Blog

Häufige Probleme mit der Datenqualität im Einzelhandel und wie man sie behebt

Im letzten Blog Die Rolle der Datenqualität in der Welt des Einzelhandels haben wir erörtert, welche Rolle saubere Daten im Einzelhandel spielen und wie Einzelhändler erkennen können, ob sie eine schlechte Datenqualität haben. In diesem Blog befassen wir uns mit der Frage, was Masterdaten im Einzelhandel sind, mit den häufigsten Problemen in Einzelhandelsdaten und wie man sie beheben kann.

Dann fangen wir mal an.

Was sind Stammdatenbestände im Einzelhandel?

Jedes Einzelhandelsunternehmen nutzt eine Reihe von Datenbeständen, um den erfolgreichen Betrieb seiner Geschäftsprozesse und Transaktionen sicherzustellen. Sie können je nach Art des Unternehmens unterschiedlich sein, aber im Allgemeinen umfassen sie für ein Einzelhandelsunternehmen Datensätze für Kunden, Interessenten, Leads, Verkäufer, Lieferanten, Produkte, Standorte, Mitarbeiter, Geschäfte usw. Einige von ihnen werden als Stammdaten betrachtet, da sie für den erfolgreichen Betrieb des Einzelhandels entscheidend sind, während die übrigen in irgendeiner Weise mit den Stammdaten verbunden sind (entweder aufgrund der Ähnlichkeit der Bedeutung oder des Datenmodells). Es gibt vier Hauptdatensätze, die bei fast jeder Einzelhandelstransaktion verwendet werden, nämlich Kunde, Produkt, Standort und Umsatz.

Beispiel für Handelsstammdaten

Nehmen wir als Beispiel die häufigste Transaktion, die ein Einzelhändler mehrmals täglich durchführt:

Kunde A kauft Produkt B am Standort C.

Diese Transaktion an sich gilt als Verkaufsrekord. Und damit diese Transaktion wahrheitsgetreu, genau und zuverlässig ist und für den beabsichtigten Zweck verwendet werden kann, muss es eine:

  • Kunde A im Kundendatensatz,
  • Produkt B im Produktdatensatz, und
  • Ort C im Ortsdatensatz.

Bevor wir weitermachen, werfen wir einen Blick auf ein grundlegendes Datenmodell für den Einzelhandel, das unten abgebildet ist:

Häufige Probleme mit der Datenqualität in Einzelhandelsdatensätzen und wie sie behoben werden können

Wir haben erörtert, wie Datenqualitätsprobleme einem Einzelhändler irreversiblen Schaden zufügen können – einschließlich der Auswirkungen auf den Umsatz, die Kundenbeziehungen und den Ruf der Marke. Außerdem haben wir uns angesehen, was Stammdaten im Einzelhandel sind. In diesem Abschnitt werden wir versuchen zu erkennen, wie schlechte Datenqualität bei Einzelhandelsdaten aussieht und was Sie tun können, um Probleme mit der Datenqualität im Einzelhandel zu beheben.

Wir werden uns hier nur auf die Datenqualitätsprobleme konzentrieren, die bei den vier oben genannten Datenbeständen auftreten, d. h. Kunde, Produkt, Standort und Vertrieb. Dies hilft Ihnen, Probleme in anderen, ähnlichen Datensätzen zu erkennen, z. B. dass Probleme im Kundendatensatz denen in Interessenten, Leads, Lieferanten, Verkäufern usw. ähnlich sind. Ebenso werden Standortdatensätze ähnliche Probleme haben wie Speicherdatensätze und so weiter.

Ein weiterer Punkt ist, dass wir versuchen werden, die Probleme zu untersuchen, die für diese Art von Datenbestand spezifisch sind, und nicht die allgemeinen Datenqualitätsprobleme, die bei allen Datensätzen zu finden sind. In unserem letzten Blog haben wir uns mit den 12 häufigsten Datenqualitätsproblemen und deren Ursachen beschäftigt.

1. Kunde

Kundeninformationen sind einer der größten Vermögenswerte für jedes Unternehmen. Aus diesem Grund können sich Unternehmen keine fehlenden, falschen oder unvollständigen Daten in ihren Kundendatensätzen leisten. Da die Kunden jedoch über mehrere Kanäle mit einer Marke interagieren, ist dies oft der erste Ort, an dem Unstimmigkeiten in der Datenqualität festgestellt werden. Sehen wir uns die drei häufigsten Datenqualitätsprobleme an, mit denen Einzelhändler in ihren Kundendatenbeständen konfrontiert sind.

How to build a unified, 360 customer view

Download this whitepaper to learn about why it’s important to consolidate your data to get a 360 view.

Download

a. Doppelte Kundendatensätze

Was ist das?

Alle Interaktionen, die ein Kunde während seiner Kaufreise mit Ihrer Marke hat, werden irgendwo in einer Datenbank aufgezeichnet. Diese Aufzeichnungen können von Websites, Landing-Page-Formularen, Werbung in sozialen Medien, Verkaufsaufzeichnungen, Rechnungsaufzeichnungen, Marketingaufzeichnungen, Aufzeichnungen über Kaufpunkte und anderen Bereichen stammen. Wenn es keine systematische Methode gibt, um Kundenidentitäten zu identifizieren und neue Informationen mit bestehenden zusammenzuführen, kann es zu Duplikaten in Ihren Datensätzen kommen.

Es ist ziemlich schwierig, Duplikate nachzuverfolgen und diejenigen zu identifizieren, die zum selben Kunden gehören – vor allem, wenn die erfassten Daten über alle Kanäle hinweg inkonsistent sind oder es offensichtliche Tippfehler oder Abweichungen in doppelten Datensätzen gibt. Infolgedessen kann es vorkommen, dass Sie dieselbe E-Mail mehrmals an einen Kunden senden, oder dass Ihr Team Probleme hat, einen Datensatz für einen Kunden auszuwählen, der korrekte, aktuelle Informationen über seine Telefonnummer oder Adresse enthält.

Wie kann man das beheben?

Um Duplikate zu beheben, müssen Sie fortgeschrittene Algorithmen zum Datenabgleich ausführen, die zwei oder mehr Datensätze vergleichen und die Wahrscheinlichkeit berechnen, dass sie zum selben Kunden gehören. Manchmal kann dieser Vergleich mit nur einem Kundenattribut (z. B. der Sozialversicherungsnummer) durchgeführt werden. In Ermangelung eindeutiger Attribute müssen Sie einen unscharfen Abgleich für eine Kombination von Feldern durchführen, z. B. Kundenname, Wohnanschrift und Telefonnummer zusammen verwenden.

Lesen Sie mehr unter Das Grauen der doppelten Daten – Ein Leitfaden zur Datendeduplizierung.

b. Fehlen einer 360-Kunden-Sicht

Was ist das?

Ein durchschnittliches Unternehmen mit 200-500 Mitarbeitern nutzt heutzutage etwa 123 SaaS-Anwendungen. Die große Anzahl und Vielfalt der Anwendungen, die zur Erfassung, Verwaltung, Speicherung und Nutzung von Daten verwendet werden, ist der Hauptgrund dafür, dass die Informationen eines Kunden über verschiedene Quellen verstreut sind. Infolgedessen können Einzelhändler wichtige statistische Analysen nicht durchführen, die für eine bessere Entscheidungsfindung erforderlich sind, z. B. eine genaue Marketing- oder Lead-Attribution.

Eine fehlende 360°-Kundensicht kann Ihre Bemühungen behindern, Kundenverhalten und -präferenzen zu verstehen und reibungslose Kundenerlebnisse zu bieten.

Wie kann man das beheben?

Bei der Deduplizierung von Kundendatensätzen geht es hauptsächlich darum, einen Datensatz eines Kunden auszuwählen und die anderen zu verwerfen. Bei der Anreicherung von Daten zur Erlangung einer 360-Kunden-Sicht geht es hingegen darum, alle Daten, die Sie über einen Kunden haben, zusammenzuführen und aus diesen gruppierten Informationen wichtige Bedeutungen abzuleiten.

Dies geschieht in der Regel durch fortgeschrittene Datenzusammenführungs- und Überlebensregeln zusätzlich zu den Datenabgleichstechniken. Während der Datenanreicherung können Sie die Arten von Interaktionen definieren, die in einem Kundendatensatz gespeichert werden sollen, und einen goldenen Datensatz erstellen, der als einzige Quelle der Wahrheit für alle Mitarbeiter des Unternehmens dient.

Lesen Sie mehr unter Ihr kompletter Leitfaden zur Erlangung einer 360-Kunden-Sicht.

c. Nicht überprüfte Informationen

Was ist das?

Einzelhändler erfassen Kundeninformationen aus allen möglichen Quellen. Zu diesen Quellen gehören u. a. Website-Formulare, Umfragen am Schalter, POS, Verkäufer, Lieferanten und andere. Außerdem neigen Daten dazu, sehr schnell zu altern, sei es, dass ein Kunde seine Wohnadresse, eine E-Mail-Adresse oder seinen Nachnamen aufgrund seines Familienstandes geändert hat. Solche Änderungen können dazu führen, dass Sie Wochen oder Monate alte Daten haben, die sehr schnell ungenau oder ungeprüft werden können.

Wie kann man das beheben?

Da Einzelhändler über riesige Mengen an Kundendaten verfügen, kann es unmöglich erscheinen, alle Informationen zu überprüfen. Es ist am besten, mit einer Teilmenge von Informationen zu beginnen – vielleicht die ersten 100 Kunden zu überprüfen oder nur die Namen der ersten 1000 Kunden im Datensatz zu überprüfen. Die Überprüfung einer Teilmenge von Kundendaten gibt Ihnen eine gute Vorstellung davon, wie genau Ihre Daten sind und was Sie möglicherweise tun können, um ungeprüfte Informationen zu korrigieren.

Weitere Informationen finden Sie unter Was ist Datengenauigkeit, warum ist sie wichtig und wie können Unternehmen sicherstellen, dass sie über genaue Daten verfügen?

2. Produkt

Produktdaten sind ein weiterer wichtiger Vermögenswert im Besitz der Einzelhändler. Ihre Bedeutung lässt sich daran ermessen, dass sie das erste ist, was die Verbraucher in ihrer Kaufentscheidung durchstöbern oder prüfen. Daher kann jede Ungenauigkeit oder Unstimmigkeit bei den von Ihnen präsentierten Produkten dazu führen, dass Sie Kunden an die Konkurrenz verlieren. Unabhängig davon, ob die Informationen für den Verkauf von Produkten in Ihrem E-Commerce-Shop oder für das Verständnis der Produktplatzierung in Ihrem Geschäft verwendet werden, kann die Sicherstellung qualitativ hochwertiger Produktdaten Ihnen einen großen Wettbewerbsvorteil auf dem Markt verschaffen.

Sehen wir uns die häufigsten Datenqualitätsprobleme bei Produktdaten an und wie Sie sie beheben können.

Kingfisher uses DataMatch Enterprise

See how Kingfisher corrects thousands of misclassified products by driving product hierarchies in unstructured format.

Read case study

a. Doppelte Produktinformation

Was ist das?

Genau wie bei den Kundendatensätzen besteht auch bei Ihren Produktdaten die Gefahr, dass es mehrere Varianten für ein und dasselbe Produkt gibt. Einzelhändler verwenden in der Regel SKUs, die jedes Produkt eindeutig identifizieren, aber je nach Informationsquelle können SKUs fehlen oder in unterschiedlichen Formaten vorhanden sein, so dass es unmöglich ist, zu erkennen, bei welchen Produkten es sich tatsächlich um Duplikate handelt.

Wenn Kunden auf Ihrer Website nach einem Produkt suchen und mehrere Suchanfragen für etwas finden, das fast identisch aussieht, ist es sehr wahrscheinlich, dass sie sich nicht wohl dabei fühlen, in Ihrem Geschäft zu kaufen.

Wie kann man das beheben?

Die Produktduplizierung wird durch den Prozess des Produktabgleichs behoben. Produkte werden miteinander verglichen (in Bezug auf Titel, Bilder, Merkmale und andere verfügbare Attribute), um die Wahrscheinlichkeit zu berechnen, dass sie gleich oder ähnlich sind. Dieselben Produkte werden dann zusammengeführt, um die Produktinformationen zu verbessern und den Besuchern mehr Details über ein Produkt zu bieten.

Lesen Sie mehr unter Produktabgleich: Der Schlüsselfaktor für genaue Vertriebs- und Marketinginformationen.

b. Fehlende Produkttaxonomie

Was ist das?

Die Produkttaxonomie bezieht sich auf eine logische, hierarchische Struktur, die Ihnen hilft, Ihre Produkte zu organisieren. Wenn Ihre Produkte logisch organisiert sind, wird die Produktnavigation, die Auffindbarkeit und der Zugriff darauf wesentlich erleichtert. Oft haben Einzelhändler zwar die richtigen Produkte, die von den Kunden benötigt werden, aber dennoch gehen ihnen potenzielle Umsätze verloren, weil die Kunden nicht in der Lage sind, die benötigten Waren schnell und effizient zu finden. Das passiert, wenn Ihre Produkte nicht logisch strukturiert sind oder eine Taxonomie fehlt.

Wie kann man das beheben?

Große Einzelhändler stellen oft Taxonomen ein, die ihre Produkte auf der Grundlage ähnlicher Muster oder Merkmale kategorisieren. Allerdings können es sich nicht alle Einzelhändler leisten, solche Fachleute einzustellen. Sie nutzen Self-Service-Tools zur Produktkategorisierung, die riesige Mengen an Produktinformationen analysieren und Produkte intelligent in eine hierarchische Struktur einordnen.

Lesen Sie mehr unter Produkttaxonomie 101: Kategorisieren Sie Ihre Shop-Hierarchie, um den Umsatz zu steigern.

c. Fehlen einer standardisierten Produktklassifizierung und -benennung

Was ist das?

Kleine Einzelhändler führen die Produktkategorisierung oder Taxonomie intern durch, d. h. sie erstellen ihre eigenen benutzerdefinierten Kategorien und klassifizieren die Produkte entsprechend. Andererseits benötigen Einzelhändler, die weltweit handeln, mehr standardisierte Klassifizierungsregeln – nicht für die Kategorisierung von Produkten, sondern auch für die Zuweisung eindeutiger IDs oder Produktnummern.

Nehmen wir zum Beispiel die Produktnummer 00121. Diese Nummer entspricht dem von den Vereinten Nationen verwalteten System der Standard International Trade Classification (SITC) für Produktkategorien. Diese Norm verwendet folgende Hierarchie: Abteilungsgruppe – Untergruppe – Überschrift.

Wie kann man das beheben?

Anstatt Ressourcen für die Überprüfung globaler Klassifizierungsstandards und die manuelle Klassifizierung und Benennung jedes Produkts in Ihrem Bestand einzustellen, ist es am besten, Tools zu verwenden, die eine automatische Kategorisierung nach universell identifizierten Standards unterstützen.

Lesen Sie mehr unter Produktdaten klassifizieren: Klassifizierungsstandards und wie man sie problemlos implementiert.

3. Standort

Standortdaten sind ein weiteres wichtiges Gut im Besitz von Einzelhändlern. Unabhängig davon, ob es sich dabei um die Standorte Ihrer Einzelhandelsgeschäfte oder um Kundenadressen handelt, müssen diese Daten unbedingt frei von Datenqualitätsproblemen wie fehlenden Informationen oder ungeprüften Adressen sein.

Gibraltar Group uses DataMatch Enterprise

See how Gibraltar Group consolidates address silos to spearhead sales campaigns.

Read case study

a. Nicht standardisierte Adressen

Was ist das?

Nicht standardisierte Adressen beziehen sich auf das Vorhandensein von unformatierten, unstrukturierten oder halbstrukturierten Adressinformationen in Ihren Datensätzen. Normung bezieht sich entweder auf:

die Struktur Ihrer Adressen (z. B. ob sie sich über mehrere Adressfelder erstrecken oder alle Informationen in einem einzigen Adressfeld enthalten sind) oder

Das Format der in diesen Feldern verfügbaren Werte; zum Beispiel werden Staaten abgekürzt (NY) oder richtig geschrieben (New York).

Wie kann man das beheben?

Dieses Problem der Datenqualität kann durch die Standardisierung von Adressen behoben werden. Adressstandardisierung (oder Adressnormalisierung) ist der Prozess, bei dem das Format von Adressen anhand einer maßgeblichen Datenbank – wie USPS in den USA – überprüft und Adressinformationen in ein akzeptables, standardisiertes Format umgewandelt werden.

Eine standardisierte Adresse wird korrekt geschrieben, formatiert, abgekürzt, geokodiert und mit genauen ZIP+4-Werten angehängt. Standardisierte Adressinformationen sind wichtig, um zuverlässige Lieferungen und Sendungen sowie effektive Direktmailing-Kampagnen basierend auf dem Standort des Kunden zu gewährleisten.

Lesen Sie mehr unter Eine Kurzanleitung zur Adressennormung und -überprüfung.

b. Nicht geprüfte Adressen

Was ist das?

Wie oft haben Sie schon Bestellungen für die Zustellung an Kunden aufgegeben, nur damit Ihr Zusteller stundenlang nach der Adresse suchen musste – oder schlimmer noch, sie überhaupt nicht finden konnte, weil die angegebene Adresse kein gültiger, zustellbarer Ort war. So sehen ungeprüfte Adressen in Ihren Datensätzen aus.

Wie kann man das beheben?

Dieses Datenqualitätsproblem kann durch Techniken zur Adressüberprüfung behoben werden. Bei der Adressüberprüfung werden die Adressen mit einer maßgeblichen Datenbank – z. B. dem USPS in den USA – abgeglichen und die Echtheit der Informationen überprüft. Dabei wird überprüft, ob es sich bei der Adresse um einen für die Postzustellung geeigneten, genauen und gültigen Ort innerhalb des Landes handelt.

Der Prozess beginnt in der Regel mit der Standardisierung von Adressen und geht dann weiter zu Parsing, Geokodierung, Formatierung usw.

Lesen Sie mehr unter Ist die Adressüberprüfung eine Option?

4. Verkäufe

Betrachten wir den letzten, aber ebenso wichtigen Vermögenswert für einen Einzelhändler – die Verkaufsunterlagen. Da Verkaufsdatensätze Transaktionen nachverfolgen, beziehen sie sich in ihren Transaktionsinformationen häufig auf eine oder mehrere Dateneinheiten, wie z. B. Produkte, Kunden, Standorte, Geschäfte usw. Diese Aufzeichnungen sind für den Einzelhandel sehr wichtig, da wichtige Entscheidungen auf Verkaufsinformationen beruhen, wie z. B. die Überwachung des Jahresumsatzes und des Gewinns sowie die Ermittlung unserer Stammkunden, der meistverkauften Produkte, der Kundenpräferenzen zu einer bestimmten Jahreszeit usw.

Integrating Salesforce with DataMatch Enterprise

Improve business opportunities and customer experience by fusing the industry’s fastest data cleansing software with the industry’s leading CRM.

Download whitepaper

a. Fehlende referenzielle Integrität

Was ist das?

Da sich Verkaufsdatensätze auf andere Entitäten beziehen, ist eines der größten Datenqualitätsprobleme bei Verkaufsdaten die fehlende referenzielle Integrität. Referentielle Integrität bedeutet, dass die Datensätze ihrem referenzierenden Gegenstück entsprechen. Einzelhändler speichern ihre Verkaufsdaten wahrscheinlich in einer Verkaufstabelle, und in jedem Datensatz ist vermerkt, welches Produkt verkauft wurde, als der Verkauf stattfand. Daher erwarten Sie wahrscheinlich, dass Sie in der Verkaufstabelle sowohl Verkaufs- als auch Produkt-IDs finden. Wenn jedoch ein Verkaufsdatensatz auf Produkt-IDs verweist, die in der Produkttabelle nicht vorhanden sind, ist es offensichtlich, dass Ihre Datensätze keine referenzielle Integrität aufweisen. Diese Probleme können dazu führen, dass Ihre Teams falsche Berichte erstellen, falsche Produkte ausliefern oder Produkte an Kunden liefern, die es gar nicht gibt, und so weiter.

Wie kann man das beheben?

Um dieses Datenqualitätsproblem zu lösen, ist es wichtig, Beziehungseinschränkungen (Primärschlüssel, Fremdschlüssel) in Ihrem Verkaufsdatenmodell durchzusetzen. Es ist jedoch ratsam, auch die Probleme mit der referentiellen Integrität zu prüfen, die derzeit in Ihrem Datensatz vorhanden sind. Dies kann mit Hilfe von intelligenten Suchformeln geschehen, um sicherzustellen, dass alle referenzierenden IDs im Verkaufsdatensatz in ihren jeweiligen Datensätzen vorhanden sind.

Einpacken

Wir haben viele Details über Datenqualität und ihre Bedeutung für den Einzelhandel besprochen. Von den Vorteilen sauberer Daten und Indikatoren für schlechte Daten bis hin zur genauen Art von Datenqualitätsproblemen im Einzelhandel und wie sie möglicherweise behoben werden können. Da wir seit über einem Jahrzehnt Datenlösungen für Fortune-500-Kunden bereitstellen, sind wir vielen Führungskräften begegnet, die die Bedeutung von Datenqualitätslösungen für ein erfolgreiches Einzelhandelsgeschäft hervorheben. Aus diesem Grund haben wir eine Lösung entwickelt, die fast alle Probleme mit der Datenqualität im Einzelhandel effizient behebt.

Major retailer uses DataMatch Enterprise

See how a major wholesaler beats a two-year data merger project deadline by several months.

Read case study

Unsere Lösung DataMatch Enterprise bietet robuste Datenbereinigung, Standardisierung, Abgleich und verschiedene andere Lösungen, um die Qualität Ihrer Produkt-, Kunden- und Transaktionsdaten zu verbessern, Kundenadressen für schnelle Auftragslieferungen zu verifizieren und zu lokalisieren sowie ungeklärte Kundenidentitäten abzugleichen, um eine korrekte Rechnungsstellung zu gewährleisten.

Wenn Sie mehr darüber erfahren möchten, wie wir Ihnen helfen können, laden Sie noch heute eine kostenlose Testversion herunter oder buchen Sie eine Demo mit unseren Experten.

In this blog, you will find:

Try data matching today

No credit card required

*“ zeigt erforderliche Felder an

Hidden
Hidden
Hidden
Hidden
Hidden
Hidden
Hidden
Dieses Feld dient zur Validierung und sollte nicht verändert werden.

Want to know more?

Check out DME resources

Merging Data from Multiple Sources – Challenges and Solutions

Oops! Wir konnten dein Formular nicht lokalisieren.