BLOG

Sebastian Eisenbürger

Das beste Marketing ist KEIN Marketing

BLOG

Sebastian Eisenbürger

Das beste Marketing ist KEIN Marketing

Technische Voraussetzungen für die Kopplung von CRM- und PIM-System – Teil 13 der Serie “1:1 Marketing Automation im Handel”

Teil 13 der Artikelserie „1:1 Marketing Automation im Handel“ handelt von schwerer Kost: den technischen Voraussetzungen für die Kopplung von CRM und PIM.

Nach einem Theorieteil über die unterschiedlichen Datenarten geht es um die Bestandteile der notwendigen IT-Architektur und um die Wichtigkeit hervorragender Datenqualität.

Mit der Artikelserie zur 1:1 Marketing Automation entsteht über einen Zeitraum von ca. einem halben Jahr die umfassendste kostenlose Wissensquelle im deutschsprachigen Raum zu Marketing Automation und personalisiertem Marketing.

Bereits erschienen sind:

  1. Produkte
  2. Kunden
  3. 1:1 Email Marketing
  4. Product Information Management (PIM)
  5. Customer Relationship Management (CRM)
  6. Klassifikation von Kundendaten und Produktdaten
  7. Produktempfehlungen im 1:1 Marketing und die Relevanz von Marketinginformationen
  8. Kundendaten und Produktdaten fit machen mit Information Supply Chain Management (ISCM), Datengranularität und dem “Golden Record”
  9. Kopplung von CRM- und PIM-System
  10. Fallstudien
  11. SWOT-Analyse Systemintegration CRM und PIM
  12. Einflussgrößen von CRM und PIM auf den Umsatz im Handel

Die Artikel bauen aufeinander auf. Starten Sie aus diesem Grund mit dem ersten Teil.

Für einen bestmöglichen Lernerfolg melden Sie sich gleich zum kostenlosen Email Tutorial zum Thema an. Hierbei erhalten Sie wöchentliche eine Email mit allen hier veröffentlichten Inhalten, sowie Aufgabenstellungen, anhand derer Sie das Gelernte gleich in Tat umsetzen können.

Erschaffe Sie innerhalb von sechs Monaten personalisierte und automatisierte Email Marketing-Kampagnen. Tragen Sie einfach Name und Email Adresse hier ein:
[mautic type=”form” id=”9″]

Klicken Sie hier für mehr Informationen zum Email Kurs „1:1 Marketing Automation im Handel“.

Identifikation und Abgrenzung von Stammdaten

Um Produkt- und Kundenstammdaten im Unternehmen zu identifizieren stehen die Top-Down- und die Bottom-Up-Methode zur Verfügung.

Der Top-Down-Ansatz leitet Kandidaten für Stammdaten aus Geschäftsprozessen und deren Geschäftsobjekten ab. Die Bottom-Up-Methode nimmt die bestehenden IT-Systeme und deren verwendeten Entitäten und Attribute als Grundlage.

Um beiden Herangehensweisen gerecht zu werden, kann ein hybrider, der sogenannte „Meet-the-Middle“-Ansatz angewandt werden.

Aus technischer IT-Sicht kommt hierbei die formal-analytische Bottom-Up-Methodik zum Einsatz – so ist sichergestellt, dass alle existenten Entitäten aus den IT-Systemen berücksichtigt sind.

Aus fachlicher Sicht wird parallel ein Top-Down-Vorgehen durchgeführt, um die funktionale Vollständigkeit sicher zu stellen.

Neben Stammdaten liegen im Unternehmen in der Regel noch andere Datenarten vor, die in einem gegenseitigen Zusammenhang stehen. In der folgenden Abbildung werden Bewegungsdaten, Bestandsdaten und Änderungsdaten von den Stammdaten abgegrenzt.

Zusammenhang der Datenarten (Technische Voraussetzungen für die Kopplung von CRM)
Zusammenhang der Datenarten (Quelle: Eigene Darstellung, vgl. Scheuch, R., Gansor, T., Ziller, C. in Master Data Management)

Bei Bewegungsdaten handelt es sich um abwicklungsorientierte Daten, die während betriebswirtschaftlichen Transaktionen entstehen. Entsprechend sind Bewegungsdaten nur für einen bestimmten Zeitraum aktuell.

Änderungsdaten sind eine Sonderform der Bewegungsdaten, diese beziehen sich ausschließlich auf Stammdaten. Bei Bestandsdaten handelt es sich um zustandsorientierte Daten, die die betriebliche Werte- und Mengenstruktur abbilden.

Kopplung von CRM und PIM: Architektur

Die Verbindung zweier Stammdatendomänen erfordert IT. Sowohl bei manuell unterstützten Prozessen, als auch bei automatisierten Prozessen zur Datenaufbereitung und -verteilung ist eine klare Systemarchitektur vonnöten.

Diese Systemarchitektur beschreibt dabei die geplante Soll- sowie die aktuelle Ist-Situation. In ihrem Buch „Master Data Management“ beschreiben Scheuch, Gansor und Ziller folgende notwendigen Ergebnisse hinsichtlich der Systemarchitektur, um Stammdatendomänen miteinander zu verbinden:

  1. IT-Bebauungsplan mit dem Schwerpunkt auf Infrastruktur
  2. Landkarte der involvierten Stammdaten mit Datenmodellen und Datenhaltung
  3. Datenflussübersicht mit den notwendigen Transformationen
  4. Prozesslandkarte aller betroffenen operativen Prozesse
  5. Übersicht der zur Unterstützung benötigten IT-Anwendungssysteme

Ein stimmiges Gesamtarchitekturkonzept, das sich in die aktuelle Landschaft integrieren lässt, ist für Funktion, Systeme und Infrastruktur notwendig. Zur Architektur gehört weiterhin eine Stammdatenlogistik, um die Verteilung, Replikation und Harmonisierung der Stammdaten nach unterschiedlichen Regeln zu überwachen. Zur Steuerung kommen Kennzahlen, IT-Komponenten und Prozesse zum Einsatz.

Zum späteren Zeitpunkt gehen wir auf jeden einzelnen der 5 Bestandteile der Systemarchitektur ein.

Kopplung von CRM und PIM: Datenqualität

Gemäß der „i2s CRM-Zufriedenheitsstudie 2012/2013“ stellt die Datenqualität die größte Herausforderung während des Betriebs eines CRM-Systems dar.

Laut einer Untersuchung von B. Otto und K. Hüner haben ca. 75 % der Unternehmen Fehlerquoten von rund 10 % in ihren Stammdaten, 66 % sogar Fehlerquoten von über 20 %.

Die BARC-Studie von 2011 stellt fest, dass mehr als die Hälfte aller IT-Experten in der Datenqualität die größten Herausforderungen sehen.

Gemäß Stelz ist die Sicherstellung der notwendigen Datenqualität in den operativen und analytischen Systemen Voraussetzung zur Verarbeitung polystrukturierter Daten und Informationen. Data Quality und Data Management sind eng miteinander verzahnt.

Neben den Verfassern der BARC-Studie legen auch Scheuch, Gansor und Ziller in „Master Data Management“ großen Wert auf einen eigenen Verantwortungsbereich „Datenqualität“, um diesem Thema gebührende Bedeutung zukommen zu lassen.

Datenintegration, Datenqualität, Datenkonsolidierung, Kunden- und Produktdatenabstimmung sowie Metadatenmanagement müssen in einer Person oder Abteilung gesteuert werden.

Qualität braucht Regeln. Neben Sorgfalt und intensiver Pflege müssen Regeln her. Als Data Governance werden Anleitungen formuliert, wer wie mit Daten umzugehen hat.
Rolf Heiler

Klingenberg sieht die Notwendigkeit einer hohen Datenqualität in der entstehenden Unzufriedenheit aller Beteiligten, wenn beispielsweise hohe Kosten aufgrund einer hohen Anzahl Mailing-Rückläufer entstehen, weil Daten nicht aktuell sind, Kunden mehrfach angeschrieben werden, da Dubletten existieren oder wenn gegen Sanktionslisten verstoßen wird.

Genau wie Heiler beschreibt Klingenberg die Wichtigkeit von Regeln zur Aufrechterhaltung und Optimierung von Datenqualität – „Data Governance“.

Auch Scheuch, Gansor und Ziller halten das Festhalten eines Regelwerks für unabdingbar zur Sicherung der Datenqualität bei Validierung und Prüfung der Stammdatenwerte.

Für viele Unternehmen stellt der Datenbestand einen wichtigen Teil des Betriebsvermögens dar. Kundendaten sind die wertvollsten unter ihnen. Bei Handelsunternehmen stehen Produktdaten an gleicher Stelle.

Ca. zehn Prozent aller privaten Adressen werden jedes Jahr ungültig. Allein 2009 änderten sich etwa 900 Ortsnamen, 30.000 Straßen wurden neu angelegt, es gab ca. acht Millionen Umzüge, 840.000 Todesfälle, 370.000 Hochzeiten und 190.000 Scheidungen.

Auf Seite der Produktdaten produzieren Hersteller neue Auflagen mit anderen Eigenschaften, ändern Herstellungsverfahren, die neue Gewichte und Produktbilder nach sich ziehen, es ändern sich Ersatzteile, Gebindegrößen, Verpackungen, EAN-Codes, Produktnamen oder Verfügbarkeiten.

Demnach ist die permanente Aufrechterhaltung von Kunden- und Produktdaten mehr als das Bereinigen von Dopplungen und dem Ausmerzen von Rechtschreib- oder Schönheitsfehlern.

Die permanente, organisierte Überprüfung der Datenbestände ist Voraussetzung zur Aufrechterhaltung einer hohen Datenqualität.

Bloching, Luck und Ramge vergleichen die Hygiene von Daten mit der Hygiene in der Küche:

Wer regelmäßig aufräumt, hat unter dem Strich weniger Aufwand, als wenn er das ungespülte Geschirr ewig stehen lässt.

Die deutsche Gesellschaft für Informations- und Datenqualität unterteilt Datenqualität in vier Kategorien und 15 Dimensionen:

DGIQ - 15 Dimensionen, 4 Kategorien (Technische Voraussetzungen für die Kopplung von CRM)
  1. System: Sinnvolle Systemunterstützung
    1. Zugänglichkeit von Informationen auf direktem Weg (1)
    2. Bearbeitbarkeit von Informationen zur leichten Änderung oder Mehrfachverwendung (2)
  2. Inhalt: Inhaltliche Inhärenz
    1. Vertrauenswürdigkeit und Kompetenz von Informationen (3)
    2. Fehlerfreiheit von Informationen, Übereinstimmung mit der Realität (4)
    3. Objektivität von Informationen, Informationen sind streng sachlich und wertfrei (5)
    4. Glaubwürdigkeit von Informationen durch angemessenen Aufwand in der Informationsbeschaffung oder durch das Vorhandensein von Zertifikaten (6)
  3. Darstellung: Angemessene Darstellung
    1. Eindeutige Auslegbarkeit von Informationen (7)
    2. Einheitliche Darstellung von Informationen (8)
    3. Übersichtlichkeit von Informationen (9)
    4. Unmittelbare Verständlichkeit von Informationen (10)
  4. Nutzung: Zweckabhängige Nutzung
    1. Relevanz von Informationen, Lieferung notwendiger Informationen (11)
    2. Angemessener Umfang, die Menge der verfügbaren Informationen genügt den gestellten Anforderungen (12)
    3. Vollständigkeit von Informationen zum festgelegten Zeitpunkt (13)
    4. Wertschöpfung durch Informationen (14)
    5. Aktualität von Informationen zur zeitnahen Abbildung der tatsächlichen Eigenschaften des beschriebenen Objekts (15)
0 Kommentare

Einen Kommentar abschicken

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahre mehr darüber, wie deine Kommentardaten verarbeitet werden.