Datamining: Wissen entscheidet

5. März 2008 Kommentar Link zu diesem Artikel –  Erschienen in: acquisa Brennpunkt

Wer schlechte Informationen in Datamining-Prozesse hineingibt, erhält als Resultat schiefe Ergebnisse. Denn für denjenigen, der Kunden per 360˚-Blick betrachten will, sind saubere Datenmodelle unabdingbar.

»Werden Stammdaten aktiv gemanagt, konsistent, aktuell und richtig gehalten, sind Unternehmen erst bereit fürs Customer-Relationship-Management«, ist Stefan Hegglin, Manager bei der Swisscom-Tochter und Systemberatung Comit in Zürich, überzeugt. Datenqualität soll CRM-Verantwortliche in die Lage versetzen, zu erkennen, zu priorisieren und aufzuarbeiten. Würden zudem Beteiligte nicht bei ihrer Arbeit unterstützt, sinke die Mitarbeiterakzeptanz. Und der Lebenszyklus einer teuren CRM-Lösung verkürze sich dramatisch.

Häufigster Fehler ist laut Hegglin, wenn Datenqualitätsprojekte als »IT-Probleme« wahrgenommen und an der falschen Stelle aufgehängt werden. »Tatsächlich handelt es sich um Business-Projekte, die IT-Wissen erfordern«, präzisiert Hegglin. Fallen gebe es allerlei: Business-Kunden könnten falsch betreut werden oder durch das Kampagnenraster fallen. Etwa wenn einem Datenmanager entgeht, dass der Business-Lead Kontoführungskosten sparen will und sich deshalb als Endverbraucher statt als Firma registriert hat. Oder wenn Vertriebsmitarbeiter unerkannt und »kreativ« Informationssysteme nutzen – also Falscheingaben machen, um ihre Jahresziele zu erreichen.

Kundeninformationen richtig nutzen

Fehler haben Folgen: Eine Schweizer Assekuranz überarbeitete aufwändigst ihr CRM-System, um die 1,5-prozentige Rücklaufquote ihres Jugend-Mailings zu dämpfen. Doch dies brachte nur eine Verbesserung um 0,1 Prozent. Die Ursache: »Die Datenqualität wurde vor Projektbeginn weder untersucht noch verbessert «, kritisiert Hegglin. In der Tat kommen Kontakt- und Kampagnenmanagement erst durch professionell eingesetzte Kundeninformationen zur Entfaltung. Davon ist auch Michael Lausenmeyer, Operations Director Business Strategies Germany beim Hamburger CRM-Dienstleister Experian, überzeugt. Der Einsatz von Datenmodellen und Segmentierungen sei ohne entwickeltes Kundenmanagement unmöglich. »Gewinner ist, wer die verfügbare Technik am besten für die gestellte Aufgabe nutzbar macht und seine Mitarbeiter in die Lage versetzt, Wissen aus Daten in die richtigen Entscheidungen zu überführen«, so Lausenmeyer. Das sei in Zeiten immer dynamischerer Datenmodelle immens wichtig. »Die ständige Zunahme von Variablen, deren kontinuierliche Änderung und die fortlaufende Steigerung von Intervarianzen (Maß, wie stark sich Objekte einer Klasse unterscheiden) sorgen für turbulente Systeme«, erklärt Lausenmeyer. »Mittlerweile segmentieren Unternehmen ihre Kunden so detailliert, dass Werbeaktionen mit einer dreistelligen Zahl an Segmenten und entsprechend vielen Vorgehensweisen keine Seltenheit mehr sind.« Umso wichtiger werde die Einbindung mathematischer Expertisen in die Datenmodellentwicklung. Etwa um das künftige Kundenverhalten zu prognostizieren. Um komplexe Prozesse indes zu standardisieren und zu industrialisieren – wichtig bei einer Erweiterung von Datenstrukturen –, seien Qualitätsprüfung der Modelle, Integration von Daten-Updates und fortlaufende Erweiterung von Datenstrukturen erforderlich. »So können Anwender ihre Kundenauswahl noch gezielter ermitteln und sparen gleichzeitig unnötige Ausgaben«, resümiert Lausenmeyer.

»Nur wenn anzureichernde interne und angereicherte, meist externe Informationen eine gute Qualität aufweisen, bringen statistische Verfahren auch Erkenntnisse, die den Erfolg einer künftigen Entscheidung positiv beeinf lussen«, rät Juliane Jung, Partnerin beim Adressmanagementspezialisten Dialoghaus in Langenfeld. Nach ihren Worten erlangen analytische Kundenbewertungsverfahren wie Scoring auch im B2B-Geschäft eine größere Bedeutung. Eine Gefahr zeigt folgendes Beispiel: Aufgrund eines Fehlers im Selektionsprozess einer Business-Reaktivierungskampagne fließen anstatt eines repräsentativen Zielgruppenquerschnitts nur Daten aktiver Kunden aus Bayern in den Analysedatenbestand ein. Fälschlicherweise werden demnach nur Firmen aus dem Freistaat positiv bewertet, obwohl das Gros der Kunden in Norddeutschland ansässig ist. Die Kampagne floppt, weil weder der statistische Fehler erkannt noch Rohdaten evaluiert werden. »Nicht umsonst entfallen 80 Prozent der Gesamtzeit eines Datamining-Prozesses auf Auswahl, Kontrolle und Datenbereitstellung«, weiß Jung.

Daten bedarfsgerecht sammeln

Sind heterogene Kaufentscheidergruppen involviert (»Buying Center«), wird es ebenfalls kompliziert. Denn diese Zielgruppen – von Fachabteilungen über Einkauf und Finanzverantwortliche bis hin zu Geschäftsleitung – müssen im Verlauf einer Kaufentscheidung gezielt, aber nicht immer gleichzeitig angesprochen werden. »Eine Gießkannenbotschaft genügt keineswegs«, skizziert Ralf Heeke, Senior-Marketing-Manager im CRM-Bereich von SAP in Walldorf. Eine CRM-Suite müsse auch externe Daten und Strukturen im Buying Center abbilden und bedarfsgerecht aufschlüsseln. »Hierbei sind Kollisionen zu vermeiden und Eskalationen darzustellen «, so Heeke. Wisse etwa der Vertrieb nichts von einem Mailing an seine Kunden, könnten die jeweiligen Ansprechpartner überfrachtet oder falsch angesprochen werden. Informationen über Buying-Center-Strukturen, Kundenzufriedenheit und Retention-Kampagnen sind somit Steinchen im Datenqualitätsmanagmentmosaik – Steinchen, über die alle Beteiligten Bescheid wissen müssen.

Schreiben Sie einen Kommentar

Ihre E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.