Kennen Sie Ihren Datenbestand?
Haben Sie einen Überblick darüber, welche Daten in Ihrem Unternehmen existieren? Kennen Sie die typischen Herausforderungen, die unterschiedliche Datenarten an Ihre Organisation stellen? Wissen Sie, wie Sie diese gekonnt meistern, um den maximalen Nutzen aus Ihren Daten zu generieren? Im nachfolgenden Beitrag stellen wir Ihnen die verschiedenen Datenarten vor und zeigen auf, wie Sie das Potenzial dieser Daten optimal nutzen.
Der Kunde ist König – das gilt auch für seine Daten.
Enge Kundenbeziehungen und der korrekte Umgang mit Kundendaten sind in Zeiten der DSGVO besonders wichtig. Achten Sie deshalb auf transparente Erhebungsverfahren, eine auditfähige Dokumentation und eine hohe Datenqualität in Ihren CRM-Systemen. Je besser die Qualität Ihrer Kundendaten, desto effektiver können Sie Ihre Marketingkampagnen ausspielen.
Lesen Sie Ihren Kunden ihre Wünsche von den Lippen ab, ermöglichen Sie eine korrekte persönliche Ansprache, denken Sie an Ihre Kunden zum Geburtstag und unterstützen Sie sie bei Problemen mit einer zügigen einfachen Lösung. Darüber hinaus sind gut gepflegte Kundendaten die Basis für Ihre Kundenanalyse und Kundenwertberechnung.
Typische Herausforderungen in Bezug auf Kundendaten
Syntaktisch inkonsistente Daten
Fehlende Kontakt- oder Adressdaten
Fehlender Abgleich zwischen Kundenverwaltungs- und Abrechnungssystem
Eliminierung von Dubletten
Plausibilisierung und Validierung der Daten
Lösungsansätze für die Optimierung der Datenqualität bei Kundendaten
Qualitätsprüfung der Kundendaten bei der Eingabe
Anreicherung von Datenbeständen
Zugriff auf Open Data zur Gewinnung neuer Informationen
Validierung von Adressdaten
Einsatz von Softwaretools zur Ermittlung eines einheitlichen Kundendatenbestandes (Golden Records)
Große und kleine E-Commerce-Händler stehen vor dem gleichen Problem: Lieferantendaten
Um ihre Shops mit Produkten zu füllen, müssen sie große Datenmengen aus vielen verschiedenen Quellen verarbeiten. Insbesondere die Bereitstellung und Aktualisierung von Produktdaten ihrer Lieferanten führt zu hohem Aufwand in der Aufbereitung der Daten. Häufig steht ein ganzes Team von Kategoriemanagern bereit, die die Daten manuell überprüfen und korrigieren, um sie an ihre Ziel-ERP-, Shop- oder PIM-Systeme weiterzuleiten. So geben Unternehmen ihr Bestes, um den hohen Erwartungen ihrer Kunden gerecht zu werden: eine reibungslose Nutzererfahrung (z. B. perfekte Suchergebnisse) und Kaufabwicklung (korrekter Versand) – beides abhängig von maximaler Datenqualität.
Typische Herausforderungen in Bezug auf Lieferantendaten
Vielzahl von Lieferanten und Logistikpartnern mit unterschiedlichen Datenformaten, -strukturen und -schnittstellen
Unterschiedliche Informationsqualität aufgrund fehlender Standards
Aufwändige Datenübernahme und Integration in das Warenwirtschaftssystem
Manuelle Bereinigung der Daten
Hohe Anforderungen des Kunden an die Datenqualität Aktualität & Korrektheit
Lösungsansätze zur Optimierung der Datenqualität von Lieferantendaten
Schaffung einer einheitlichen Referenzdatenstruktur
Regelbasierte Textgenerierung
Definition von Quality Gates
Schaffung von Schnittstellen zu Standardsystemen
Einsatz von Softwaretools zur automatisierten Datenübernahme und Datenqualitätsprüfung
Produkt- und Materialdaten
Die Effizienz des Supply Chain Managements steht und fällt mit dem Waren- und Informationsfluss. Nur zuverlässige Produkt- und Materialdaten garantieren eine reibungslose Supply Chain sowie ein valides und performantes Reporting. Uneindeutige Daten hingegen, wie z.B. Dubletten, führen zu Fehlbeständen und verfälschen Inventurergebnisse. Darüber hinaus verhindern sie die Nutzung von Einsparpotenzialen durch höhere Einkaufsvolumina im Einkauf, erzeugen Kapitalbindung sowie erhöhte Prozesskosten.
Typische Herausforderungen in Bezug auf Produkt- und Materialdaten
Falsche Dispositionsparameter: Losgrößen, Meldebestände, Abschläge, Mengen
Falsche Sicherheitsbestände und Wiederbeschaffungszeiten
Dubletten (mehrdeutige Daten)
Dummys
Artikelgruppenzuordnung
Klassifizierungsprobleme
Wertprüfungen
Verantwortlichkeiten bei der Dateneingabe und -pflege
Lösungsansätze für die Optimierung der Datenqualität bei Produkt- und Materialdaten
Schaffung einer einheitlichen Stammdatenstruktur
Schaffung eines abteilungs- oder unternehmensweiten Regelwerks zur Datenprüfung
Integration der DQ-Prüfung in bestehende Freigabe-Workflows
Zuweisung von Aufgaben zur Datenbereinigung an Fachabteilungen (z.B. Lager)
Einsatz von Softwaretools zur Kennzeichnung von Dummys und zur Ermittlung eines einheitlichen Materialstamms (Golden Records)
Technisch-infrastrukturelle Daten
Eine organisationsweite Sicht auf die vorhandenen technisch-infrastrukturellen Daten ist der Ausgangspunkt für ein serviceorientiertes IT-, Facility- und Organisationsmanagement. Technisch-infrastrukturelle Daten fassen Datenbestände aus den Bereichen der Instandhaltung, des Gebäudemanagements aber auch der Informationstechnologie zusammen. Dazu gehören u.a. Gebäudepläne, Raumdaten, Verkabelungspläne, Lagerkapazitätspläne oder Anlagen- und Infrastrukturausstattungen von Gebäuden. Die Optimierung der Datenqualität führt zu einer vereinfachten Rechnungsprüfung und Weiterverrechnung. Darüber hinaus schafft sie die Grundlage für Kostencontrolling und Nachlizenzierung.
Typische Herausforderungen bei technisch-infrastrukturellen Daten
Fehlende Übersicht - „Wildwuchs“ von Excel-Listen
Fragwürdige Aktualität der Datenbasis (Daten veralten schnell)
Vielzahl automatisiert erzeugter Daten, insbesondere bei Maschinendaten
Häufig numerische Erfassung ohne klare Struktur und Semantik
Redundante Daten in verschiedenen Formaten
Lösungsansätze zur Optimierung der Datenqualität bei technisch-infrastrukturellen Daten
Abbildung eines Referenzdatenmodells als Basis
Schaffung eines einheitlichen Verzeichnisses über alle Datenquellen (auch Excel)
Indizierte Volltextsuche über den gesamten Datenbestand
Zugriffs- und Werteregelungen für von Mitarbeitern gepflegte Daten
Anbindung an SCCM und DMS-Systeme
Anbindung an Active Directory und Nameserver (z.B. LDAP)
Technische Unterstützung bei der Datenkonsolidierung durch Workflow-Prozesse und Einbindung von Mitarbeitern
Der Schlüssel zu einer effektiven Logistik- und Ressourcenplanung: Geodaten
Als Daten mit direktem oder indirektem Bezug zu einem bestimmten Ort oder geografischen Gebiet dienen sie der genauen Lokalisierung. Sie beschreiben somit ein Objekt direkt (über Koordinaten) oder indirekt (z.B. über die Postleitzahl), eine Landschaft oder seine Lage im Raum. Geodaten können über ihren Raumbezug miteinander verknüpft werden, um detaillierte Abfragen und Analysen zu ermöglichen. Ihr Nutzen liegt in der exakten Routenplanung und der Vermeidung von Umwegen. Darüber hinaus können sie zur Visualisierung von Primärdaten (Kunden- oder Materialdaten) genutzt werden.
Typische Herausforderungen bei Geodaten
Fehlerhafte Geobasisdaten wie Koordinaten (X/Y-Werte)
Fehlerhafte Zuordnung von Geobasisdaten zu Attributen/Metabeschreibungen (z.B. POI)
Fehlerhafte Metadatenbeschreibungen (Verwendung einer Parzelle)
Konzeptuelle, formale, wertmäßige, topologische und geometrische Konsistenz
Positionsgenauigkeit (intern + extern) und Rasterdatengenauigkeit
Zeitliche Genauigkeit
Klassifizierung von Geodaten
Lösungsansätze zur Optimierung der Datenqualität für technisch-infrastrukturelle Daten
Integration von Geoinformationssystemen (GIS)
Berücksichtigung der Mehrdimensionalität der Daten 2D / 2.5D / 3D / 4D
Validierung und Anreicherung von Geodatenbeständen durch Open-Source-Daten
Ein spezifisches Problem betrifft alle Arten von Daten. Fast alle Datenlandschaften weisen einen gewissen Anteil an Dubletten auf. Dabei handelt es sich um nicht eindeutige Datensätze, die zum Teil in mehreren Datenbanksystemen gespeichert sind. Zur Identifikation und Bereinigung von Dubletten wird idealerweise ein Softwaretool eingesetzt. Dieses überprüft Ihren gesamten Datenbestand über alle Systeme hinweg anhand konfigurierbarer Kriterien. Die Bereinigung erfolgt anschließend automatisch oder der Anwender wird in einem einfachen Prozess durch die manuelle Bereinigung geführt. Als Ergebnis erhalten Sie einen Datensatz - den sogenannten Golden Record - in dem die Daten aller Dubletten korrekt und vollständig zusammengeführt wurden.
