Wie wichtig ist eine gute Datenqualität für Unternehmen?
In der heutigen Zeit ist die Bedeutung von Daten in fast jedem Bereich des Lebens nicht mehr wegzudenken. Unternehmen sammeln Daten über ihre Kunden und Märkte, Regierungen sammeln Daten über die Wirtschaft und die Bevölkerung, Wissenschaftler sammeln Daten über alles Mögliche, von der menschlichen Gesundheit bis hin zum Klimawandel. Daten sind eine wertvolle Ressource, die genutzt werden kann, um fundierte Entscheidungen zu treffen und Probleme zu lösen. Allerdings ist es wichtig zu verstehen, dass eine gute Datenlage entscheidend ist, bevor diese genutzt werden können.
Von Big Data zur Datensegmentierung: Schritt für Schritt zu smarten Daten
- Zentralisierte Datensammlung: Ein erster Schritt von Big Data zu Smart Data
- Zwei Ansätze zur Erreichung hoher Datenqualität
- Voraussetzungen einer guten Datenbasis: Korrekte, vollständige und aktuelle Daten
- Globale KPIs und Use Cases relevant für Ableitung wichtiger Merkmale
- Differenzierung in lokale und globale Informationen erleichtert Gewichtung der Daten
- Beispiel Hotellerie: Ein globales Gastprofil pro Gast als Ziel
- Datensegmentierung: Potential bei schlechten und mittleren Zahlen erkennen und vorantreiben
- RFM-Methode vereinfacht Segmentierung
Zentralisierte Datensammlung: Ein erster Schritt von Big Data zu Smart Data
Zuallererst muss hier differenziert werden. Eine zentralisierte Datensammlung ist durchaus Grundlage für die Analyse, aber das Sammeln von “Big Data” ist nur der erste Schritt. Essentiell ist es, die Daten gegenseitig in Relation zu stellen und letztendlich auch zusammenzufassen. Damit das aber passieren kann, muss die Datenbasis auch möglichst gut sein. In der Realität ist das nicht immer durchführbar, aber der qualitativ hochwertige Teil der Datenbasis sollte überwiegen.
Zwei Ansätze zur Erreichung hoher Datenqualität
Aber wo und wie kann eine gute Datenqualität erreicht werden? Hier gibt es zwei Ansätze: Der erste Ansatz spielt sich natürlich in der lokalen Datenquelle ab. In einem perfekten Szenario sind die Informationen bei der Datenerfassung (ob manuell oder automatisiert) vollständig erfasst. Natürlich lässt sich das in der Realität nicht immer erreichen, aber Unternehmen sollten immer ein möglichst perfektes Szenario forcieren. Zudem kann die Qualität auch auf globalem Level, im CRM, durch verschiedene Maßnahmen erhöht werden.
Ein weiterer wichtiger Punkt, den Unternehmen berücksichtigen müssen: Daten sind nicht immer einfach zu sammeln. Daten können aus vielen verschiedenen Quellen stammen, und jede Quelle kann ihre eigenen Herausforderungen mit sich bringen. Zum Beispiel können Unternehmen Schwierigkeiten haben, genaue Daten über ihre Kunden zu sammeln, wenn diese nicht bereit sind, ihre persönlichen Informationen zu teilen.
Voraussetzungen einer guten Datenbasis: Korrekte, vollständige und aktuelle Daten
Eine gute Datenbasis bedeutet, dass die Daten
- korrekt,
- vollständig und
- aktuell sind.
Ohne diese Eigenschaften können Daten wertlos oder sogar schädlich sein. Wenn Daten falsch oder unvollständig sind, können sie zu falschen Schlussfolgerungen führen, die zu falschen Entscheidungen und Handlungen führen können.
Doch worin besteht nun der Benefit, wenn man nach all dem Sammeln von (guten) Daten einen großen Big Data Lake besitzt? Dieser Vorteil ergibt sich erst, wenn die Daten entsprechend aufbereitet wurden.
Globale KPIs und Use Cases relevant für Ableitung wichtiger Merkmale
Oftmals ist es ein Problem, aus allen Daten die wichtigen Merkmale abzuleiten. Daher empfiehlt es sich gerade im CRM-Kontext, die globalen KPIs zu definieren. Bevor man an Themen wie Integration und Mapping arbeitet, sollte darüber Klarheit herrschen, welche Informationen aus den jeweiligen Datenquellen eine Relevanz für globale Analysen und Ableitungen haben. Damit eine solche Entscheidung getroffen werden kann, sollten Unternehmen die globalen Use Cases kennen.
Differenzierung in lokale und globale Informationen erleichtert Gewichtung der Daten
Welche Informationen sind wichtig, um dem Unternehmen weiterzuhelfen? Darauf aufbauend können die liefernden Datenquellen entsprechend in lokale und globale Informationen differenziert werden. Dieses Vorgehen verhindert es, unnötigen Informationsballast in das CRM fließen zu lassen. Auch vereinfacht dieses Vorgehen die spätere Konfiguration der Integration beziehungsweise der Schnittstellen.
Entgegen der Vorgehensweisen „Share nothing“ und „Share everything“ sollten wir viel eher von „Share relevant“ reden. Hier unterscheidet sich auch die Definition von Big Data und CRM.
Beispiel Hotellerie: Ein globales Gastprofil pro Gast als Ziel
Eine weitere Kür besteht darin, die gesammelten Daten nicht nur in Relation zu setzen, sondern diese dann auch bestmöglich zusammenzufassen. “Wer” oder “Was” sind die Top Treiber im Prozess? Ein Beispiel ist die Hotellerie:
In einer Hotelkette kann ein Gast in mehreren Hotels übernachtet haben, aber es werden immer nur die jeweiligen Hotel-Profile mit den Umsätzen und Präferenzen gesammelt. Im Big-Data-Kontext bedeutet das, dass im System mehrere Profile mit den Merkmalen derselben Person hinterlegt sind. Im Idealfall gelingt es, gleiche Gastprofile zu einem globalen Profil zusammenzufassen, um anschließend die Summe aus allen Einzelaktionen des Gastes auswerten zu können. Auch wird dadurch die Interaktion mit dem Gast einfacher und wertvoller.
Erreicht wird dieses Ziel, indem die Profile mit Methoden wie “Promotion”, “Assignment” und “Field Weight Matching” erstellt und angereichert werden. Hier hilft ein Set an Automatisierung, um aus den vielen Informationen die relevantesten abzuleiten, und wenn möglich, eine Anreicherung stattfinden zu lassen. Auch das Eliminieren von Dubletten ist extrem hilfreich, um den Single Point of Truth zu gewährleisten. Dadurch wird es in der Folge einfacher, die Qualität der Daten auf globalem Level zu forcieren.
Datensegmentierung: Potential bei schlechten und mittleren Zahlen erkennen und Optimierungsstrategien ableiten
Wie geht es nun mit den neu formatierten Daten weiter? Wenn bis hierhin alle Schritte befolgt wurden, sind die Daten jetzt dazu geeignet, um Reporting, BI, Campaigning oder Kundenbindung (Loyalty etc.) zu betreiben. Noch einen Schritt weiter kommen Unternehmen, wenn sie die zusammengefassten Daten segmentieren.
Denn aus den Daten ableiten zu können, welcher Kunde oder welches Produkt den meisten Umsatz generiert, ist zwar hilfreich – der größte Nutzen in der Datenanalyse liegt aber woanders. Um langfristig zu arbeiten, ist es genauso wichtig zu sehen, wo die mittleren und schlechten Zahlen vorhanden sind, wie sich diese zusammensetzen und Strategien abzuleiten, diese Zahlen auch ins bessere Segment zu hieven.
RFM-Methode vereinfacht Segmentierung
Gut zusammengetragene Daten liefern Erkenntnisse über mehrere Dimensionen. Die RFM-Methode (Recency, Frequency, Monetary) zum Beispiel liefert Einblicke bzgl. der Fragen “Wann?”, “Wie häufig?” und “Wann zum letzten Mal?". Die Kombination aus diesen Fragen ergibt dann die jeweiligen Segmente, die jedes Unternehmen für sich und seine Bedürfnisse individuell definieren sollte.
Das ist nur eines von vielen Beispielen, wie ein CRM dabei helfen kann, das operative Geschäft zu verstehen und ableiten zu können. Eines bleibt aber sehr deutlich – um diese Mittel einsetzen zu können, ist und bleibt es wichtig, schon bei der ersten Möglichkeit die Datenqualität im Blick zu haben, denn je besser diese ist, desto besser lassen sich die Werte später interpretieren.
Sie möchten mehr darüber erfahren, wie Ihnen ein CRM dabei helfen kann, Gästedaten zusammenzufassen und Potentiale zu erkennen? Gerne helfen wir Ihnen mit unserer Lösung für die Hotelbranche weiter.
