Warning: Undefined variable $nextnotice in /home/clients/29bfdbcefa639a394817d3791bd6cada/sites/touchpoints.eu/wp-content/plugins/wp-ultimate-csv-importer/wp-ultimate-csv-importer.php on line 103
5 Dimensionen für mehr Datenqualität Mithilfe Z.B des Ishikawa Fischgrätenmodells - Touchpoints
Blog Post

5 Dimensionen für mehr Datenqualität Mithilfe Z.B des Ishikawa Fischgrätenmodells

Aus unserer Erfahrung auf Datenqualitätsprojekten kommt es immer wieder zur Diskussion, wie Datenqualität im Unternehmen verbessert werden kann.

Dabei hilft uns zur Veranschaulichung und zum Training das Modell vom Japaner Ishikawa, einer führenden Person zum Thema Qualitätsmanagement, der mit seinen Methoden vor allem die Autoindustrie geprägt hat.

Die Idee dahinter ist, dass die die wichtigsten Probleme, die es zu beseitigen gilt, am Anfang gelistet werden. “Der Fisch stinkt am Kopf zuerst”.

Es gibt je nach Problem verschiedene Dimensionen. die wir hier kurz am Beispiel von fehlerhaften Empfängeradressen auflisten möchte:

Hier geht es um Fragen der Normierung von Adressen, wie man eine Strasse schreibt (Kurz- oder Langversion), wie Telefonnummern zu notieren sind, aber auch die Frage nach der Sprache, die im CRM, in Datenbank zu benutzen ist oder auch nach welcher Norm Daten zu erfassen sind (DIN versus AFFNOR).

Desweiteren fehlen Trainingsprogramme, warum Daten so erfasst werden sollen.

In vielen Fällen fehlt schlichtweg einen Dokumentation der Erfassungsregeln am Arbeitsplatz, werden Mitarbeiter zu wenig instruiert, das zu erfassende Volumen überfordert die Mitarbeiter (trifft vielfach auf das Contact Center zu) und viel wichtiger Datenqualität wird seitens der Geschäftsleitung keine aus reichende Priorität bei gemessen.

Sind in ihrem Unternehmen die Prozesse in der Lage mit den Anforderungen an eine saubere Datenqualität umzugehen? Hier entstehen viele Fehler alleine, da Prozesse manuell angestossen werden müssen oder zu lange benötigen, um an den Arbeitsplätzen sichtbar zu werden. Fehler sind da meist vorprogrammiert.

Datenqualität gehört überwacht, da ungültige Adressen unterbrechen die Kommunikation zum Kunden. Ob Postretouren oder Hardbounces behalten sie die Menge tief.

Was vielfach exitiert ist eine Identifikation von Dubletten. Leider meist erst nach und nicht mit einem Kauf, womit die Kommunikation dann vielfach schon falsch läuft. Stichwort Begrüssung eines bestehenden Kunden als Neukunde. Gründe dafür sind Inkompatibilität von Systemen, Feldlängenbegrenzungen, unklare Feldstrukturen, aber auch regulatorische Probleme.

DQ Software im Markt bereinigt Datenfehler indem schlechte Adressen meist herausgefiltert werden. Hier muss je nach Wert des Kunden/ Auftraggebers ein Qualitätscockpit eingerichtet werden, um diese Kontakte weiter bespielen zu können.

In den letzten Jahren nimmt der Bezug von externen Daten zur Verifizierung der eigenen Datenquellen zu, was zu andersartigen Fehlern führen kann. Referenzquellen unterliegen dem Phänomen, dass auch diese gepflegt werden müssen, ob Privatkunden-, Postadresse-, Bonitäts- oder Firmendatenbanken, sie alle weisen Fehler auf, da auch hier wesentliche Updates fehlennnen.

Bedenken Sie, dass alle Anbieter hier vielfach Onlinedaten crawlen oder mischen, um die Datenbanken a Jour zu halten.

Übrigens pflegen sie mit jeder Abfrage dieses Universum mit.

Das Modell kann immer wieder angewendet helfen, die Datenqualität kurz- mittel- und langfristig zu verbessern und Kosten zu sparen, aber auch höhere Umtze zu erzielen. In einigen Projekten stieg der Umsatz mit “gerettetenKontaktenum 5 – 10 Prozent.

Bei Interesse helfen wir ihnen gerne die Datenqualität in ihrem Unternehmen zu verbessern.

TP/ml 28.12.2020

Related Posts