Blog

Was ist Datengenauigkeit, warum ist sie wichtig und wie können Unternehmen sicherstellen, dass sie über korrekte Daten verfügen.

Ungenaue Daten haben branchenübergreifend Auswirkungen auf die Praxis. Bei der Strafverfolgung könnten ungenaue Daten dazu führen, dass die falsche Person für ein Verbrechen festgenommen wird. Im Gesundheitswesen könnte es bedeuten, dass ein fataler Fehler bei der Patientenversorgung gemacht wird. Im Einzelhandel könnte dies bedeuten, dass bei der Geschäftsausweitung kostspielige Fehler gemacht werden. Im Finanzbereich könnte dies bedeuten, dass gegen Sanktionsvorschriften und -listen verstoßen wird.

Datengenauigkeit ist nicht mehr „nur“ eine Komponente der Datenqualität. Es ist buchstäblich das wichtigste Merkmal, das Daten nutzbar und zweckmäßig macht.

In diesem ausführlichen Leitfaden erfahren Sie alles, was Sie darüber wissen müssen:

  • Was bedeutet Datengenauigkeit?
  • Die Ursachen für die Ungenauigkeit von Daten
  • Die hohen Kosten der Ungenauigkeit von Daten
  • Warum es wichtig ist, die Datengenauigkeit zu erhalten
  • Warum haben Unternehmen Probleme mit der Datenqualität und Datengenauigkeit?
  • Welche Schritte Sie zur Verbesserung der Datengenauigkeit unternehmen können
  • Einige Beispiele und wichtige Fallstudien

Schauen wir genauer hin.

Was ist Datengenauigkeit?

Die Datengenauigkeit bezieht sich auf fehlerfreie Aufzeichnungen, die als zuverlässige Informationsquelle verwendet werden können.

Im Datenmanagement ist die Datengenauigkeit die erste und entscheidende Komponente/Standard des Datenqualitätsrahmens. Ein vielzitiertes Werk, Data Quality: The Accuracy Dimension “ von Jack Olson erklärt Form und Inhalt als zwei der wichtigsten Merkmale der Datengenauigkeit.

Hier ist ein Beispiel:

In der US-Datenbank werden die Daten im Format MM/TT/JJJJ angegeben, während in der EU-Datenbank und anderen Ländern der Welt das Format TT/MM/JJJJ verwendet wird. Wenn der 10.09.2020 in einen Inhalt umgewandelt würde, welche der beiden Angaben wäre dann Ihrer Meinung nach richtig?

Ist heute der10. September oder ist es der9. Oktober? Dies ist das klassische Problem zwischen Bedeutung und Form, das die Datengenauigkeit bedroht. Und dies geschieht in der Regel aufgrund fehlender Datenstandardisierung und fehlender Regeln.

Es ist unerlässlich, dass alle in einem Data Warehouse gespeicherten Daten korrekt und für die Verwendung geeignet sind. Sie wirkt sich auf die Business Intelligence, die Prognosen, die Budgetierung und andere wichtige Aktivitäten eines Unternehmens aus. Wenn die Daten irrelevant, falsch, unvollständig und ungenau sind, können sie Prozesse stören und die betriebliche Effizienz beeinträchtigen.

Was sind die Ursachen für ungenaue Daten?

Die Ursachen für ungenaue Daten sind vielfältig. Einige der häufigsten Ursachen sind:

Schlechte Praktiken bei der Dateneingabe: Die Ungenauigkeit der Daten ist das Ergebnis schlechter Dateneingabepraktiken. In einem Unternehmen ohne Data Governance werden die Daten in verschiedenen Formaten, Stilen und Varianten eingegeben. So kann beispielsweise der Name eines Kunden von drei verschiedenen Vertretern auf drei verschiedene Arten geschrieben werden. Schlimmer noch, Daten aus sozialen Medien sind sehr anfällig für Fehler, Tippfehler und Copy/Paste-Fehler.

Keine Regelung der Datenzugänglichkeit: Das CRM ist ein gutes Beispiel für diesen Punkt. Wenn Vertrieb, Marketing, Kundendienst und Kundenbetreuer gleichzeitig darauf zugreifen, können CRMs zu einer Brutstätte für doppelte, inkonsistente und ungenaue Daten werden. So kann es beispielsweise vorkommen, dass ein Marketingmitarbeiter vor der Veröffentlichung einer Fallstudie den Firmennamen des Kunden überprüfen möchte und dann im Feld Firmenname eine falsche Schreibweise oder eine Kurzform des Namens sieht, die vielleicht von einem Vertriebsmitarbeiter eingegeben oder geändert wurde. Der Marketingmitarbeiter muss mehrere Überprüfungsrunden durchlaufen, um diesen Fehler zu beheben. Schlimmer noch, der Kunde kann am Ende auf den Fehler hinweisen, wenn die Fallstudie ohne Überprüfung veröffentlicht wurde.

Die Datenqualität wird in der Regel nicht berücksichtigt: Die Teams sind zu sehr mit Verkauf, Marketing und Werbung beschäftigt, um über fehlerhafte Informationen im Datensatz nachzudenken. Die Führungskräfte sind zu sehr damit beschäftigt, über Investitionen in Cloud- und Big-Data-Systeme, ausgefallene Software und Technologien nachzudenken, als dass sie sich um Daten kümmern. Die IT-Teams sind zu sehr damit beschäftigt, die Unternehmensführung bei der „Transformation“ zu unterstützen, als dass sie sich über uneinheitliche, doppelte und ungenaue Daten aufregen könnten. Datenqualität oder -genauigkeit ist kein Thema für die Vorstandsetage. Sie rückt nur dann ins Rampenlicht, wenn etwas drastisch schief läuft, wie ein fehlerhafter Bericht oder eine unwirksame Marketingkampagne.

All diese Ursachen führen zu Verlusten in Millionenhöhe.

Die hohen Kosten ungenauer Daten

Ein paar statistische Angaben, um die Sache zu verdeutlichen.

High Cost of Inaccurate Data

  • Schlechte Daten kosten Unternehmen schätzungsweise 15 % ihres Umsatzes. (Gartner)
  • Die durchschnittlichen finanziellen Auswirkungen schlechter Datenqualität auf Unternehmen belaufen sich auf 9,7 Millionen Dollar pro Jahr. (Gartner)
  • Allein in den USA verlieren Unternehmen jährlich 3,1 Billionen Dollar durch schlechte Datenqualität. (IBM)
  • Mehrere Forschungsberichte haben gezeigt, dass schlechte Daten die Unternehmen im Durchschnitt 30 % oder mehr ihrer Einnahmen kosten.
  • Fast ein Drittel der Analysten verbringt mehr als 40 Prozent ihrer Zeit mit der Überprüfung und Validierung ihrer Analysedaten. (Forrester)
  • Wissensarbeiter verschwenden 50 % ihrer Zeit in versteckten Datenfabriken mit der Suche nach Daten, dem Auffinden und Korrigieren von Fehlern und der Suche nach bestätigenden Quellen für Daten, denen sie nicht vertrauen. (HBR)
    • 28 % der Unternehmen, die Probleme bei der Zustellung von E-Mails hatten, geben an, dass der Kundenservice aufgrund schlechter Daten gelitten hat. (E-Consultancy)
  • 20 bis 30 Prozent der Betriebskosten sind auf schlechte Daten zurückzuführen. (Pragmatische Arbeiten)

Diese Statistiken belegen, dass ungenaue, mangelhafte Daten in den meisten Unternehmen ein hartnäckiges Problem darstellen, das enorme Auswirkungen auf den ROI, den Ruf des Unternehmens und das Vertrauen der Kunden hat.

Warum es wichtig ist, die Datengenauigkeit aufrechtzuerhalten

Einblicke. Analytik. Intelligenz.

Die drei wichtigsten Ziele, die Unternehmen mit Daten erreichen wollen. Dies wird nicht durch mehr Daten erreicht. Dies wird durch genaue, vollständige, zeitnahe und zuverlässige Daten erreicht.

Anhand dieser Ziele trifft ein Unternehmen wichtige Entscheidungen, wie zum Beispiel:

  • Expansion auf einen neuen Markt
  • Einführung eines neuen Dienstes
  • Verständnis der Marktposition
  • Die Wettbewerber verstehen
  • Kunden verstehen & Kundenservice personalisieren
  • Ermöglichung effizienter Unternehmensprozesse

… und so vieles mehr. Je nach Branche kann die Datengenauigkeit über Erfolg oder Misserfolg eines Unternehmens entscheiden. Die Auswirkungen ungenauer Daten auf die reale Welt können nicht ignoriert werden.

Warum haben Unternehmen Probleme mit der Datenqualität und Datengenauigkeit?

Millionenbeträge werden in Datenverwaltungslösungen investiert. Eine HBR-Studie, an der 75 Führungskräfte teilnahmen, ergab jedoch, dass nur 3 % der Befragten der Meinung waren, dass ihre Daten innerhalb des akzeptablen Bereichs von 97 oder mehr korrekten Datensätzen von 100 lagen.

Unternehmen haben Schwierigkeiten, die Datengenauigkeit aufrechtzuerhalten, weil sie sich nur darauf konzentrieren, mehr Daten zu sammeln, anstatt die vorhandenen Daten nutzbar zu machen.

Nach unserer Erfahrung mit mehr als 4.500 Kunden gibt es drei wesentliche Hindernisse, die Unternehmen daran hindern, genaue Aufzeichnungen zu führen.

Schlechte Datenkultur: Die Unternehmen haben sich noch nicht wirklich eine datenorientierte Kultur zu eigen gemacht. Es wird viel in Technologien, aber wenig bis gar nicht in die Schulung des Datenbewusstseins investiert. Begriffe wie Datenqualität oder Datengenauigkeit sind den Mitarbeitern meist nicht bewusst. Lange Zeit waren diese Praktiken auf die IT-Abteilung beschränkt. Wenn es um Kundendaten geht, nehmen die Mitarbeiter des Unternehmens nach Belieben Änderungen vor, ohne sich an definierte Standards oder Datenqualitätsprotokolle zu halten. Diese Lücken machen es den Unternehmen unmöglich, Datengenauigkeit zu erreichen, wodurch die Datenintegrität beeinträchtigt wird.

Daten horten statt datengesteuert sein: Das Horten von Daten hat wirklich kein Ende. Unternehmen geben Millionen in Big-Data-Technologien aus und sammeln jeden Tag mehr Daten. Aber es gibt kein System, um diese Daten sinnvoll zu nutzen. Es sind keine Ressourcen vorhanden, um die Daten rechtzeitig zu bereinigen, zu sortieren und zu verwalten. Es gibt keine Automatisierung und definitiv keine Verfahren zur Lösung von Datenqualitätsproblemen, was zum dritten Hindernis führt.

Hartnäckiges Vertrauen in veraltete Methoden und Technologien: In den meisten Unternehmen werden die Daten heute noch manuell mit Excel, SQL oder ETL-Tools aufbereitet. Sie alle sind nicht in der Lage, die Komplexität moderner Daten zu bewältigen – insbesondere Kundendaten, die über soziale Medien, Drittanbieter oder Webformulare gewonnen werden. Diese Daten sind voller Fehler, Ungenauigkeiten und Ungereimtheiten und können nicht manuell bearbeitet oder aufbereitet werden, da es Monate dauern würde, bis ein Unternehmen Tausende von Datenzeilen bereinigt und abgeglichen hat.

Die Nichtbeachtung der dringenden Notwendigkeit, die Datenqualität zu gewährleisten, behindert Ihren Fortschritt und beeinträchtigt Ihren ROI – was uns zum nächsten wichtigen Punkt führt.

Wie berechnet man den ROI für die Datengenauigkeit?

Der ROI bestimmt alle, wenn nicht sogar die meisten Unternehmensentscheidungen. Wie bei jedem anderen Prozess werden wir unser Bestes tun, um die Ausgaben für die Datenqualität zu rechtfertigen, indem wir ihren ROI messen, und die meisten Führungskräfte werden dabei einen traditionellen Ansatz verwenden:

Wie viel werden wir in $ verdienen, wenn wir $ für die Korrektur unserer Daten ausgeben?

Nun, hier ist eine nicht-traditionelle Antwort.

Sie erhöhen Ihren ROI, wenn:

  • Ihr Unternehmen macht *keinerlei* Fehler aufgrund von schlechten Daten.
  • Man gibt nicht jeden Dollar aus, um jede Platte zu reparieren.
  • Ihre Teams haben Zugriff auf eine saubere, zentralisierte Datenquelle, mit der sie arbeiten können.
  • Der Nutzen der Datenkorrektur überwiegt die Kosten für das Vertuschen von Fehlern und Ineffizienzen, die durch schlechte Daten verursacht werden.
  • Sie treffen sichere Entscheidungen auf der Grundlage von Erkenntnissen und Berichten, die aus genauen Daten abgeleitet sind.

Tatsache ist, dass der ROI einer jeden Datenqualitätsinitiative schwer zu ermitteln ist. Aber die Kosten für schlechte Daten sind ziemlich offensichtlich. Unternehmen verlieren jährlich Millionen von Dollar aufgrund von Duplikaten, veralteten Daten, unvollständigen Daten, nicht übereinstimmenden Daten, unzugänglichen und uneinheitlichen Daten.

Hier ist ein Beispiel:

Ein auf Abonnements basierendes Online-Lernunternehmen muss eine Million Datensätze abgleichen, die aus drei Quellen stammen: Lead-Formulare, CRM, Kundendienst.

Bei der Verwendung herkömmlicher ETL-Tools führt das Unternehmen den Abgleich durch, erhält aber 3,5 % falsch-negative und 6,8 % falsch-positive Ergebnisse. Allein diese Zahl hat das Unternehmen Hunderte von Dollar an Umsatz und Arbeitsstunden gekostet (für die manuelle Überprüfung aller falsch negativen und positiven Ergebnisse). Hätte das Unternehmen eine ernsthafte Datenqualitätsinitiative ergriffen, hätte es verhindern können, dass 11 % seiner gesamten Datensätze verschwendet werden.

11% von einer Million = 11.0000

Angenommen, jeder Kunde zahlt $100

Das sind 11.0000 x 100 = 11000000

Elf Millionen an verschwendeten Einnahmen. Das ist ein schwerer Schlag für die Rentabilität eines jeden Unternehmens.

Sind Sie bereit, das Notwendige zu tun, um die Datengenauigkeit zu verbessern?

Damit können Sie beginnen.

Welche unmittelbaren Schritte können Sie unternehmen, um die Datengenauigkeit zu verbessern?


Sie könnten versucht sein, einen Datenanalysten einzustellen. Oder ändern Sie vielleicht Ihr CRM. Oder Sie beauftragen Ihre IT-Teams (erneut) mit der Entwicklung einer Lösung.

Halt!

Das alles wird nicht funktionieren.

Was dann?

Einige unmittelbare Schritte, die ich empfehle, wären:

  • Führen Sie ein Audit der Datenqualität durch. Informieren Sie sich über die fünf wichtigsten Probleme, die Ihre Datenqualität beeinträchtigen. Zu den häufigsten Problemen gehören Dubletten, unvollständige Informationen und in mehreren Silos gespeicherte Daten, von denen mehr als die Hälfte entweder veraltet oder längst vergessen ist.
  • Messen Sie die geschätzten Auswirkungen. Angenommen, Sie haben diesen Monat tausend neue Leads. Wie viele dieser Leads sind tatsächlich verwertbar? Wenn es nur zwei- oder dreihundert sind, gehen Ihnen Einnahmen verloren.
  • Messen Sie den Arbeitsaufwand für die Korrektur dieser Daten. Wie viel Zeit verbringen Ihre Mitarbeiter mit der Überprüfung und Korrektur von Informationen? Machen sie das manuell? Wie viele Anrufe werden getätigt und wie lange dauert jeder Anruf durchschnittlich? Schätzen Sie die Kosten für die manuelle Korrektur dieser Daten ab. Wenn Ihr Team einen Monat braucht, um einen Datensatz mit 1.000 Zeilen zu überprüfen, zu bereinigen, abzuleiten und zu korrigieren, müssen Sie sich nach einer schnelleren, automatisierten Lösung umsehen.
  • Entscheiden Sie sich für eine automatisierte Lösung: Bei der Prüfung Ihrer Daten werden Sie vielleicht feststellen, dass Sie eine Lösung für den Datenabgleich benötigen, die Ihnen hilft, Duplikate zu entfernen und vielleicht mehrere Datensätze aus verschiedenen Quellen zu einem konsolidierten, goldenen Datensatz zusammenzufassen. Die meisten Unternehmen verwenden die DataMatch Enterprise-Lösung von Data Ladder für den Datenabgleich und die Deduktion von Daten. Darüber hinaus können sie ihre Daten profilieren, bereinigen, standardisieren und aufbereiten.
  • Beauftragen Sie einen Datenanalysten mit der Datenaufbereitung : Sie denken vielleicht daran, einen Datenanalysten einzustellen und ihn die Bereinigung durchführen zu lassen, aber das ist kaum die richtige Verwendung seiner Fähigkeiten. Ihr Datenanalyst muss mit den richtigen Tools und Ressourcen ausgestattet sein, damit er Ihnen helfen kann, genaue Daten zu erhalten. Sie müssen der Denker und der Stratege sein, während die Lösung, mit der Sie sie ausstatten, der Macher ist. Ihr Analyst darf nicht 80 % seiner Zeit mit Hausmeistertätigkeiten verbringen (Experten bezeichnen die Datenbereinigung als Hausmeistertätigkeit, und das ist kein Spaß!) Überlassen Sie die Reinigung den Lösungen und lassen Sie Ihre Analysten das Denken übernehmen!
  • Konzentrieren Sie sich nur auf bestimmte Datensätze, die Sie korrigieren wollen, und nicht auf die gesamte Datenquelle: Es ist unmöglich, eine pauschale Operation an Ihrer gesamten Datenquelle oder Datenbank durchzuführen. Das wäre nicht nur nutzlos, sondern auch eine Verschwendung von Arbeit. Konzentrieren Sie sich stattdessen auf die Optimierung von Daten, die Sie für unmittelbare Aufgaben benötigen – z. B. die Bereinigung von Daten der letzten sechs Monate zur Vorbereitung eines Halbjahresberichts oder von Daten des letzten Quartals zur Vorbereitung einer Werbekampagne. Wenn Sie sich zunächst auf die wichtigen Daten konzentrieren, können Sie nach und nach auch die anderen Daten sortieren und entscheiden, was Sie behalten und was Sie verwerfen wollen.

Mit diesen Sofortmaßnahmen können Sie Ihre Teams darauf vorbereiten, wichtige Geschäftsvorgänge wie eine anstehende Migrationsinitiative, eine große Werbekampagne oder einen Business Intelligence-Bericht zu bearbeiten. Das grundlegende Ziel, über genaue Daten zu verfügen, ist die Gewährleistung der Datenintegrität. Ihre Daten können über Ihr Unternehmen entscheiden oder es zerstören. Ist es Ihnen wichtig genug, das Problem zu lösen?

Fallstudie Cleveland Brothers

Cleveland Brothers Equipment Company Inc. ist als Maschinenhändler tätig und unterstützt eine Reihe von Branchen wie Bauwesen, Landwirtschaft, Energieerzeugung, Landschaftsbau und mehr. Das bedeutet, dass das Unternehmen mit mehreren Kundendatensätzen zu tun hat, die aus verschiedenen Quellen stammen und unterschiedliche Interessen und Bedürfnisse haben.

Das Unternehmen benötigte eine Lösung für das Datenqualitätsmanagement, die es ihm ermöglichte, Daten abzuleiten und Kontaktinformationen wie Namen, Telefonnummern, Rechnungsadressen und Firmennamen abzugleichen. Außerdem sollte die Lösung bei der Datenbereinigung und Datenstandardisierung helfen.

DataMatch Enterprise war das Tool der Wahl, mit dem das Unternehmen mehrere wichtige Operationen auf einmal durchführen konnte. Da das Tool einfach zu bedienen ist und keine zusätzlichen Programmierkenntnisse erfordert, konnten selbst die Geschäftsressourcen des Unternehmens die Daten problemlos aufbereiten.

Fallstudie Cleveland Brothers

Laden Sie die Fallstudie herunter und sehen Sie, wie der führende Wiederverkäufer von Geräten Zeit bei der Verwaltung mehrerer Kundenlisten spart.


Herunterladen

Zum Schluss: Gehen Sie keine Kompromisse bei der Datengenauigkeit ein. Ihr Unternehmen braucht Daten, denen es vertrauen kann

Die Datenqualität ist das Ziel. Die Genauigkeit der Daten ist das Ergebnis. Mit den richtigen personellen und technologischen Ressourcen wird Ihr Unternehmen besser in der Lage sein, selbstbewusst in die Zukunft zu gehen.

Wie die besten Fuzzy-Matching-Lösungen funktionieren: Kombination von bewährten und eigenen Algorithmen


Herunterladen

Starten Sie noch heute Ihren kostenlosen Test

Oops! Wir konnten dein Formular nicht lokalisieren.

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
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.