathons oder Forschungsprojekten. Entsprechend ist der Open-Innovation-Ansatz bei Uniserv im Geiste von Tradition und Innovation strategisch verankert.

Künstliche Intelligenz und Machine Learning können, wenn sie richtig eingesetzt werden, helfen, Geschäftspartnerdaten noch wertvoller zu machen. Denn hochwertige Geschäftspartnerdaten sind mit das Wertvollste, über was ein Unternehmen verfügen kann. Sie bilden den Schlüssel zum Verständnis von Kunden und Geschäftspartnern, und damit für eine personalisierte Ansprache innerhalb der Customer Journey.

Um gezielt in KI und ML einzusteigen, braucht es allerdings in aller erster Linie einen Use Case, der einen echten Mehrwert bietet und auch machbar ist. „Pragmatisch“ heißt das Zauberwort – das Periodensystem der KI von Bitkom e.V. kann eine erste gute Orientierung für den Einstieg geben. Dabei gilt immer, zielgerichtet vorzugehen, und sowohl Daten als auch Prozesse als auch technische Lösung im Blick zu halten, denn Hoffnung ist keine Taktik, weil: Garbage in, Garbage out!

In der aktuellen Uniserv-Trendstudie Kundendatenmanagement 2019 wurden – erneut – unvollständige, doppelt oder mehrfach vorhandene sowie veraltete Daten als häufigste Symptome schlechter Datenqualität benannt. Die Folgen dieser Symptome sind vielfältig und münden beispielsweise im Handel in eine verspätete Lieferung oder Nicht-Zustellung. Im Logistikbereich kann vielleicht nicht die richtige Adresse als Zustell- oder Lieferort gefunden werden. Im Bankenbereich gehen Kreditkarte und PIN möglicherweise an die falsche Anschrift. All dies führt im Weiteren zu hohen Kosten, ganz zu schweigen von Imageschäden.

Die Gründe für diese Symptome schlechter Datenqualität sind vielfältig. Häufig anzutreffen, das hat die aktuelle Trendstudie Kundendatenmanagement bestätigt, sind fehlende Kapazitäten in den Fachabteilungen, andere Prioritäten, fehlende technische Möglichkeiten, die Datenhaltung in Silos sowie fehlende Abstimmung zwischen Abteilungen und der Mangel an integrierten Prozessen.

Wenn Unternehmen jedoch einige grundlegende Regeln beherzigen, kann hier sehr schnell und gleichzeitig effizient gegengesteuert werden. Im Kern geht es darum, einen ganzheitlichen Ansatz im Unternehmen zu wählen, der alle Abteilungen und Verantwortlichen einschließt und abholt; am besten mit Unterstützung des Managements. Des Weiteren ist zu realisieren, dass Datenqualität keine einmalige Aktion, sondern ein permanenter Prozess ist. Warum ist gerade die Kontinuität so wichtig? Daten altern! Durch rund acht Millionen Umzüge jährlich, durch Eingemeindungen oder auch Straßen- und Ortsumbenennungen sowie auch Sterbefälle. Das ist wie Rudern gegen den Strom. Sobald man aufhört, treibt man zurück.

Wichtig ist in diesem Zusammenhang auch zu verstehen, dass Datenqualität in einem geschlossenen Kreislauf (Closed Loop) einzurichten ist. Das einmal erreichte Qualitätsniveau bleibt dabei erhalten, wenn die vier Elemente Datenanalyse, Datenbereinigung, Datenschutz und Datenüberwachung verankert sind.

In der Analyse wird der Status der Datenqualität ermittelt. Mit der Bereinigung werden die zuvor in der Analyse festgestellten Mängel beseitigt. Anschließend geht es darum, die Qualität zu halten. Unter dem Motto „Vertrauen ist gut, Kontrolle ist besser“ verhindert die Überwachung die schleichende Verschmutzung eines Datenbestandes.

Mit der Performance und Effizienz ihres eigenen Kundendatenmanagements zeigten sich in der Uniserv-Trendstudie Kundendatenmanagement 2019 beachtliche 62 Prozent der Teilnehmer unzufrieden; 2018 lag der Wert sogar bei 66 Prozent. Man kann also fast schon von einem Dauerbrenner sprechen. Die Gründe für die anhaltende Unzufriedenheit liegen einerseits in den Daten selbst, aber auch in den Menschen, die mit diesen Daten arbeiten. Arbeit mit Daten bedeutet immer Pflege, Aufwand und Fleißarbeit. Daten sind dynamisch, sie verändern sich ständig, deswegen auch der permanente Pflegeaufwand. Haben Unternehmen dann auch noch keine Richt- oder Leitlinien, wir sprechen auch von Data Governance, ist die Unzufriedenheit vorprogrammiert.

Gegensteuern können Unternehmen insbesondere durch drei wesentliche Maßnahmen, nämlich Fehlervermeidung durch Automatisierung, Einheitlichkeit in den Systemen und messbare Standards in der Datenqualität. Entscheidend ist es also – zusammenfassend - eine vertrauenswürdige Datenbasis. Ein Customer Data Hub kann Wissen aus den Daten schaffen, um aus dieser verlässlichen Datenbasis die richtigen Schlüsse zu ziehen. Denn Daten sind ein wesentlicher Teil des Wertschöpfungsprozesses.

Künstliche Intelligenz und Machine Learning gewinnen in den Unternehmen immer mehr an Bedeutung. Doch bei aller Euphorie darf ein ethischer Umgang mit den zugrundeliegenden Daten sowie den Ergebnissen auf Basis einer Coporate Digital Responsibility nicht außer Acht gelassen werden.

In der aktuellen Trendstudie Kundendaten haben 25 Prozent der Studienteilnehmer angegeben, bereits Methoden und Techniken der Künstlichen Intelligenz und des Machine Learnings einzusetzen. Im Jahr zuvor lag dieser Wert noch bei 17 Prozent, also eine Zunahme um acht Prozentpunkte. Befördert hat diese Zunahme sicherlich insbesondere die öffentliche Diskussion, aber auch die Reife von Algorithmen und Technik sowie Verfügbarkeit der nötigen Daten.

Damit jedoch eine Künstliche Intelligenz vernünftige Ergebnisse im Sinne der Aufgabenstellung zurückliefert, müssen die Trainingsdaten der KI von angemessener Qualität sein. Ansonsten greift das alt bekannte Gesetzt „Garbage in, Garbage out“.

Doch es braucht auch – dringender denn je, das zeigen zahlreiche entsprechende Berichte – einen kritischen Blick auf KI, Algorithmen, Daten und Ergebnisse. Unternehmen sind deshalb gut beraten und für die Zukunft sicher aufgestellt, wenn sie sich selbst einer eigenen Corporate Digital Responsibility verpflichtet sehen, frei nach dem Motto „Verantwortungsvolles Handeln statt blindem Vertrauen“.