Wenn Sie all diese Fragen mit „JA“ beantwortet haben, haben Sie ein Problem mit der Datenqualit\u00e4t.<\/p>\n
Aus diesem Grund m\u00fcssen Sie Data Cleaning einf\u00fchren.<\/p>\n
In diesem ausf\u00fchrlichen Leitfaden gehen wir darauf ein:<\/p>\n
- \n
- Was ist Datenbereinigung?<\/li>\n
- Wie kann Datenbereinigung Unternehmen helfen?<\/li>\n
- Merkmale hochqualitativer Daten<\/li>\n
- Verf\u00fcgbare L\u00f6sungen und bew\u00e4hrte Praktiken<\/li>\n<\/ul>\n
Fangen wir an!<\/p>\n
Was ist Datenbereinigung?<\/h3>\n
Datenbereinigung<\/a> – auch bekannt als Data Scrubbing<\/a>, ist ein Prozess, der Daten nutzbar macht. Es „bereinigt“ doppelte Daten und hilft auch bei der Datenumwandlung. Dieser Prozess wird allgemein als Datenbereinigung bezeichnet und umfasst Folgendes:<\/p>\n
- \n
- Deduplizierung von Daten<\/a> und Beseitigung von Redundanzen<\/li>\n
- Berichtigung unvollst\u00e4ndiger oder ung\u00fcltiger Daten<\/li>\n
- Formatierung und Standardisierung von Daten<\/li>\n
- Umwandlung unordentlicher Daten in verwertbare Daten<\/li>\n<\/ul>\n
Mit einer effektiven und regelm\u00e4\u00dfigen Datenbereinigung werden Ihre Datenquellen f\u00fcr die vorgesehene Verwendung vorbereitet – frei von sch\u00e4dlichen Fehlern und unsch\u00f6nen Irrt\u00fcmern.<\/p>\n
Wie kann Datenbereinigung Unternehmen helfen?<\/h3>\n
Datenbereinigung ist nicht nur ein IT-Problem. In der gesamten Organisation sammeln die Abteilungen Daten aus einer Reihe von verbundenen Anwendungen und Aktivit\u00e4tsprotokollen. Jede dieser Abteilungen ben\u00f6tigt Daten f\u00fcr die Analyse, die Erstellung statistischer Berichte und f\u00fcr strategische Gesch\u00e4ftsentscheidungen.<\/p>\n
Hier erfahren Sie, wie die Datenbereinigung verschiedenen Abteilungen Ihres Unternehmens helfen kann:<\/p>\n
Datenkonformit\u00e4t: In einer Zeit, in der Regierungen auf der ganzen Welt die Datenerfassung reglementieren, m\u00fcssen Unternehmen sicherstellen, dass sie die Datenschutzbestimmungen einhalten und mit den Daten konform sind. So k\u00f6nnte beispielsweise ein E-Commerce-H\u00e4ndler von der Regierung mit Strafen belegt werden, wenn er die Datenschutzbestimmungen nicht einh\u00e4lt. Um diese Vorschriften zu erf\u00fcllen, muss das Unternehmen seine Daten im Rahmen<\/a> der DSGVO<\/a> verarbeiten, indem es sicherstellt, dass die Kundendaten auf dem neuesten Stand sind und saubere und genaue Aufzeichnungen gef\u00fchrt werden. Dateninkonsistenzen in Aufzeichnungen k\u00f6nnten die Ziele der GDPR-Einhaltung beeintr\u00e4chtigen.<\/p>\n
Vereinheitlichung unterschiedlicher Datenquellen: Eine Organisation kann \u00fcber mehrere Datenquellen<\/a> verf\u00fcgen, die verschiedene Arten von Informationen \u00fcber eine Entit\u00e4t sammeln und speichern. Die Wahrscheinlichkeit, dass diese Datenquellen doppelte Daten speichern, ist gro\u00df. Wenn beispielsweise Marketing und Kundendienst unterschiedliche CRM-Systeme verwenden, um die Kontaktdaten eines Unternehmens zu erfassen, bedeutet dies, dass das Unternehmen mit doppelten Daten zu tun hat, die in unterschiedlichen Formaten und Stilen eingegeben werden.<\/p>\n
Kundendienst: Eine Kundendienstabteilung, die sich aufgrund falscher, unvollst\u00e4ndiger oder ung\u00fcltiger Adressdaten nicht um Kundenprobleme k\u00fcmmert. Eine E-Mail wurde an die falsche ID gesendet. Eine E-Mail mit einer falschen Schreibweise oder einem falschen Namen des Kunden. All dies sind Beispiele daf\u00fcr, wie schlechte Daten den Kundenservice beeintr\u00e4chtigen k\u00f6nnen. Saubere Daten gew\u00e4hrleisten, dass Sie \u00fcber die richtigen und aktuellen Kontaktinformationen verf\u00fcgen, um optimale Dienstleistungen zu erbringen.<\/p>\n
Betriebliche Effizienz: Saubere Daten helfen Unternehmen bei der Erstellung von Prozessen, und wir alle wissen, dass klar definierte Prozesse zur betrieblichen Effizienz beitragen. So konnte beispielsweise unser Kunde Zurich Insurance<\/a> seine betriebliche Effizienz verbessern und seinen ROI steigern, als er in der Lage war, die Fehler in seinen Daten zu identifizieren und seine Daten von Duplikaten, Tippfehlern und unordentlichen Fehlern zu befreien.<\/p>\n
Marketing: Keine andere Abteilung in einem Unternehmen ist mit der Aufgabe betraut, qualitativ hochwertige Daten zu pflegen, als die Marketingabteilung. Ob es sich um E-Mail-Kampagnen, Social-Media-Kampagnen, Werbung oder andere Aktivit\u00e4ten handelt, die Daten der Verbraucher stehen im Vordergrund. Falsche Daten k\u00f6nnen katastrophale Folgen haben. Es ist nicht ungew\u00f6hnlich, dass Unternehmen ihre Kampagnenmails an die falsche Zielgruppe schicken.<\/p>\n
Vertrieb: So wichtig Kundendaten f\u00fcr das Marketing sind, so wichtig sind sie auch f\u00fcr den Vertrieb. Tats\u00e4chlich sind die Verkaufsdaten die wichtigsten Daten, die einem Unternehmen Aufschluss \u00fcber ROI, Umsatz und Rentabilit\u00e4t geben. Unternehmens-Tools zur Datenbereinigung werden in der Regel in Verkaufsabteilungen eingesetzt, um doppelte Verkaufsdatens\u00e4tze zu entfernen. Wenn sie vernachl\u00e4ssigt werden, k\u00f6nnen doppelte Verkaufsaufzeichnungen zu verzerrten ROI-Berichten f\u00fchren und das gesamte Unternehmen beeintr\u00e4chtigen.<\/p>\n
Dies sind nur einige sehr einfache Beispiele f\u00fcr die Folgen von schlechten Daten. Die t\u00e4glichen Probleme, die Unternehmen mit schlechten Daten haben, sind tief in den Unternehmensprozessen verwurzelt und erfordern erhebliche Anstrengungen von Managern und F\u00fchrungskr\u00e4ften, um sie zu l\u00f6sen.<\/p>\n
Wenn ein Unternehmen der Datenbereinigung Priorit\u00e4t einr\u00e4umt, kann es all diese Probleme vermeiden und von den Vorteilen hochwertiger, sauberer Daten profitieren.<\/p>\n
Was macht qualitativ hochwertige oder saubere Daten aus?<\/h3>\n
Es ist zwar wichtig, Daten zu bereinigen, aber woher wissen wir, was Daten zu hochwertigen Daten macht? Es gibt einige „Standards“, die in der Branche weit verbreitet sind, um die Qualit\u00e4t von Daten zu messen. Der gesamte Zweck der Datenbereinigung besteht darin, diese Standards zu erreichen, die als alle Daten definiert werden k\u00f6nnen, die in Ordnung sind:<\/p>\n
G\u00fcltig: Es gelten bestimmte Regeln f\u00fcr Datenquellen. So m\u00fcssen zum Beispiel alle Adressen aus Postleitzahlen<\/a> bestehen oder alle Telefonnummern mit den dazugeh\u00f6rigen Landes- und Ortsvorwahlen geschrieben werden. Datenfelder, die diese G\u00fcltigkeitsregeln nicht erf\u00fcllen, gelten als ung\u00fcltig. So werden beispielsweise Adressen ohne vollst\u00e4ndige Postleitzahl als ung\u00fcltig betrachtet. Die G\u00fcltigkeitsregeln werden z. B. durch Gesch\u00e4ftsregeln oder Beschr\u00e4nkungen definiert:<\/p>\n
- \n
- Wichtige Spalten wie Nachname, E-Mail-Adressen d\u00fcrfen nicht leer sein.<\/li>\n
- Die Dateneingabe muss definierten Formaten folgen<\/li>\n
- Ein Feld oder mehrere Felder m\u00fcssen in einem Datensatz eindeutig sein<\/li>\n<\/ul>\n
Ein gro\u00dfer Teil der Datenbereinigung besteht darin, ung\u00fcltige Daten zu markieren und zu berichtigen, bevor sie weiter verwendet werden.<\/p>\n
Exakt: Tippfehler, Rechtschreibfehler, Zeichenfehler usw. beeintr\u00e4chtigen die Qualit\u00e4t der Genauigkeit. Ein Name, der als Matt statt Matthew oder Cath statt Catherine geschrieben wird, gilt nicht als korrekte Angabe.<\/p>\n
Vollst\u00e4ndig: Dies wird dadurch definiert, inwieweit ein Datensatz korrekt ausgef\u00fcllt wurde und nicht leer blieb. Sind zum Beispiel alle Felder f\u00fcr Telefonnummern vollst\u00e4ndig? Sind alle Felder f\u00fcr die eindeutige Kennung vollst\u00e4ndig?<\/p>\n
Konsistent: Die Konsistenz der Daten ist wichtig f\u00fcr eine genaue Datenanalyse. Ein gutes Beispiel f\u00fcr Konsistenz sind Telefonnummern – einige L\u00e4ndervorwahlen werden mit + geschrieben, andere mit 00. Datenkonsistenz bedeutet, dass f\u00fcr alle Datens\u00e4tze nur eine Methode verwendet wird.<\/p>\n
Rechtzeitig: Wie oft werden Ihre Daten aktualisiert oder bereinigt? Die meisten Unternehmen vernachl\u00e4ssigen ihre Daten einfach, sobald sie sie gesammelt oder f\u00fcr die vorgesehenen Zwecke verwendet haben. Die meisten bereinigen Daten nur f\u00fcr einen Bericht oder eine Analyse und lassen diese Daten in der Schublade liegen, w\u00e4hrend sich neue Daten ansammeln. Alte Daten werden zu einem Engpass und erzeugen sogar Duplikate, wenn sie nicht regelm\u00e4\u00dfig sortiert oder zusammen mit neuen Daten aktualisiert werden.<\/p>\n
Bei der Implementierung eines Rahmens f\u00fcr die Datenbereinigung empfiehlt es sich, diese Standards als Benchmarks f\u00fcr die Messung der Datenqualit\u00e4t zu verwenden.<\/p>\n
Wie k\u00f6nnen Unternehmen Datenqualit\u00e4t erreichen?<\/h3>\n
F\u00fcr die meisten Unternehmen sind schlechte Daten erst dann ein Problem, wenn eine fehlgeschlagene Initiative, ein fehlerhafter Bericht oder ein massiver Marketingfehler ein b\u00f6ses Erwachen zur Folge hat. An diesem Punkt nimmt der Hype \u00fcberhand und Ad-hoc-Tools zur Datenbereinigung werden langfristigen L\u00f6sungen vorgezogen. Lassen Sie nicht zu, dass dies Ihrem Datenbereinigungsunternehmen passiert.<\/p>\n
Nachdem wir mit 4.500 Unternehmen aus der ganzen Welt zusammengearbeitet haben, empfehlen wir Ihnen die folgenden Ma\u00dfnahmen, um Ihre Daten sauber zu halten:<\/p>\n
- \n
- Erstellen Sie einen Plan f\u00fcr das Datenqualit\u00e4tsmanagement: Bevor Sie die Zustimmung der F\u00fchrungskr\u00e4fte einholen und in ein Tool investieren, sollten Sie einen Plan erstellen. Es ist wichtig, das Problem mit Ihren Daten zu verstehen und die Ursache daf\u00fcr zu ermitteln. Ihr Datenqualit\u00e4tsplan sollte die Identifizierung neuer Rollen, neuer Softwarel\u00f6sungen und aller neuen Standards, die implementiert werden m\u00fcssen, beinhalten.<\/li>\n
- Suchen Sie nach den richtigen Datenbereinigungstools: Es gibt Dutzende von Datenbereinigungstools auf dem Markt, aber nur sehr wenige davon sind erschwinglich und bieten eine ganzheitliche L\u00f6sung. Im Idealfall ben\u00f6tigen Sie ein Tool, mit dem Sie Daten abgleichen, ableiten, bereinigen und zusammenf\u00fchren<\/a> k\u00f6nnen. Das Flaggschiff von Data Ladder ist ein leistungsf\u00e4higes Tool f\u00fcr den Datenabgleich<\/a> und die Datenbereinigung, das von Unternehmen wie HP, Deloitte, Zurich Insurance und Tausenden anderen eingesetzt wird, um Daten nicht nur zu bereinigen, sondern auch abzuleiten und zusammenzuf\u00fchren.<\/li>\n<\/ol>\n
Beheben Sie die Quelle von Datenfehlern: Rohdaten sind von Natur aus schlechte Daten. Deshalb m\u00fcssen Sie die Fehler an der Quelle beheben<\/a>, d. h. in Ihrer Datenbank<\/a>. Es k\u00f6nnte sich um einen menschlichen Eingabefehler, einen Maschinenfehler oder einen Fehler in der Datenerfassungsmethode handeln – die M\u00f6glichkeiten sind endlos. Korrigieren Sie die Daten an der Quelle, um sicherzustellen, dass sie Ihnen sp\u00e4ter keinen Stress verursachen. Hier sollten Sie auch ein Datenqualit\u00e4tstool einsetzen, das Datenfehler in Echtzeit beheben kann und verhindert, dass fehlerhafte Daten in das System gelangen.<\/p>\n
Au\u00dferdem finden Sie hier Fragen, die Sie Ihrem Team bei der Erstellung des Plans zu den Daten in Ihrem Unternehmen stellen k\u00f6nnen.<\/p>\n
- \n
- Wie sauber sind die Daten?<\/li>\n
- Was sind die h\u00e4ufigsten Probleme, die mit den Daten auftreten?<\/li>\n
- Was sind die gr\u00f6\u00dften Probleme, mit denen Teams bei der Nutzung von Daten konfrontiert sind?<\/li>\n
- Welche Systeme oder Kontrollen gibt es, um das Problem der Datenqualit\u00e4t in den Griff zu bekommen?<\/li>\n
- Welche Art von Bereinigungs- oder Datenpflegeverfahren wird angewandt?<\/li>\n
- Kann man diesen Daten so weit vertrauen, dass sie zuverl\u00e4ssige Informationen liefern?<\/li>\n
- Erf\u00fcllen die Daten die Aufgabe, f\u00fcr die sie gedacht waren?<\/li>\n
- Wie k\u00f6nnen Datenqualit\u00e4tsstandards im gesamten Unternehmen eingef\u00fchrt und aufrechterhalten werden?<\/li>\n
- Beeinflussen die Daten einen Ihrer Kernprozesse?<\/li>\n
- Wie kann die Organisation eine einzige Quelle der Wahrheit erreichen?<\/li>\n<\/ul>\n
Wenn Ihre Antworten auf die obigen Fragen auf einen schwerwiegenden Fehler in Ihren Daten hindeuten, m\u00fcssen Sie Ihre Daten bereinigen, um die betriebliche Effizienz zu steigern.<\/p>\n
Bew\u00e4hrte Praktiken<\/h3>\n
Das uralte Sprichwort „Vorbeugen ist besser als heilen“ gilt auch f\u00fcr die Welt der Daten. Wenn Unternehmen in die Welt von Big Data und Data Lakes<\/a> einsteigen, m\u00fcssen sie sicherstellen, dass die richtigen Parameter vorhanden sind, um zu verhindern, dass Rohdaten ihre Gesch\u00e4ftsabl\u00e4ufe beeintr\u00e4chtigen.<\/p>\n
Im Folgenden werden einige bew\u00e4hrte Verfahren empfohlen:<\/p>\n
- \n
- Fokus auf Dateneingabe: Haben Sie bemerkt, dass Sie manchmal ein Webformular ausf\u00fcllen, das speziell nach einer Arbeits-E-Mail und nicht nach einem beliebigen Gmail-Konto fragt? Dies ist ein Beispiel f\u00fcr die Steuerung der Dateneingabe am Front-End. Das garantiert zwar keine 100-prozentige Genauigkeit (viele Leute schreiben gef\u00e4lschte E-Mails), ist aber dennoch eine gro\u00dfe Hilfe, wenn es darum geht, relevante Daten von irrelevanten zu unterscheiden. Implementieren Sie solche kundenorientierten Front-End-Kontrollen, um die Erfassung unzul\u00e4ssiger Daten zu minimieren.<\/li>\n
- Bereinigen Sie immer die Daten, bevor Sie einen Bericht erstellen: Vielleicht sind Sie versucht, einen Bericht aus einer Datenbank zu erstellen, um Ihren Chef zufrieden zu stellen, aber das sollten Sie nicht tun. Halten Sie Ihre Daten entweder regelm\u00e4\u00dfig auf dem neuesten Stand oder bereinigen Sie sie, bevor Sie sie f\u00fcr eine Kampagne, einen Bericht oder eine Analyse verwenden. Sie wollen nicht am Ende eine umfangreiche Berichtserstellung wiederholen, nur weil Sie es vers\u00e4umt haben, die Duplikate in Ihren Daten zu beseitigen.<\/li>\n
- Einsatz von Echtzeit-Datenbereinigungstools: Verhindern Sie, dass fehlerhafte Daten in Ihre Datenbank gelangen, indem Sie Datenbereinigungstools<\/a> einsetzen, die Fehler bereits in der Dateneingabephase erkennen.<\/li>\n
- Versuchen Sie, Datenquellen zu zentralisieren: Die meisten Datenprobleme entstehen durch uneinheitliche Datenquellen. So viele Anwendungen, die von so vielen Abteilungen genutzt werden, die alle ihre Daten in die Datenbank einspeisen. Versuchen Sie, Ihre Datenquellen zu synchronisieren<\/a>, indem Sie beispielsweise ein CRM f\u00fcr Vertrieb, Marketing und Rechnungsstellung verwenden. Dies hilft Ihnen nicht nur, die Daten sauber zu halten, sondern gibt Ihnen auch Zugang zu einer einzigen Quelle der Wahrheit.<\/li>\n<\/ol>\n
Saubere Daten sind f\u00fcr den Erfolg Ihres Unternehmens in diesem digitalen und datengesteuerten Zeitalter unerl\u00e4sslich. Wenn Sie wirklich datengesteuert sein wollen, m\u00fcssen Sie sicherstellen, dass Sie \u00fcber Daten verf\u00fcgen, die gut genug sind, um sie f\u00fcr Informationen zu nutzen. Schlechte, schmutzige, unordentliche Daten werden Sie zu Fall bringen.<\/p>\n
Verwendung eines Selbstbedienungswerkzeugs f\u00fcr die Datenbereinigung<\/h3>\n
Jetzt, wo Sie wissen, dass Sie schlechte Daten haben, sollten Sie eine reflexartige Reaktion darauf vermeiden. Ziehen Sie nicht sofort Ihre IT-Ressourcen heran oder stellen Sie teure Entwickler ein, um eine eigene Software zu entwickeln. Es dauert Jahre, eine Datenbereinigungssoftware zu entwickeln, die effizient arbeitet und die Kriterien f\u00fcr Qualit\u00e4tsdaten erf\u00fcllt.<\/p>\n
![\"\"](\"https:\/\/dataladder.com\/wp-content\/uploads\/2020\/03\/in-house-235x300.png\")
\nIn-House vs. Best-in-Class-L\u00f6sungen f\u00fcr den Datenabgleich<\/strong><\/p>\nInterne L\u00f6sungen f\u00fcr den Datenabgleich sind durch verf\u00fcgbare Talente, Zeitbeschr\u00e4nkungen, Kosten, Erfahrung und viele andere Faktoren eingeschr\u00e4nkt. Entdecken Sie, wie interne L\u00f6sungen im Vergleich zu kommerziellen L\u00f6sungen abschneiden<\/p>\n
\nHerunterladen
\n<\/a><\/p>\nInterne L\u00f6sungen k\u00f6nnen Sie bis zu 250.000 $+ pro Jahr kosten! Im Folgenden finden Sie eine kurze Anleitung, wie ein automatisiertes Datenbereinigungstool die Aufgabe zu einem zehnmal niedrigeren Preis erledigen kann.<\/p>\n
Datenbereinigung ist zwar eine wichtige Aufgabe, aber eine unglaublich banale. Ihre Experten werden Stunden ihrer produktiven Zeit mit der Erstellung von Algorithmen verschwenden, die entweder ein Treffer oder ein Fehlschlag sein werden. Versuche, Tests, ungenaue Ergebnisse und die ausufernden Kosten f\u00fcr das Talentmanagement werden zu zus\u00e4tzlichen Problemen, mit denen Sie zu k\u00e4mpfen haben werden. Aus diesem Grund ist es besser, ein automatisiertes Datenbereinigungstool<\/a> zu verwenden, das diese Aufgabe ohne die Beteiligung zus\u00e4tzlicher Mitarbeiter erledigen kann.<\/p>\n
- \n
- Ein leistungsstarkes Datenbereinigungstool kann Ihnen dabei helfen:<\/li>\n
- Automatisieren von Bereinigungspl\u00e4nen f\u00fcr alle Ihre Datenquellen<\/li>\n
- Bereinigen Sie Ihre Daten von Tippfehlern, Irrt\u00fcmern, Fehlern, Gro\u00df- und Kleinschreibung und vielem mehr<\/li>\n
- Abgleich Ihrer Datenlisten und Entfernung von Duplikaten<\/li>\n
- Integration verschiedener Datenquellen zur Datenbereinigung in Echtzeit<\/li>\n
- Standardisierung der Daten<\/a> und Gew\u00e4hrleistung der Konsistenz in der gesamten Datenquelle<\/li>\n
- Validierung von Adress-<\/a> und Kontaktdaten<\/li>\n<\/ul>\n
Wenn Sie wissen m\u00f6chten, wie DataScrubbing-Tools wie DataMatch Enterprise<\/a> Ihre Daten bereinigen und f\u00fcr die vorgesehenen Zwecke nutzbar machen k\u00f6nnen, nehmen Sie Kontakt auf!<\/p>\n
![\"\"](\"https:\/\/dataladder.com\/wp-content\/uploads\/2019\/05\/fuzzy-whitepaper2.png\")
<\/p>\nWie die besten Fuzzy-Matching-L\u00f6sungen funktionieren: Kombination von bew\u00e4hrten und eigenen Algorithmen<\/b><\/p>\n
- Validierung von Adress-<\/a> und Kontaktdaten<\/li>\n<\/ul>\n
- Versuchen Sie, Datenquellen zu zentralisieren: Die meisten Datenprobleme entstehen durch uneinheitliche Datenquellen. So viele Anwendungen, die von so vielen Abteilungen genutzt werden, die alle ihre Daten in die Datenbank einspeisen. Versuchen Sie, Ihre Datenquellen zu synchronisieren<\/a>, indem Sie beispielsweise ein CRM f\u00fcr Vertrieb, Marketing und Rechnungsstellung verwenden. Dies hilft Ihnen nicht nur, die Daten sauber zu halten, sondern gibt Ihnen auch Zugang zu einer einzigen Quelle der Wahrheit.<\/li>\n<\/ol>\n
- Deduplizierung von Daten<\/a> und Beseitigung von Redundanzen<\/li>\n