Geschicktes Datenportfoliomanagement

Wie Sie Ihren Unternehmenserfolg durch geschicktes Datenportfoliomanagement steigern!

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.

Kundendaten

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 uneinheitliche Daten
  • Fehlende Kontakt- oder Adressdaten
  • Fehlender Abgleich zwischen Kundenmanagement- und Abrechnungssystem
  • Eliminierung von Dubletten
  • Plausibilitätsprüfung und Validierung von Daten

Lösungsansätze für die Optimierung der Datenqualität bei Kundendaten:

  • Prüfung der Kundendatenqualität bei der Eingabe
  • Anreicherung von Datenbeständen
  • Zugriff auf Open Data zur Gewinnung neuer Informationen
  • Validierung von Adressdaten
  • Einsatz von Software-Tools zur Ermittlung eines einheitlichen Kundendatenstammes (Golden Records)

Lieferantendaten

Vor allem E-Commerce-Händler – egal ob groß oder klein – stehen vor dem gleichen Problem. 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 an Lieferanten und Logistikpartnern mit unterschiedlichen Datenformaten, -strukturen und Schnittstellen
  • Uneinheitliche Informationsqualität aufgrund fehlender Standards
  • Aufwendige Datenübernahme und Integrationen in das Warenwirtschaftssystem
  • Manuelle Bereinigung der Daten
  • Hohe Ansprüche an Datenqualität durch den Kunden: Aktualität & Korrektheit

Lösungsansätze für die Optimierung der Datenqualität bei Lieferantendaten:

  • Schaffung einer einheitlichen Referenzdatenstruktur
  • Regelbasierte Textgenerierung
  • Definition von Quality Gates 
  • Schaffung von Schnittstellen zu Standard-Systemen
  • Einsatz von Software-Tools zur automatisierten Datenübernahme und Datenqualitätsprüfung

Produkt- und Materialdaten

Die Effizienz des Supply Chain Managements steht und fällt mit dem Güter- und Informationsfluss. Nur verlässliche Produkt- und Materialdaten können eine reibungslose Lieferkette sowie ein valides und performantes Reporting garantieren. Hingegen lassen uneindeutige Daten wie bspw. Dubletten einen falschen Lagerbestand entstehen und verfälschen Inventurergebnisse. Außerdem verhindern sie die Nutzung von Einsparpotenzial aus größeren Beschaffungsmengen im Einkauf, erzeugen Kapitalbindung sowie erhöhte Prozesskosten.

Typische Herausforderungen in Bezug auf Produkt- und Materialdaten:

  • Falsche Dispositionsparameter: Losgrößen, Meldebestände, Rabatte, Mengen
  • Fehlerhafte Sicherheitsbestände und Wiederbeschaffungszeiten
  • Dubletten (uneindeutige Daten)
  • Dummys
  • Artikelgruppenzuordnung
  • Klassifizierungsprobleme
  • Werteprüfungen
  • Zuständigkeiten in der Dateneingabe und -pflege

Lösungsansätze für die Optimierung der Datenqualität bei Produkt- und Materialdaten:

  • Schaffung einer einheitlichen Referenzdatenstruktur
  • Schaffung eines abteilungs- oder unternehmensweiten Regelwerkes zur Prüfung der Daten
  • Einbindung der DQ-Kontrolle in existierende Genehmigungsworkflows
  • Zuweisen von Aufgaben zur Bereinigung der Daten an Fachabteilungen (z. B. Lager)
  • Einsatz von Software-Tools zur Markierung von Dummys und zur Ermittlung eines einheitlichen Materialstammes (Golden Records)

Technisch-infrastrukturelle Daten

Eine organisationsweite Übersicht vorhandener technisch-infrastruktureller Daten ist der Ausgangspunkt für ein serviceorientiertes IT-, Facility- und Organisationsmanagement. Technisch-infrastrukturelle Daten fassen Datenbestände aus den Bereichen Instandhaltung, dem Gebäudemanagement aber auch der Informationstechnologie zusammen. Hierzu zählen u.a. Gebäudepläne, Raumdaten, Verkabelungspläne, Lagerkapazitätspläne oder Anlagen- und Infrastrukturausstattungen von Gebäuden. Die Optimierung der Datenqualität resultiert in einer vereinfachten Rechnungsprüfung und Weiterverrechnung. Außerdem schafft sie die Basis für Kostencontrolling und Nachlizenzierung.

Typische Herausforderungen in Bezug auf technisch-infrastrukturelle Daten:

  • Fehlende Übersicht – „Wildwuchs“ an Excel-Listen
  • Aktualität der Datengrundlage fraglich (Daten schnell veraltet)
  • Vielzahl von automatisiert generierten Daten, insbesondere bei maschinellen Daten
  • Häufig numerische Erfassung ohne klare Struktur und Semantik
  • Redundante Daten in unterschiedlichsten Formaten

Lösungsansätze für die Optimierung der Datenqualität bei technisch-infrastrukturellen Daten:

  • Abbildung eines Referenzdatenmodelles als Grundlage
  • Schaffung eines einheitlichen Verzeichnisses über sämtliche Datenquellen hinweg (auch Excel)
  • Indizierte Volltextsuche über alle Daten
  • Zugriffs- und Werteregeln für Daten, die von Mitarbeitern gepflegt werden
  • Anbindung von SCCM- und DMS-Systemen
  • Anbindung an Active Directory und Nameserver (z. B. LDAP)
  • Technische Unterstützung bei der Datenkonsolidierung durch Workflowprozesse und Einbindung von Mitarbeitern

Geodaten

Der Schlüssel zu einer effektive Logistik- und Ressourcenplanung sind konsistente Geodaten. Als Daten mit einem direkten oder indirekten Bezug zu einem bestimmten Standort oder geografischen Gebiet dienen sie der korrekten Ortung. Sie beschreiben somit ein Objekt, entweder direkt (durch Koordinaten) oder indirekt (z.B. durch PLZ), einer Landschaft oder durch seine Position im Raum. Geodaten lassen sich über ihren Raumbezug untereinander verknüpfen, um detaillierte Abfragen und Analysen erstellen zu können. Ihr Nutzen liegt in der exakten Routenplanung und der Vermeidung von Umwegen. Zusätzlich können Sie zur Visualisierung von Primärdaten (Kunden- oder Materialdaten) eingesetzt werden.

Typische Herausforderungen für Geodaten:

  • Fehlerhafte Geobasisdaten wie Koordinaten (X/Y-Werte)
  • Fehlerhafte Zuordnungen von Geobasisdaten zu Attributen/Metabeschreibungen (z. B. POI)
  • Fehlerhafte Metadatenbeschreibungen (Verwendung eines Grundstückes)
  • Konzeptuelle-, Format-, Werte-, Topologische- Geometrische Konsistenz
  • Positionsgenauigkeit (innere + äußere) und Rasterdatengenauigkeit
  • Zeitliche Korrektheit
  • Klassifikation von Geodaten

Lösungsansätze für die Optimierung der Datenqualität bei technisch-infrastrukturellen Daten:

  • Integration des Geo-Informationssystems (GIS)
  • Berücksichtigung der Mehrdimensionalität der Daten 2D / 2,5D / 3D / 4D
  • Validierung und Anreicherung von Geodatenbeständen mittels Open-Source-Daten

Fazit:

Mit einem spezifischen Problem sehen sich Unternehmen über alle Datenarten hinweg konfrontiert. Fast alle Datenlandschaften weisen einen bestimmten Anteil an Dubletten auf. Dabei handelt es sich um uneindeutige und teilweise in mehreren Datenbanksystemen eingetragene Datensätze. Zur Identifikation und Bereinigung von Dubletten wird idealerweise ein Software-Tool eingesetzt. Dieses überprüft Ihren gesamten Datenstamm über alle Systeme hinweg anhand konfigurierbarer Kriterien. Die Bereinigung findet im Anschluss automatisch statt oder der Nutzer wird in einem einfachen Prozess durch die manuelle Bereinigung geleitet. Als Resultat erhalten Sie einen Datensatz – den sogenannten Golden Record – in welchem die Daten aus sämtlichen Dubletten korrekt und vollständig zusammengeführt wurden.

Unser Autor
Dr. Tobias Brockmann

Aufmacherbild / Quelle / Lizenz
Bild von Akela999 auf Pixabay