Ein „Nein“ auf diese Fragen bedeutet, dass Sie Ihre Daten optimieren m\u00fcssen, bevor Sie in ein BI- oder Analyseprogramm investieren. Und dieser Beitrag wird Ihnen helfen zu verstehen, wie.<\/p>\n
Ein paar Statistiken, die Sie zum Handeln anregen <\/strong><\/h3>\nIm Folgenden finden Sie Statistiken aus einer von HBR<\/a> durchgef\u00fchrten Umfrage, in der ermittelt wurde, warum die meisten Unternehmen bei ihren datengesteuerten Bem\u00fchungen scheitern. Die Umfrage zeigt:<\/p>\n\n- 72 % der Umfrageteilnehmer geben an, dass sie noch keine Datenkultur entwickelt haben.<\/li>\n
- 69 % geben an, dass sie keine datengesteuerte Organisation geschaffen haben<\/li>\n
- 53 % geben an, dass sie Daten noch nicht als Unternehmenswert behandeln<\/li>\n
- 52 % geben zu, dass sie bei Daten und Analysen nicht konkurrenzf\u00e4hig sind<\/li>\n<\/ul>\n
Alarmierende Zahlen? Aufgrund unserer Erfahrung in der Zusammenarbeit mit mehr als 4.500 Kunden aus aller Welt kennen wir die Wahrheit hinter diesen Statistiken nur allzu gut.<\/p>\n
Unternehmen bem\u00fchen sich verst\u00e4rkt, datengesteuert zu arbeiten, aber Probleme wie die oben genannten, wie z. B. das Fehlen einer Datenkultur oder die Unf\u00e4higkeit, Daten als Gesch\u00e4ftswert zu behandeln, machen es f\u00fcr Unternehmen schwierig, datengesteuert zu arbeiten.<\/p>\n
Was ist Datenumwandlung und warum m\u00fcssen Sie ihr Vorrang vor allem anderen einr\u00e4umen? <\/strong><\/h3>\nIn einer vernetzten Welt haben die Unternehmen mit einer un\u00fcberschaubaren Menge an Rohdaten zu tun. Stellen Sie sich all die Daten vor, die Sie aus Social-Media-Anwendungen, Marketingkampagnen, Verkaufskampagnen, Anzeigen, Marktforschungsaktivit\u00e4ten, Verkaufstrichtern usw. sammeln. All diese Rohdaten m\u00fcssen extrahiert, sortiert, bereinigt und in verwertbare Daten „umgewandelt“ werden, die wertvolle Informationen liefern.<\/p>\n
Datenumwandlung ist also der Prozess der Umwandlung von Rohdaten in verwertbare Daten. Dieser Prozess umfasst folgende wichtige Schritte:<\/p>\n
\n- Identifizierung der M\u00e4ngel, die Ihre Datenqualit\u00e4t beeintr\u00e4chtigen<\/li>\n
- Integration von Daten aus unterschiedlichen Quellen in eine einzige konsolidierte Quelle der Wahrheit<\/li>\n
- Bereinigung und Korrektur von Daten (Probleme wie Tippfehler, fehlende Werte usw.)<\/li>\n
- Deduplizierung von Daten<\/li>\n
- Zuordnung der Daten zu einem BI-Tool<\/li>\n
- Daten f\u00fcr die Migration oder andere Zwecke der digitalen Transformation nutzbar machen<\/li>\n<\/ul>\n
Obwohl dies in der Theorie einfach klingt, ist die Datenumwandlung in der Praxis ein hektischer Prozess, der erhebliche Investitionen in Datenumwandlungstools, die Konsultation von Drittanbietern und die Zustimmung der F\u00fchrungsebene erfordert. Es dauert mindestens ein Jahr, bis ein Unternehmen die notwendigen Schritte zur Datenumwandlung unternimmt.<\/p>\n
Die zwei grundlegenden Ans\u00e4tze<\/strong><\/h3>\nIm Allgemeinen gibt es zwei grundlegende Ans\u00e4tze f\u00fcr eine Datenumwandlungsl\u00f6sung. Diese sind:<\/p>\n
\n- \n
\n- Der manuelle Ansatz – Aufbau eines firmeninternen Teams zur manuellen Programmierung von ETL-L\u00f6sungen: <\/strong>Diese traditionelle Methode wird auch heute noch von einigen Unternehmen angewandt, die damit kl\u00e4glich scheitern. Die Daten, die uns heute vorliegen, sind komplex. Es ist praktisch unm\u00f6glich, ein Team von Programmierern zu haben, das f\u00fcr jede Datenquelle ETL-Skripte erstellt, was nicht nur zeitaufw\u00e4ndig, sondern auch kontraproduktiv ist. Die Teams m\u00fcssen Monate und Jahre damit verbringen, Skripte zu \u00e4ndern, um sie an die steigende Nachfrage anzupassen – und erreichen dabei nicht das Ma\u00df an Genauigkeit, das f\u00fcr die Effizienz der Daten erforderlich ist. Unbeabsichtigte Fehler, Missverst\u00e4ndnisse, banale und sich wiederholende Aufgaben machen diesen Ansatz f\u00fcr die meisten Unternehmen zu einem teuren Misserfolg.<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n\n<\/div>\n\n\n
Warum firmeninterne Datenqualit\u00e4tsl\u00f6sungen scheitern<\/h3>\n<\/div>\n\nEine konsequente Haftung f\u00fcr Unternehmen<\/p>\n<\/div>\n<\/div>\n
Kostenloses Whitepaper herunterladen<\/strong> <\/a><\/div>\n<\/div>\n\n- Der Software-Ansatz – Anschaffung eines Tools zur Datenvorbereitung<\/a> <\/strong>vor Ort: Vor-Ort-L\u00f6sungen erm\u00f6glichen es Unternehmen, Daten aus verschiedenen Quellen aufzubereiten, umzuwandeln, zu integrieren und in einem neuen Stammdatensatz zusammenzuf\u00fchren<\/a>. Im Vergleich zum manuellen Ansatz ist dieser automatisierte Ansatz in kurzer Zeit erledigt, verbraucht weniger Ressourcen, ist billiger als die Einstellung eines kompletten Teams und erfordert nur eine Person, die den gesamten Prozess verwaltet. Einige Tools, wie DataMatch Enterprise von Data Ladder<\/a>, verf\u00fcgen \u00fcber eine einfache Benutzeroberfl\u00e4che, die es auch Nicht-IT-Benutzern erm\u00f6glicht, Daten abzugleichen, zu bereinigen und zusammenzuf\u00fchren, ohne dass zus\u00e4tzliche Sprachkenntnisse erforderlich sind.<\/li>\n<\/ul>\n
Sechs Arten der Datenumwandlung, die Ihre Daten ben\u00f6tigen w\u00fcrden <\/strong><\/h3>\nDie Datenumwandlung ist ein Prozess, der sich aus verschiedenen Verfahren zusammensetzt, und jedes Verfahren ist so konzipiert, dass es Unternehmen hilft, ein bestimmtes Datenziel zu erreichen. Einige Unternehmen verf\u00fcgen beispielsweise bereits \u00fcber einen Mechanismus zur Datenbereinigung, ben\u00f6tigen aber wahrscheinlich eine Integrationsl\u00f6sung, um ihre Daten auf einer Plattform zu konsolidieren und so eine eindeutige Quelle der Wahrheit zu erhalten. Ihr Bedarf an Datenumwandlung h\u00e4ngt von Ihrer aktuellen Datenqualit\u00e4t und Ihren Datenzielen ab.<\/p>\n
Wenn Sie keinen Rahmen f\u00fcr die Datenqualit\u00e4t haben, m\u00fcssen Ihre Daten im Allgemeinen f\u00fcnf grundlegende Prozesse durchlaufen, um umgewandelt zu werden. Diese sind:<\/p>\n
Bereinigung von Daten: <\/strong> Rohdaten sind schmutzige Daten. Tats\u00e4chlich handelt es sich bei allen Daten, die von einem System erfasst und noch nicht f\u00fcr die Verwendung verarbeitet oder analysiert wurden, um unsaubere Daten.<\/p>\nWenn wir von Rohdaten sprechen, sind damit alle Daten gemeint, die es gibt:<\/p>\n
\n- Mit Rechtschreibfehlern, Tippfehlern, Problemen mit Zahlen und Zeichensetzung und vielem mehr behaftet.<\/li>\n
- Mehrfache Duplizierung in einer Datenquelle oder \u00fcber mehrere Datenquellen (wenn eine Organisation mehrere Abteilungen hat, die verschiedene Formen von Informationen \u00fcber eine Entit\u00e4t speichern)<\/li>\n
- Unvollst\u00e4ndig, inkonsistent und ungenau. Gef\u00e4lschte Namen, E-Mail-Adressen und physische Adressen geh\u00f6ren zu den h\u00e4ufigsten Problemen mit der Datenqualit\u00e4t.<\/li>\n<\/ul>\n
Weitere Informationen zur Datenbereinigung finden Sie in diesem umfassenden Leitfaden 101 Data Cleansing Guide.<\/a><\/p>\nDieDatenbereinigung<\/a> ist der erste Schritt der Datentransformation. Sie k\u00f6nnen nichts anderes tun, solange Ihre Daten nicht von grundlegenden Fehlern bereinigt sind, die ihnen einen schlechten Gesundheitszustand bescheinigen.<\/p>\nDaten-Deduplizierung<\/a> <\/strong>: Dies ist ein klassisches Problem der meisten Unternehmen. Das ist das h\u00e4ufigste Problem, mit dem wir bei Fortune-500-Kunden konfrontiert sind. Ein f\u00fchrendes Einzelhandelsunternehmen hatte beispielsweise Probleme mit der Verwaltung von Produktdaten, die von verschiedenen Anbietern und Drittanbietern stammten. Aufgrund unterschiedlicher eindeutiger Bezeichner, Datenformate und Datenquellen waren die Produktlisten stark von schlechter Datenqualit\u00e4t betroffen.<\/p>\nEbenso haben Unternehmen, die Kundendaten in mehreren Datenquellen isoliert gespeichert haben, oft Probleme mit Datenduplikaten. Wenn Vertrieb, Marketing und Rechnungsstellung dieselben Kundendaten auf drei verschiedene Arten erfassen, besteht die Gefahr, dass es zu einer exponentiellen Verdoppelung der Daten kommt.<\/p>\n
Datenstandardisierung<\/a> <\/strong>: Das Fehlen eines einheitlichen Datenformats mag zwar unbedeutend erscheinen, verursacht aber auf lange Sicht die gr\u00f6\u00dften Engp\u00e4sse w\u00e4hrend einer Datenmigrationsphase. Wenn Ihr neues CRM strenge Regeln f\u00fcr die Datenstandardisierung vorsieht (z. B. dass alle Namen mit einem Gro\u00dfbuchstaben beginnen m\u00fcssen oder dass alle Telefonnummern mit Land + Ortsvorwahl beginnen m\u00fcssen), haben Sie ein ernsthaftes Problem zu bew\u00e4ltigen. Wenn die Daten in Ihrem Unternehmen von verschiedenen Personen in unterschiedlichen Formaten manuell erfasst und eingegeben werden, m\u00fcssen sie f\u00fcr die Verarbeitung standardisiert werden.<\/p>\nDie scheinbar unbedeutende Datenstandardisierung wird von Unternehmen oft vernachl\u00e4ssigt, bis sie einen Datenabgleich<\/a> durchf\u00fchren m\u00fcssen, um dann festzustellen, dass der Datenabgleichsalgorithmus Informationen ausl\u00e4sst, die keine exakten Merkmale aufweisen.<\/p>\nDatenvalidierung<\/a> <\/strong>: Sind Ihre Quelldaten korrekt? Ist sie vollst\u00e4ndig? Haben Sie zum Beispiel genaue Adressdaten? Haben Sie mehr gef\u00e4lschte Telefonnummern und E-Mail-Adressen als g\u00fcltige Adressen? Bei der Datenvalidierung geht es darum, sicherzustellen, dass Sie \u00fcber genaue und zuverl\u00e4ssige Daten verf\u00fcgen.<\/p>\nBeim Verschieben von Daten ist es unbedingt erforderlich, dass die Daten aus verschiedenen Quellen den Gesch\u00e4ftsregeln der neuen Quelle oder des neuen Systems entsprechen und nicht durch inkonsistente Daten besch\u00e4digt werden.<\/p>\n
Datenkonsolidierung: <\/strong>Daten, die in unterschiedlichen Quellen gespeichert sind, sind eine der gr\u00f6\u00dften Herausforderungen, denen sich Unternehmen heute stellen m\u00fcssen. Da ein durchschnittliches Unternehmen mit mindestens 400 Anwendungen verbunden ist, ist die Menge der eingehenden Daten un\u00fcberschaubar. Um all diese Daten, die aus unterschiedlichen Quellen stammen und in verschiedenen Datenbanken gespeichert sind, sinnvoll zu nutzen, ben\u00f6tigen Unternehmen eine L\u00f6sung, mit der sie diese Daten zusammenf\u00fchren oder konsolidieren k\u00f6nnen, um eine einzige Quelle der Wahrheit zu erhalten.<\/p>\nF\u00fcr viele unserer Kunden ist die Datenkonsolidierung der Schl\u00fcssel zu ihren personalisierten Kundenbindungsstrategien. Bell Banks, eine renommierte Bank, war in der Lage, ihre Kundenbindungsziele durch einen effektiven Datenabgleich und Datenkonsolidierungsprozess zu erreichen. Die Bank war in der Lage, die Reise ihrer Kunden \u00fcber mehrere Dienstleistungen hinweg zu identifizieren und Informationen aus unterschiedlichen Quellen zu konsolidieren, um eine 360-Kunden-Sicht zu erhalten. Dies half ihnen nicht nur bei der personalisierten Kundenansprache, sondern erm\u00f6glichte es ihren Teams auch, Gesch\u00e4ftsinformationen zu erhalten, die f\u00fcr die Entwicklung neuer Strategien genutzt wurden.<\/p>\n
Wie kann Data Ladder Ihnen helfen, Ihre Datenziele zu erreichen? <\/strong><\/h3>\nData Ladder, ein Anbieter von Datenqualit\u00e4tsl\u00f6sungen, hat mehr als 4.500 Unternehmen in \u00fcber 40 L\u00e4ndern bei der Datenverwaltung unterst\u00fctzt. In den letzten zehn Jahren haben wir erkannt, dass f\u00fcr die meisten Unternehmen der gr\u00f6\u00dfte Engpass beim Erreichen der digitalen Transformation oder der betrieblichen Effizienz die Ursache f\u00fcr ein schlechtes Datenmanagement ist.<\/p>\n
![\"\"](\"https:\/\/dataladder.com\/wp-content\/uploads\/2020\/04\/Data-Cleansing-Software-1.png\")
Mit unserer L\u00f6sung k\u00f6nnen Unternehmen:<\/p>\n
\n- Daten durch Datenbereinigungs- und -vorbereitungstools transformieren: <\/strong>Das Flaggschiff von Data Ladder, DataMatch Enterprise, erm\u00f6glicht eine einfache und effiziente Datenbereinigung und -aufbereitung \u00fcber mehrere Datenquellen hinweg.<\/li>\n<\/ul>\n
\n- Abgleich von Daten zur Entfernung von Duplikaten mit einer Genauigkeit von 95 %: <\/strong>In der Welt des Datenabgleichs kommt es auf die Genauigkeitsrate an. DataMatch Enterprise ist die einzige Best-in-Class-L\u00f6sung, die eine Genauigkeitsrate von 95 % bietet. Unser Datenabgleichsverfahren soll Unternehmen dabei helfen, zwei Ziele zu erreichen: Duplikate zu entfernen und mehrere Datenquellen zu konsolidieren oder zusammenzuf\u00fchren.
![\"\"](\"https:\/\/dataladder.com\/wp-content\/uploads\/2020\/04\/DL_Delete-Duplicates-Graphic.jpg\")
<\/strong><\/li>\n- Daten standardisieren und validieren: <\/strong>Als CASS-zertifizierte L\u00f6sung kann DataMatch Enterprise f\u00fcr die \u00dcberpr\u00fcfung und Validierung von Adressdaten<\/a> verwendet werden. Auf der Grundlage von vordefinierten Gesch\u00e4ftsregeln k\u00f6nnen Benutzer die Option Datenstandardisierung nutzen, um Einheitlichkeit und Konsistenz in, zwischen und innerhalb von Datens\u00e4tzen herzustellen.<\/li>\n
- Datenintegration und -zusammenf\u00fchrung zur Erstellung von Stamms\u00e4tzen: <\/strong>Die Integration von Daten aus verschiedenen Quellen kann mit den \u00fcber 150 Datenintegrationsoptionen der L\u00f6sung leicht durchgef\u00fchrt werden. Dar\u00fcber hinaus k\u00f6nnen die Benutzer mit der Software auch Stamms\u00e4tze ihrer Dateizusammenf\u00fchrungen und -abgleiche erstellen, die dann als endg\u00fcltige Version der Wahrheit verwendet werden k\u00f6nnen.<\/li>\n<\/ul>\n
- \n
- 72 % der Umfrageteilnehmer geben an, dass sie noch keine Datenkultur entwickelt haben.<\/li>\n
- 69 % geben an, dass sie keine datengesteuerte Organisation geschaffen haben<\/li>\n
- 53 % geben an, dass sie Daten noch nicht als Unternehmenswert behandeln<\/li>\n
- 52 % geben zu, dass sie bei Daten und Analysen nicht konkurrenzf\u00e4hig sind<\/li>\n<\/ul>\n
Alarmierende Zahlen? Aufgrund unserer Erfahrung in der Zusammenarbeit mit mehr als 4.500 Kunden aus aller Welt kennen wir die Wahrheit hinter diesen Statistiken nur allzu gut.<\/p>\n
Unternehmen bem\u00fchen sich verst\u00e4rkt, datengesteuert zu arbeiten, aber Probleme wie die oben genannten, wie z. B. das Fehlen einer Datenkultur oder die Unf\u00e4higkeit, Daten als Gesch\u00e4ftswert zu behandeln, machen es f\u00fcr Unternehmen schwierig, datengesteuert zu arbeiten.<\/p>\n
Was ist Datenumwandlung und warum m\u00fcssen Sie ihr Vorrang vor allem anderen einr\u00e4umen? <\/strong><\/h3>\n
In einer vernetzten Welt haben die Unternehmen mit einer un\u00fcberschaubaren Menge an Rohdaten zu tun. Stellen Sie sich all die Daten vor, die Sie aus Social-Media-Anwendungen, Marketingkampagnen, Verkaufskampagnen, Anzeigen, Marktforschungsaktivit\u00e4ten, Verkaufstrichtern usw. sammeln. All diese Rohdaten m\u00fcssen extrahiert, sortiert, bereinigt und in verwertbare Daten „umgewandelt“ werden, die wertvolle Informationen liefern.<\/p>\n
Datenumwandlung ist also der Prozess der Umwandlung von Rohdaten in verwertbare Daten. Dieser Prozess umfasst folgende wichtige Schritte:<\/p>\n
- \n
- Identifizierung der M\u00e4ngel, die Ihre Datenqualit\u00e4t beeintr\u00e4chtigen<\/li>\n
- Integration von Daten aus unterschiedlichen Quellen in eine einzige konsolidierte Quelle der Wahrheit<\/li>\n
- Bereinigung und Korrektur von Daten (Probleme wie Tippfehler, fehlende Werte usw.)<\/li>\n
- Deduplizierung von Daten<\/li>\n
- Zuordnung der Daten zu einem BI-Tool<\/li>\n
- Daten f\u00fcr die Migration oder andere Zwecke der digitalen Transformation nutzbar machen<\/li>\n<\/ul>\n
Obwohl dies in der Theorie einfach klingt, ist die Datenumwandlung in der Praxis ein hektischer Prozess, der erhebliche Investitionen in Datenumwandlungstools, die Konsultation von Drittanbietern und die Zustimmung der F\u00fchrungsebene erfordert. Es dauert mindestens ein Jahr, bis ein Unternehmen die notwendigen Schritte zur Datenumwandlung unternimmt.<\/p>\n
Die zwei grundlegenden Ans\u00e4tze<\/strong><\/h3>\n
Im Allgemeinen gibt es zwei grundlegende Ans\u00e4tze f\u00fcr eine Datenumwandlungsl\u00f6sung. Diese sind:<\/p>\n
- \n
- \n
- \n
- Der manuelle Ansatz – Aufbau eines firmeninternen Teams zur manuellen Programmierung von ETL-L\u00f6sungen: <\/strong>Diese traditionelle Methode wird auch heute noch von einigen Unternehmen angewandt, die damit kl\u00e4glich scheitern. Die Daten, die uns heute vorliegen, sind komplex. Es ist praktisch unm\u00f6glich, ein Team von Programmierern zu haben, das f\u00fcr jede Datenquelle ETL-Skripte erstellt, was nicht nur zeitaufw\u00e4ndig, sondern auch kontraproduktiv ist. Die Teams m\u00fcssen Monate und Jahre damit verbringen, Skripte zu \u00e4ndern, um sie an die steigende Nachfrage anzupassen – und erreichen dabei nicht das Ma\u00df an Genauigkeit, das f\u00fcr die Effizienz der Daten erforderlich ist. Unbeabsichtigte Fehler, Missverst\u00e4ndnisse, banale und sich wiederholende Aufgaben machen diesen Ansatz f\u00fcr die meisten Unternehmen zu einem teuren Misserfolg.<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n\n<\/div>\n\n\n
Warum firmeninterne Datenqualit\u00e4tsl\u00f6sungen scheitern<\/h3>\n<\/div>\n
\nEine konsequente Haftung f\u00fcr Unternehmen<\/p>\n<\/div>\n<\/div>\n
Kostenloses Whitepaper herunterladen<\/strong> <\/a><\/div>\n<\/div>\n- \n
- Der Software-Ansatz – Anschaffung eines Tools zur Datenvorbereitung<\/a> <\/strong>vor Ort: Vor-Ort-L\u00f6sungen erm\u00f6glichen es Unternehmen, Daten aus verschiedenen Quellen aufzubereiten, umzuwandeln, zu integrieren und in einem neuen Stammdatensatz zusammenzuf\u00fchren<\/a>. Im Vergleich zum manuellen Ansatz ist dieser automatisierte Ansatz in kurzer Zeit erledigt, verbraucht weniger Ressourcen, ist billiger als die Einstellung eines kompletten Teams und erfordert nur eine Person, die den gesamten Prozess verwaltet. Einige Tools, wie DataMatch Enterprise von Data Ladder<\/a>, verf\u00fcgen \u00fcber eine einfache Benutzeroberfl\u00e4che, die es auch Nicht-IT-Benutzern erm\u00f6glicht, Daten abzugleichen, zu bereinigen und zusammenzuf\u00fchren, ohne dass zus\u00e4tzliche Sprachkenntnisse erforderlich sind.<\/li>\n<\/ul>\n
Sechs Arten der Datenumwandlung, die Ihre Daten ben\u00f6tigen w\u00fcrden <\/strong><\/h3>\n
Die Datenumwandlung ist ein Prozess, der sich aus verschiedenen Verfahren zusammensetzt, und jedes Verfahren ist so konzipiert, dass es Unternehmen hilft, ein bestimmtes Datenziel zu erreichen. Einige Unternehmen verf\u00fcgen beispielsweise bereits \u00fcber einen Mechanismus zur Datenbereinigung, ben\u00f6tigen aber wahrscheinlich eine Integrationsl\u00f6sung, um ihre Daten auf einer Plattform zu konsolidieren und so eine eindeutige Quelle der Wahrheit zu erhalten. Ihr Bedarf an Datenumwandlung h\u00e4ngt von Ihrer aktuellen Datenqualit\u00e4t und Ihren Datenzielen ab.<\/p>\n
Wenn Sie keinen Rahmen f\u00fcr die Datenqualit\u00e4t haben, m\u00fcssen Ihre Daten im Allgemeinen f\u00fcnf grundlegende Prozesse durchlaufen, um umgewandelt zu werden. Diese sind:<\/p>\n
Bereinigung von Daten: <\/strong> Rohdaten sind schmutzige Daten. Tats\u00e4chlich handelt es sich bei allen Daten, die von einem System erfasst und noch nicht f\u00fcr die Verwendung verarbeitet oder analysiert wurden, um unsaubere Daten.<\/p>\n
Wenn wir von Rohdaten sprechen, sind damit alle Daten gemeint, die es gibt:<\/p>\n
- \n
- Mit Rechtschreibfehlern, Tippfehlern, Problemen mit Zahlen und Zeichensetzung und vielem mehr behaftet.<\/li>\n
- Mehrfache Duplizierung in einer Datenquelle oder \u00fcber mehrere Datenquellen (wenn eine Organisation mehrere Abteilungen hat, die verschiedene Formen von Informationen \u00fcber eine Entit\u00e4t speichern)<\/li>\n
- Unvollst\u00e4ndig, inkonsistent und ungenau. Gef\u00e4lschte Namen, E-Mail-Adressen und physische Adressen geh\u00f6ren zu den h\u00e4ufigsten Problemen mit der Datenqualit\u00e4t.<\/li>\n<\/ul>\n
Weitere Informationen zur Datenbereinigung finden Sie in diesem umfassenden Leitfaden 101 Data Cleansing Guide.<\/a><\/p>\n
DieDatenbereinigung<\/a> ist der erste Schritt der Datentransformation. Sie k\u00f6nnen nichts anderes tun, solange Ihre Daten nicht von grundlegenden Fehlern bereinigt sind, die ihnen einen schlechten Gesundheitszustand bescheinigen.<\/p>\n
Daten-Deduplizierung<\/a> <\/strong>: Dies ist ein klassisches Problem der meisten Unternehmen. Das ist das h\u00e4ufigste Problem, mit dem wir bei Fortune-500-Kunden konfrontiert sind. Ein f\u00fchrendes Einzelhandelsunternehmen hatte beispielsweise Probleme mit der Verwaltung von Produktdaten, die von verschiedenen Anbietern und Drittanbietern stammten. Aufgrund unterschiedlicher eindeutiger Bezeichner, Datenformate und Datenquellen waren die Produktlisten stark von schlechter Datenqualit\u00e4t betroffen.<\/p>\n
Ebenso haben Unternehmen, die Kundendaten in mehreren Datenquellen isoliert gespeichert haben, oft Probleme mit Datenduplikaten. Wenn Vertrieb, Marketing und Rechnungsstellung dieselben Kundendaten auf drei verschiedene Arten erfassen, besteht die Gefahr, dass es zu einer exponentiellen Verdoppelung der Daten kommt.<\/p>\n
Datenstandardisierung<\/a> <\/strong>: Das Fehlen eines einheitlichen Datenformats mag zwar unbedeutend erscheinen, verursacht aber auf lange Sicht die gr\u00f6\u00dften Engp\u00e4sse w\u00e4hrend einer Datenmigrationsphase. Wenn Ihr neues CRM strenge Regeln f\u00fcr die Datenstandardisierung vorsieht (z. B. dass alle Namen mit einem Gro\u00dfbuchstaben beginnen m\u00fcssen oder dass alle Telefonnummern mit Land + Ortsvorwahl beginnen m\u00fcssen), haben Sie ein ernsthaftes Problem zu bew\u00e4ltigen. Wenn die Daten in Ihrem Unternehmen von verschiedenen Personen in unterschiedlichen Formaten manuell erfasst und eingegeben werden, m\u00fcssen sie f\u00fcr die Verarbeitung standardisiert werden.<\/p>\n
Die scheinbar unbedeutende Datenstandardisierung wird von Unternehmen oft vernachl\u00e4ssigt, bis sie einen Datenabgleich<\/a> durchf\u00fchren m\u00fcssen, um dann festzustellen, dass der Datenabgleichsalgorithmus Informationen ausl\u00e4sst, die keine exakten Merkmale aufweisen.<\/p>\n
Datenvalidierung<\/a> <\/strong>: Sind Ihre Quelldaten korrekt? Ist sie vollst\u00e4ndig? Haben Sie zum Beispiel genaue Adressdaten? Haben Sie mehr gef\u00e4lschte Telefonnummern und E-Mail-Adressen als g\u00fcltige Adressen? Bei der Datenvalidierung geht es darum, sicherzustellen, dass Sie \u00fcber genaue und zuverl\u00e4ssige Daten verf\u00fcgen.<\/p>\n
Beim Verschieben von Daten ist es unbedingt erforderlich, dass die Daten aus verschiedenen Quellen den Gesch\u00e4ftsregeln der neuen Quelle oder des neuen Systems entsprechen und nicht durch inkonsistente Daten besch\u00e4digt werden.<\/p>\n
Datenkonsolidierung: <\/strong>Daten, die in unterschiedlichen Quellen gespeichert sind, sind eine der gr\u00f6\u00dften Herausforderungen, denen sich Unternehmen heute stellen m\u00fcssen. Da ein durchschnittliches Unternehmen mit mindestens 400 Anwendungen verbunden ist, ist die Menge der eingehenden Daten un\u00fcberschaubar. Um all diese Daten, die aus unterschiedlichen Quellen stammen und in verschiedenen Datenbanken gespeichert sind, sinnvoll zu nutzen, ben\u00f6tigen Unternehmen eine L\u00f6sung, mit der sie diese Daten zusammenf\u00fchren oder konsolidieren k\u00f6nnen, um eine einzige Quelle der Wahrheit zu erhalten.<\/p>\n
F\u00fcr viele unserer Kunden ist die Datenkonsolidierung der Schl\u00fcssel zu ihren personalisierten Kundenbindungsstrategien. Bell Banks, eine renommierte Bank, war in der Lage, ihre Kundenbindungsziele durch einen effektiven Datenabgleich und Datenkonsolidierungsprozess zu erreichen. Die Bank war in der Lage, die Reise ihrer Kunden \u00fcber mehrere Dienstleistungen hinweg zu identifizieren und Informationen aus unterschiedlichen Quellen zu konsolidieren, um eine 360-Kunden-Sicht zu erhalten. Dies half ihnen nicht nur bei der personalisierten Kundenansprache, sondern erm\u00f6glichte es ihren Teams auch, Gesch\u00e4ftsinformationen zu erhalten, die f\u00fcr die Entwicklung neuer Strategien genutzt wurden.<\/p>\n
Wie kann Data Ladder Ihnen helfen, Ihre Datenziele zu erreichen? <\/strong><\/h3>\n
Data Ladder, ein Anbieter von Datenqualit\u00e4tsl\u00f6sungen, hat mehr als 4.500 Unternehmen in \u00fcber 40 L\u00e4ndern bei der Datenverwaltung unterst\u00fctzt. In den letzten zehn Jahren haben wir erkannt, dass f\u00fcr die meisten Unternehmen der gr\u00f6\u00dfte Engpass beim Erreichen der digitalen Transformation oder der betrieblichen Effizienz die Ursache f\u00fcr ein schlechtes Datenmanagement ist.<\/p>\n
Mit unserer L\u00f6sung k\u00f6nnen Unternehmen:<\/p>\n- \n
- Daten durch Datenbereinigungs- und -vorbereitungstools transformieren: <\/strong>Das Flaggschiff von Data Ladder, DataMatch Enterprise, erm\u00f6glicht eine einfache und effiziente Datenbereinigung und -aufbereitung \u00fcber mehrere Datenquellen hinweg.<\/li>\n<\/ul>\n
- \n
- Abgleich von Daten zur Entfernung von Duplikaten mit einer Genauigkeit von 95 %: <\/strong>In der Welt des Datenabgleichs kommt es auf die Genauigkeitsrate an. DataMatch Enterprise ist die einzige Best-in-Class-L\u00f6sung, die eine Genauigkeitsrate von 95 % bietet. Unser Datenabgleichsverfahren soll Unternehmen dabei helfen, zwei Ziele zu erreichen: Duplikate zu entfernen und mehrere Datenquellen zu konsolidieren oder zusammenzuf\u00fchren.<\/strong><\/li>\n
- Daten standardisieren und validieren: <\/strong>Als CASS-zertifizierte L\u00f6sung kann DataMatch Enterprise f\u00fcr die \u00dcberpr\u00fcfung und Validierung von Adressdaten<\/a> verwendet werden. Auf der Grundlage von vordefinierten Gesch\u00e4ftsregeln k\u00f6nnen Benutzer die Option Datenstandardisierung nutzen, um Einheitlichkeit und Konsistenz in, zwischen und innerhalb von Datens\u00e4tzen herzustellen.<\/li>\n
- Datenintegration und -zusammenf\u00fchrung zur Erstellung von Stamms\u00e4tzen: <\/strong>Die Integration von Daten aus verschiedenen Quellen kann mit den \u00fcber 150 Datenintegrationsoptionen der L\u00f6sung leicht durchgef\u00fchrt werden. Dar\u00fcber hinaus k\u00f6nnen die Benutzer mit der Software auch Stamms\u00e4tze ihrer Dateizusammenf\u00fchrungen und -abgleiche erstellen, die dann als endg\u00fcltige Version der Wahrheit verwendet werden k\u00f6nnen.<\/li>\n<\/ul>\n
- Daten standardisieren und validieren: <\/strong>Als CASS-zertifizierte L\u00f6sung kann DataMatch Enterprise f\u00fcr die \u00dcberpr\u00fcfung und Validierung von Adressdaten<\/a> verwendet werden. Auf der Grundlage von vordefinierten Gesch\u00e4ftsregeln k\u00f6nnen Benutzer die Option Datenstandardisierung nutzen, um Einheitlichkeit und Konsistenz in, zwischen und innerhalb von Datens\u00e4tzen herzustellen.<\/li>\n
- Abgleich von Daten zur Entfernung von Duplikaten mit einer Genauigkeit von 95 %: <\/strong>In der Welt des Datenabgleichs kommt es auf die Genauigkeitsrate an. DataMatch Enterprise ist die einzige Best-in-Class-L\u00f6sung, die eine Genauigkeitsrate von 95 % bietet. Unser Datenabgleichsverfahren soll Unternehmen dabei helfen, zwei Ziele zu erreichen: Duplikate zu entfernen und mehrere Datenquellen zu konsolidieren oder zusammenzuf\u00fchren.
- Daten durch Datenbereinigungs- und -vorbereitungstools transformieren: <\/strong>Das Flaggschiff von Data Ladder, DataMatch Enterprise, erm\u00f6glicht eine einfache und effiziente Datenbereinigung und -aufbereitung \u00fcber mehrere Datenquellen hinweg.<\/li>\n<\/ul>\n
- Der Software-Ansatz – Anschaffung eines Tools zur Datenvorbereitung<\/a> <\/strong>vor Ort: Vor-Ort-L\u00f6sungen erm\u00f6glichen es Unternehmen, Daten aus verschiedenen Quellen aufzubereiten, umzuwandeln, zu integrieren und in einem neuen Stammdatensatz zusammenzuf\u00fchren<\/a>. Im Vergleich zum manuellen Ansatz ist dieser automatisierte Ansatz in kurzer Zeit erledigt, verbraucht weniger Ressourcen, ist billiger als die Einstellung eines kompletten Teams und erfordert nur eine Person, die den gesamten Prozess verwaltet. Einige Tools, wie DataMatch Enterprise von Data Ladder<\/a>, verf\u00fcgen \u00fcber eine einfache Benutzeroberfl\u00e4che, die es auch Nicht-IT-Benutzern erm\u00f6glicht, Daten abzugleichen, zu bereinigen und zusammenzuf\u00fchren, ohne dass zus\u00e4tzliche Sprachkenntnisse erforderlich sind.<\/li>\n<\/ul>\n
- Der manuelle Ansatz – Aufbau eines firmeninternen Teams zur manuellen Programmierung von ETL-L\u00f6sungen: <\/strong>Diese traditionelle Methode wird auch heute noch von einigen Unternehmen angewandt, die damit kl\u00e4glich scheitern. Die Daten, die uns heute vorliegen, sind komplex. Es ist praktisch unm\u00f6glich, ein Team von Programmierern zu haben, das f\u00fcr jede Datenquelle ETL-Skripte erstellt, was nicht nur zeitaufw\u00e4ndig, sondern auch kontraproduktiv ist. Die Teams m\u00fcssen Monate und Jahre damit verbringen, Skripte zu \u00e4ndern, um sie an die steigende Nachfrage anzupassen – und erreichen dabei nicht das Ma\u00df an Genauigkeit, das f\u00fcr die Effizienz der Daten erforderlich ist. Unbeabsichtigte Fehler, Missverst\u00e4ndnisse, banale und sich wiederholende Aufgaben machen diesen Ansatz f\u00fcr die meisten Unternehmen zu einem teuren Misserfolg.<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n
- \n