Schlechte Daten kosten Zeit, Geld und Nerven. Noch schlimmer: sie kosten Motivation. Das wissen alle, die mit Daten arbeiten. Deswegen investieren Daten-Analysten fast jede zweite Minute ihrer Zeit in die Datenpflege. Ist diese Arbeit umsonst, weil die Ausgangsdaten schon fehlerhaft sind, führt das zu Frust in der gesamten Organisation. Im schlimmsten Fall bringen fehlerhafte Daten den gesamten Prozess zum Scheitern und sorgen für Chaos und Inkonsistenzen in den beteiligten Systemen.
Praxisbeispiel: Wie aus guten Kunden schlechte Daten werden Datensilos sind tabu. Das weiß jeder, ändert aber nichts an der Tatsache, dass es sie gibt. In meinem (echten) Beispiel nutzt das Sales Team ein eigenes CRM, das an die Bedürfnisse der Abteilung angepasst und somit besser kontrollierbar ist. Selbstverständlich werden die Daten nicht synchronisiert, hier beruft sich Sales auf die fehlende Zustimmung im Datenschutz. Man möchte keinen Fehler begehen. Die Folge: Wichtige Kundeninfos kommen im Marketing nicht nur nicht an, dort weiß man vor allem gar nicht, dass sie überhaupt existieren. In Folge ist der Kontakt intern doppelt angelegt, unterschiedlich gepflegt und außerhalb des Sales-Bereiches zuverlässig falsch segmentiert. Gleichzeit gibt das Marketing Geld dafür aus, das Verhalten seiner Kunden zu analysieren, deren Daten eigentlich schon vorliegen. Das Delta geht noch weiter auf. Das Marketing verfügt also über falsche Annahmen, trifft aber auf dieser Basis reale Entscheidungen – z. B. zu Cross- und Upselling. Während die richtigen Daten gut verschlossen ruhen, wundert sich der Kunde, warum das Unternehmen nicht in der Lage ist, ihm besser passende Angebote zu machen, was wiederum Einfluss auf sein Urteil über den Anbieter hat. Das Ergebnis: Es dauert nicht lange, bis schlechte Daten Wirkung erzielen und in die Realität rückkoppeln – ein sich selbst verstärkender Prozess.
Data Journey
In einer idealen Welt: Das ist keine Customer- oder Buyers Journey, sondern die Data Journey
Ziel der Datenpflege ist die Hoheit über den Analyseprozess. Zu schnell sind aus schlechten Daten falsche Schlüsse gezogen, wofür dann niemand die Ursache versteht. Was man schlecht versteht, lässt sich auch nur schlecht ändern. Und dahin kommt man schnell, erst recht im Marketing, wo alles auf kombinierten Daten in Echtzeit basiert. Man kann es also drehen und wenden wie man will: Ohne zuverlässige Daten kein langfristiger Erfolg einer Marketingaktivität.
"Schnell werden aus schlechten Daten schlechte Kampagnen, für deren Performance niemand die Ursache kennt."
Was sind schlechte Daten?
Schlechte Daten sind fehlende, ungenaue, falsche, unangemessene, nicht übereinstimmende, doppelte oder mangelhafte Informationen (Tippfehler oder Abweichungen in Schreibweise, Format usw..)
Es gibt viele Gründe für fehlerhafte Daten. Im Marketing oft anzutreffen sind veraltete Daten, schlecht integrierte Daten oder schlicht Datenquellen mit falschen Angaben sowie inkonsistenten oder unklaren Messwerten. Schon die Frage, was eine Page Impression ist, ist umso schwerer zu beantworten, je präziser man sein möchte. Berühmt sind auch Selbstauskünfte, die nicht nur leicht zu fälschen sind, sondern geradezu zu unwahren Angaben (Alter, Gehalt, Kaufabsichten) auffordern.
Wie das Problem schlechter Daten lösen?
1. Verstehen, was gute Daten ausmacht
Gute Daten sind vor allem vertrauensvolle Daten. Das gilt zuvorderst für First Party Data aus dem eigenen System, verlässliche Quellen, einheitlich aufbereitete Daten, relevante und aktuelle Informationen, für die die Nutzungserlaubnis vorliegt. Sie sind der Goldstandard. Im Gegensatz zu Third Party weiß man bei First Party Data genau, wie sauber, genau und vertrauenswürdig sie sind. Das Geheimnis kundenorientierter Unternehmen ist, First Party Data jederzeit erfassen und flexibel einsetzen zu können.
Für nicht vertrauensvolle interne wie externe Daten sollte ein Unschärfe-Index entwickelt werden, der die Möglichkeit falscher oder unklarer Informationen mit berücksichtigt. Im Marketing gilt dies insbesondere für die Performance Parameter von Medienpartnern. Spekulative Kennziffern oder offener oder versteckter Betrug, respektive hemmungsloses Beschönigen – hier ist alles möglich, selbst bei großen Partnern, insbesondere als Monopolisten.
2. Daten richtig aufbereiten
Gute Daten sind das eine. Sie konsistent vorzuhalten, das andere. Z. B. sollten Produkte einheitlich codiert sein und Nutzerstatistiken über den gesamten Kundenbestand einheitlich getrackt werden. Weiterhin sollten die Daten nicht in verschiedenen Silos sitzen, sondern zentral verfügbar stehen und somit eine einheitliche Sicht auf den Kunden ermöglichen.
3. Daten segmentieren
Sobald Daten in einem brauchbaren Zustand vorliegen, geht es darum, diese zu segmentieren, um Muster in den Statistiken zu erkennen. Dies ist nicht nur für die Neukundenansprache, sondern auch für das Churn Management wichtig. So können beispielsweise Kunden, die einen bestimmten Schwellenwert an Logins im Monat unterschreiten, frühzeitig angesprochen und zurückerobert werden. Schöner ist natürlich herauszufinden, welche Gemeinsamkeiten die Kunden mit den höchsten Zufriedenheitswerten oder Profiten haben und diese Kundengruppe unter den Neukunden rechtzeitig zu erkennen.
4. Referenzdaten erarbeiten
Kenne deinen Kunden – denn die sicherste Methode, schlechte Daten zu erkennen, ist zu verstehen, wie groß das Delte der Datenstreuung ist. Weichen die Werte ab, gilt es die Ursache zu finden. Hat sich das Verhalten der Kunden geändert, sind Parameter der Datenaufbereitung neu oder wird einfach Datenmüll gespeichert?
5. Intent-Daten verwenden
Wer sich selbst nicht oder nicht kurzfristig in der Lage sieht, die notwendige Datenqualität herzustellen, kann Intent-Daten nutzen. Das sind zugekaufte Vergleichsdaten von Drittanbietern. Wie der Name schon sagt, enthalten sie den "Intent", also die Absicht zu einem gewissen Zeitpunkt in der Customer Journey. Zudem bieten Intent-Daten einen Referenzpunkt, der sich mit den eigenen abgleichen lässt, sodass Ungenauigkeiten minimiert werden, die möglicherweise schon seit Jahren im CRM vorhanden sind.
6. Daten-Partnerschaften
Im Gegensatz zu den Intent-Daten von Erstanbietern hilft die Zusammenarbeit mit einem Drittanbieter (wie GFK) dabei, das Verhalten von potenziellen Kunden außerhalb der eigenen Website zu verstehen. Wie interagieren Nutzer bei Deinen Wettbewerbern? Der richtige Anbieter gibt wertvolle Einblicke in das gesamte Verhalten potenzieller Kunden. Selbstverständlich sollte man darauf achten, Partner zu wählen, die in Sachen Datenschutz wasserdicht sind. Aber es ist schon sehr verlockend, das kleine Datenstück mit reinzugeben und den ganzen Datenkuchen aller angeschlossenen Partner zurückzubekommen.
Was auch immer du tust; Nichtstun ist bei Daten keine Alternative. Denn nichts führt zu schlechteren Kampagnen als Daten, von denen man nicht weiß, wie schlecht sie sind.
コメント