Der wahre Schatz im Unternehmen

Kundendaten helfen, den Kundenwert zu steigern. Wenn man sie richtig nutzt! Zu den Kernkompetenzen des analytische Customer Relationship Management gehört es, aus Geschäftsprozessen und Kundendaten umsatzrelevantes Wissen zu generieren. Dieses Wissen dient der Unterstützung der Entscheidungen in Vertrieb und Marketing mit dem Ziel, Umsatz und Gewinn des Unternehmens zu steigern. Zu den Werkzeugen des analytischen CRM gehören vor allem fortgeschrittene Methoden der Statistik. Diese erlauben es, Aussagen über das Verhalten von Kunden zu treffen. Auf der Basis dieses Wissens können Marketing- und Vertriebs-Ausgaben effizient gesteuert werden.

Zu den zentralen Herausforderungen beim analytischen CRM gehört es, die vorhandenen Daten so aufzubereiten, dass diese auch in Wissen umgesetzt werden können. Vor allem, weil die Daten bei der Abwicklung von Geschäftsvorfällen entstehen und daher, aus der Sicht des analytischen CRM, fragmentiert und unsauber vorliegen.

Fragmentierte Daten behindern die Auswertung

Bei einem Blick auf die Datenstrukturen von ERP-Systemen (zum Beispiel SAP) wird schnell klar, warum sich Daten selten leicht extrahieren und interpretieren lassen: Die Informationen werden in unterschiedlichen Tabellen vorgehalten.

• Die Stammdaten der Kunden liegen in einer Tabelle,
• die Kundenaufträge in einer anderen Tabelle.

Unter Umständen ist der Auftrag nicht einmal mit dem Kunden direkt verknüpft, sondern über eine dritte Tabelle, welche die Zuordnungen zwischen Aufträgen und Kunden enthält. Dabei ist dies noch ein vergleichsweise günstiger Fall. Die für Marketing-Entscheider wertvollen Informationen entziehen sich aber auch durch einen weiteren Umstand einem einfachen Zugriff: Es gibt mehrere Systeme, welche im ungünstigsten Fall vollständig voneinander getrennt sind. So genannte "Data-Warehouses" versprechen eine Lösung dieses Problems, indem sie eine Basis für die Zusammenführung aller Daten bieten. Data-Warehouses sind allerdings sehr kostspielig und bringen von allein nur selten einen messbaren Nutzen. Ein systematisches und vor allem nachvollziehbares Vorgehen hilft dem Marketing-Entscheider, die Daten auch ohne aufwändige IT-Projekte regelmäßig zu erheben. Hierzu bietet sich ein Vorgehen in vier Schritten an:

1. Relevante Daten ermitteln: Erstellen Sie eine Liste mit den benötigten Informationen. Sprechen Sie so früh wie möglich mit Ihrem Ansprechpartner in der IT-Abteilung. Priorisieren Sie gemeinsam mit Ihrem Ansprechpartner die Informationen, denn unter Umständen schließt sich die Extraktion zweier Informationen gegenseitig aus. Vermitteln Sie dabei Ihrem Kollegen aus der IT, wofür Sie die Daten benötigen und dokumentieren Sie Ihren Datenbedarf, denn damit erleichtern Sie die folgenden Abfragen erheblich.
2. Daten verwertbar machen: Die liegen in verschiedenen Tabellen vor und müssen zuerst zusammengeführt werden, damit sie mit einer Tabellenkalkulation (z.B. Excel™ oder auch mit einem spezialisierten Statistikprogrammen z.B. SPSS™) analysiert werden können. Im ersten Schritt sollten die Stammdaten extrahiert werden. Dient die Analyse einer späteren Selektion, dann sollte auf jeden Fall die Kundennummer oder ein ähnlicher eindeutiger Schlüssel mit übernommen werden. Dann müssen die Bewegungsdaten (also Käufe, Transaktionen, Anfragen etc.) so aufbereitet werden, dass sie in die Analyse einfließen können. Hierzu können einerseits Kennzahlen gebildet werden, die das Verhalten realitätsnah abbilden: Recency/Latency (wie viel Zeit ist seit dem letzten Kauf vergangen?), Frequency (gewichteter Abstand zwischen den Käufen), Monetary (Umsatz pro Kauf und Gesamtumsatz. Die jüngeren Umsätze sollten stärker gewichtet sein).
3. Das Vorgehen dokumentieren: Für nachfolgende Analysen und eine Vergleichbarkeit zwischen den Analysen ist eine gründliche Dokumentation unerlässlich. Die folgenden Elemente sollten dokumentiert werden: Die priorisierten Soll-Informationen sowie das Ziel der angestrebten Auswertung (Handelt es sich um eine Auswertung? Dienen die Daten einer späteren Selektion? Gibt es Einschränkungen auf bestimmte Kunden oder Warengruppen?). Hinzu kommt eine akkurate Aufstellung mit sämtlichen verwendeten Datenbanken, deren Tabellen und den extrahierten Feldern inklusive der genauen Feldbezeichnungen und einer Beschreibung der Felder. Zu guter Letzt sollte der IT-Mitarbeiter sein eigenes Vorgehen notieren, damit er oder seine Kollegen die Arbeitsschritte nachvollziehen können.
4. Standards definieren: Auf der Basis der Dokumentation sollte Ihre IT-Abteilung in der Lage sein, eine Extraktions-Prozedur zu erstellen. Wenn Sie regelmäßige Auswertungen durchführen, wird diese Standard-Prozedur eine erhebliche Arbeitserleichterung darstellen.

Unsaubere Daten

Ein zweiter Faktor, der die Datenqualität für das aCRM mindert, sind "Verunreinigungen". Hierzu zählen Redundanzen, Dubletten und unvollständige Datensätze.

Redundanzen entstehen, wenn Daten mehrfach erfasst werden, also in verschiedenen Tabellen mehrfach vorliegen. Das zentrale Problem mit redundanten Daten ist die Frage: In welche der verschiedenen Tabellen werden die Änderungen gespeichert? Für die Analyse von Kundendaten führen redundante System dann zu Problemen, wenn in den verschiedenen Systemen zu einzelnen Kunden sich widersprechende Informationen gespeichert sind. Für das analytische CRM bieten sich zwei Möglichkeiten, um mit redundanten Datensätzen umzugehen:

• Ein System wird für die Analyse als "führend" angenommen. Die Daten aus diesem System werden als "wahr" angenommen. Änderungen in anderen Systemen werden (zumindest für die Analyse) nicht übernommen, falls sie mit jenen aus dem führenden System im Widerspruch stehen.
• Es werden jene Datensätze ignoriert, die bei der Zusammenführung widersprüchliche Informationen enthalten würden.

Dubletten sind Datensätze die mehrfach vorhanden sind, also zum Beispiel Kunden, die zweimal in der Kundenkartei gespeichert sind. Dubletten verfälschen die Aussagekraft der Auswertungen. Existieren Dubletten in der Datenbasis, so werden soziodemographisch gleiche oder ähnliche Stammdaten mehrfach erfasst. Auf der anderen Seite werden bei mehreren Datensätzen pro Kunden die Bewegungsdaten erheblich verfälscht: Liegen "n" Dubletten vor, so beträgt für diese Dubletten der durchschnittliche Umsatz nur ein "n-tel" des tatsächlichen Umsatzes.

Ein weiteres Problem entsteht beim Ziehen von Stichproben: Die Dubletten sind zumeist nicht gleichmäßig in der Datenbasis verteilt. Unterschiedliche Stichproben können damit unterschiedliche Anteile Dubletten besitzen und also unterschiedliche Aussagekraft. Für die Dublettenbehandlung existieren eine Reihe Standard-Werkzeuge, die entweder extrahierte Daten von Dubletten befreien oder aber prozessbegleitend Dubletten verhindern.

Unvollständige Daten sind ein weiteres Problem bei der Analyse. Denn liegen zu einem Merkmal keine Angaben vor, so kann der betroffene Datensatz keinen Beitrag zur Erkenntnis leisten. Auf der Ebene der Analyse empfiehlt es sich, eine Merkmalsausprägung für unvollständige Daten zu finden und leere Datensätze entsprechend zu ergänzen. Ist ein Merkmal bei vielen Kunden nicht ausgeprägt, so sollte es in der Analyse nicht berücksichtigt werden. Im Rahmen des Kundenkontakts hingegen ist es sinnvoll zu überprüfen, ob der Datensatz des Kunden vollständig und aktuell ist. Ruft z.B. ein Kunde an, so sollte der Mitarbeiter die Daten überprüfen und ergänzen: "Ist dies noch Ihre aktuelle Adresse/ E-Mail Adresse?", "Können wir Sie auch mobil erreichen?" Hierzu müssen entsprechende Prozesse im Unternehmen definiert, die Mitarbeiter informiert und geschult werden.

Fazit:

Die im Unternehmen vorgehaltenen Daten sind oft nur nach einer Aufbereitung für analytisches CRM brauchbar, weil der Sinn der Datenerhebung in der Regel nicht die Analyse, sondern die operative Abwicklung von Geschäftsvorfällen ist. Erst nach der Behandlung von Redundanzen, Dubletten und unvollständigen Daten sind aussagekräftige Analysen möglich. Wenn keine Mittel für aufwendige Data-Warehouse-Projekte zur Verfügung stehen, dann müssen die Aufbereitungsschritte gut dokumentiert werden, damit die IT eigene standardisierte Prozesse definieren kann. So vermindert sich der Aufwand bei folgenden Analysen erheblich und die Entscheidungen des Marketiers werden besser durch das aufbereitete Wissen unterstützt.

lesen Sie weiter bei BusinessVillage.de »