Hohe Datenqualität bei konsistentem Datenmanagement Kleiner Formatunterschied, große Auswirkung

Ein Gastbeitrag von Yvonne Röber*

Bei internationalen Industrieunternehmen ist die Datenhaltung oft regional und zudem meist noch in unterschiedlichen Systemen verteilt. Silotrennung, verschiedene Datenformate und -modelle führen zu einem Datendschungel. Wie können Unternehmen diesen beherrschen?

Anbieter zum Thema

Prozesse zur Datenpflege sollten kontinuierlich stattfinden und fest verankert sein, um den Datendschungel zu entwirren.
Prozesse zur Datenpflege sollten kontinuierlich stattfinden und fest verankert sein, um den Datendschungel zu entwirren.
(Bild: gemeinfrei / Pexels )

Doppelte und fehlerhafte Datensätze bei Geschäftspartner- und Kundendaten sind für Industrieunternehmen kein großes Drama, könnte man meinen – immerhin steht das Produkt im Vordergrund. Falsch gedacht! Schlechte Datenqualität wirkt sich negativ auf die Aussagekraft und Belastbarkeit der Daten aus, etwa bei der Absatz- oder Umsatzplanung. Da immer mehr Industrieunternehmen auch auf einen Vertrieb über den eigenen Webshop setzen, tritt die Relevanz hochwertiger Kundendaten noch mehr hervor: Gezielte Ansprache, individualisierte Angebote, reibungsloser Bezahlvorgang sowie Versand und Zustellung werden mehr und mehr zum Thema. Angesichts der aktuellen Lieferkettenschwierigkeiten haben Unternehmen bereits durch die von außen entstehenden Verzögerungen genug Probleme, Ihre Kund*innen zufriedenzustellen. Kommen dann noch selbst verursachte Verspätungen und Fehllieferungen durch falsche Adressierungen hinzu, kann das teure Folgen haben.

Derzeit ist das Datenmanagement für Industrieunternehmen jedoch noch eine Herausforderung: Bei einer Uniserv-Umfrage im Herbst 2020 unter Maschinenbauern und Industrieunternehmen schätzte fast die Hälfte der Befragten, also rund 44 Prozent, die Datenqualität in ihrem Unternehmen als „eher niedrig“ oder „sehr niedrig“ ein. Fast jedes zweite Unternehmen hat also eine minderwertige Datenbasis und kann nur begrenzt Mehrwert aus seinem Datenschatz ziehen. Woran liegt es, dass Industrieunternehmen noch immer gegen ein Datenchaos kämpfen müssen?

Ursachen schlechter Datenqualität

Einer der Hauptgründe für schlechte Datenqualität sind die verschiedenen Datensilos und die damit einhergehende fehlende Verknüpfung und Konsolidierung der Daten. Verschiedene Unternehmensbereiche, über die Zeit gewachsene IT-Strukturen, unterschiedliche Systeme, wie CRM, PIM und ERP – die Ursachen für Datensilos sind so bekannt wie vielfältig. Im Schnitt sind es in Unternehmen 23 Silos, wie eine IDC-Studie aus dem Vorjahr herausfand. Ohne eine entsprechende Konsolidierung der Daten riskieren Unternehmen unter anderem, doppelte oder mehrfache Datensätze zu führen. Bis zu 50 Prozent Dubletten oder mehrfache Datensätze können so in Kunden- und Geschäftspartnerdatensätzen vorhanden sein.

Bei weltweit agierenden Unternehmen kommen unterschiedliche Adressformate als weiterer Grund für fehlerhafte Datensätze und Dubletten hinzu. Das kann in einem Kundendatensatz etwa die Reihenfolge von Zip-Code und Postleitzahl und Städtenamen oder Hausnummer und Straße sein. Länder wie Frankreich haben außerdem einen zeilenweisen Adressaufbau, während etwa in Deutschland die Adressen feldweise strukturiert sind. Ist die Data Governance noch nicht konzernweit konsistent und es herrschen unterschiedliche Qualitätsstandards oder auch Regularien, führt das ebenfalls zu unterschiedlich gepflegten Datensätzen, die nicht kongruent sind. Zusätzlich kommen noch manuelle Eingabefehler hinzu. So kann etwa die Schreibweise von „Str.“ und „Straße“ oder „Müller“ und „Mueller“ dazu führen, dass Personen unbeabsichtigt doppelt angelegt sind. Auch funktioniert es nicht, eine zeilenweise Adresse in eine feldorientierte Maske einzugeben.

Systemwechsel oder Systemneuerungen, wie zum Beispiel von SAP R/3 nach SAP S4/HANA® erfordern gar eine Überarbeitung aufgrund des geänderten Datenmodells, denn die Daten lassen sich nicht ohne Vorarbeit übertragen. Das ist bei einem konzernweiten Wechsel schon ein bedeutsames Projekt. Richtig problematisch für die Datenqualität wird es allerdings, wenn etwa in Mutterkonzern und (einzelnen) Töchtern nicht gleichzeitig migriert wird, sondern unterschiedliche Release-Stände entstehen. Ein konsistenter Datenabgleich ist dann kaum machbar. Wie die Uniserv-Umfrage zeigt, stecken derzeit 44 Prozent der Maschinenbau-Unternehmen bereits in der Migration oder haben diese abgeschlossen – vor dem Hintergrund der eingangs erhobenen Einschätzung der schlechten Datenqualität ist das jedoch erschreckend. Schlechte Daten werden durch die Migration allein nicht besser. Im Gegenteil – ziehen Verantwortliche die minderwertige Datenbasis vom alten ins neue System mit um, birgt das sowohl unmittelbar als auch langfristig kostspielige Folgen für Unternehmen.

Schlechte Datenqualität verursacht Kosten

Wenn Kunden- und Geschäftspartnerdaten veraltet, falsch und fehlerhaft sind, können Unternehmen die Kund*innen und Geschäftspartner*innen nicht mehr eindeutig identifizieren. Eine ganzheitliche Sicht ist nicht möglich. Darunter leidet etwa der Kundenservice – und damit auch die Kundenzufriedenheit und -loyalität. Können Angebote nicht individuell angepasst werden oder ist die Ansprache falsch, sind Kund*innen und Geschäftspartner*innen schnell verprellt. Eine durchgängige Customer Journey lässt sich so nicht aufbauen.

Jetzt Newsletter abonnieren

Verpassen Sie nicht unsere besten Inhalte

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung.

Aufklappen für Details zu Ihrer Einwilligung

Fehlerhafte Adressdaten lassen Mailings oder Bestellungen ins Leere laufen und verursachen unnötig Aufwand, Porto und Retouren. Auch hier ist Unmut bei Kund* in und Geschäftspartner*in vorprogrammiert. Sind Vertragsdaten nicht eindeutig zuzuordnen und nicht abgeglichen, kann kaum Cross-Selling für neue Vertragsabschlüsse stattfinden.

Und: Werden auf Basis minderwertiger und fehlerhafter Daten relevante Geschäftsentscheidungen getroffen oder neue Geschäftsmodelle entwickelt, bedeutet dies ein immenses Risiko für den Erfolg des Unternehmens.

Kontinuierliche Pflege entwirrt den Datendschungel

Industrieunternehmen müssen ihre Kunden- und Geschäftspartnerdaten als Wissensschatz und Teil des Unternehmensvermögen betrachten. Und als wichtiges Rad im Getriebe, das den Unternehmenserfolg voranbringt. Prozesse zur Datenpflege sollten kontinuierlich stattfinden und fest verankert sein, damit eine hohe Datenqualität gewährleistet bleibt.

Eine einfache wie effektive Methode, die Adressdaten vor Eingabefehlern zu schützen, ist die Autovervollständigung. Sie sorgt in der Eingabemaske dafür, dass mit jedem eingegebenen Buchstaben immer passende Einträge vorgeschlagen werden, oder auch der Städtename nach der Postleitzahleingabe automatisch erscheint. Eine Adressvalidierung unterstützt bei der Sicherstellung der Datenqualität schon bei der Dateneingabe. Diese Tools helfen den Mitarbeitenden, die mit Kundendaten arbeiten, genauso wie Kund*innen selbst, etwa im Webshop oder beim Anfordern von Infomaterial. Positiver Nebeneffekt: Die Kundenzufriedenheit wird bei einfachen und unterstützenden Eingabemasken deutlich erhöht.

Etwas aufwendiger gestaltet sich die Aufbereitung der Datensätze im Zuge einer Systemumstellung oder -erneuerung. Wenn wie bei der Umstellung nach SAP S4/HANA ein neues Datenmodell zugrunde liegt, ist eine penible Vorbereitung der Datensätze genauso essenziell wie die richtige Migrationsstrategie. Werden hier fehlerhafte und minderwertige Datensätze ins neue System übertragen, kann sich keine maximale Wertschöpfung aus den Daten und aus der Lösung entwickeln. Zunächst gilt es, Dubletten und fehlerhafte Einträge zu bereinigen, falls dafür nicht wie oben beschrieben bereits ein kontinuierlicher Prozess etabliert ist. Veraltete und nicht mehr benötigte Daten kann abgeworfen werden. Im nächsten Schritt müssen die Datensätze in das neue Datenmodell mit seinem Format überführt werden. Im Falle von SAP S4/HANA etwa werden „Debitor“, „Kreditor“ und „Geschäftspartner“ zu einem einheitlichen Geschäftspartnerdatenstamm zusammengeführt.

Die Migrationsstrategie beeinflusst die Datenüberarbeitung ebenfalls, je nachdem ob sie schrittweise erfolgt oder die SAP-ERP-Suite komplett neu implementiert wird, oder, wie bei komplexen Bestandssystemen, System für System. Ein gründlicher Qualitätscheck und die Eliminierung von Altdaten sollten in jedem Fall vorab erfolgen.

Mehrwert der Daten

Vollständige und korrekte Datensätze sind also Grundlage und Fundament für funktionierende Geschäftsprozesse: Von der richtigen Kundenansprache zur Förderung der Loyalität, von der Vermeidung unnötiger Kosten bis hin zur Basis von Geschäftsentscheidungen – Daten sind ein kleiner, wenngleich wesentlicher Faktor zum Geschäftserfolg.

*Yvonne Röber ist Account Managerin bei Uniserv und beratende Branchenexpertin für die Industrie.

(ID:47910389)