Archivregale voller Aktenordner

Gastblogger: Jan Lundak

In einem Gastbeitrag erläutert Jan Lundak, Leiter des Partnerdatenmanagement des größten Schweizer Unfallversicherers Suva, wie sein Unternehmen Data Quality Management eingeführt hat, warum das notwendig war und welche Vorteile ein Datenqualitätsmanagement mit sich bringt.

Im Rahmen des Swiss CRM Expertenforums lud das Versicherungsunternehmen Suva am 12. April 2018 Experten und Unternehmer zu sich nach Luzern ein, um über das Thema “Kundendaten und -profile” zu reden, Erfahrungen auszutauschen und Lösungen vorzustellen. Initiator und Gründer des Forums Martin Stadelmann, Geschäftsführer der ec4u expert consulting, führte durch den Tag und moderierte die spannenden Diskussionen.

Jan Lundak, Leiter Partnerdatenmanagement bei der SUVA stellte dabei das Data Quality Management seines Unternehmens vor. Für unseren Blog hat er seinen Vortrag zusammengefasst.

Die Ausgangssituation: schlechte Daten sorgen für schlechte Nutzererlebnisse

Eine saubere Datenbank ist die Grundlage für Unternehmen, um Partner, Kunden und Mitarbeiter zufriedenzustellen. Doch eine Datenbank ist nicht in Stein gemeißelt. Ständig fließen neue Daten ein, während alte Daten ersetzt, gelöscht oder kombiniert werden. Dadurch können mit der Zeit etliche Baustellen entstehen, die für veraltete, unvollständige, falsche oder doppelte Daten sorgen und so die Verarbeitung erheblich erschweren.

In unserem Unternehmen hatten wir 2015 das Problem, dass wir aufgrund fehlerhafter Datensätze in unterschiedlichen Bereichen massive Kosten und/oder Ressourcenaufwände hatten. Während gewisse Bereiche durch die Massenverarbeitung von Daten Probleme schufen, waren andere Mitarbeiter mit der Zusammenführung, Korrektur und Pflege der Daten beschäftigt um sie nutzbar zu machen. Folge der ungenauen (Adress-)Daten, waren hohe Kosten bei postalischen Rücksendungen und noch höhere Kosten durch aufwändige manuelle Korrekturprozesse.

Digital geplante Informationskampagne mussten derweil auf den Postweg umgelenkt werden, da wir feststellten mussten, dass wir für unsere Kontaktpersonen in nur 2,4% der Fälle eine verwendbare E-Mail-Adresse vorliegen hatten. Eine personalisierte E-Mail-Kampagne war damit unmöglich.

Auch der Telefonkontakt wurde zu diesem Zeitpunkt durch diverse Datenqualitätsprobleme erschwert. In unterschiedlichen Kontaktgruppen hatten wir bei durchschnittlich einem Drittel Probleme, die Kontaktdaten von Kunden direkt anhand der Telefonnummer zu identifizieren, weil die hinterlegten Nummern veraltet waren oder ganz fehlten.

Kurzum:

  • Die (mangelnde) Qualität unserer Datenbank sorgte dafür, dass unsere Mitarbeiter einen Ressourcenaufwand hatten, wann immer sie Kontaktdaten prüfen oder verwenden wollten.
  • Unsere Kunden und Partner erhielten teilweise zu viele, keine oder falsche Informationen, da die Kontaktdaten fehlerhaft waren oder fehlten.
  • Und wir konnten unsere Marketing- und Kommunikationsstrategien nicht so modern, digital und vor allem kundenzentriert gestalten, wie wir es wollten, da uns die Datenbank regelmäßig einen Strich durch die Rechnung machte.

Bevor wir eine Lösung entwickeln konnten, mussten wir erst einmal identifizieren, weshalb unsere Datenbank nicht unseren Erwartungen entsprach. Bei unserer Analyse konnten wir drei Hauptpunkte identifizieren.

Die Ursachen: Altlasten, fehlende Disziplin und Silos

  1. Altlasten

Je länger eine Datenbank existiert, desto höher ist die Wahrscheinlichkeit, dass sich darauf veraltete Daten befinden. Häufig werden diese sogar bei der Implementierung neuer Systeme einfach mit migriert und wachsen so mit der Zeit.

Die Bereinigung von Altlasten ist derweil äußerst schwierig und teuer. Systemische Abhängigkeiten verhindern oft eine einfache Bereinigung.

  1. Fehlende Disziplin

Trotz häufiger Kontakte mit dem Kunden durch verschiedene Mitarbeiter aus diversen Fachprozessen herrschte bisher wenig Disziplin bei der Aktualisierung und Neuaufnahme von Kundendaten in dem dafür vorgesehenen zentralen CRM-System.

Zusätzlich sind die Kundendaten oftmals über viele Systeme verstreut und teilweise sogar schwer zugänglich in Excel-Dateien zu finden, was mich zu Punkt 3 bringt.

  1. Silo-Projekte

Aufgrund der starken Fokussierung auf die Belange der eigenen Fachprozesse und der Abwicklung eigener Geschäftsprozesse, werden Projekte oft in den Fachsilos umgesetzt. Die stark fokussierte Umsetzung führt zur Vernachlässigung übergreifender und nachhaltiger Datenqualitäts-Interessen.

Die logische Folge dieser Silos sind sogenannte “Inselsysteme”. Auch wenn diese Systeme logischerweise durch Kommunikationsschnittstellen miteinander verbunden sind, fehlt ein auf Datenqualität bedachtes Datendesign. Ein fehlertolerantes Anwendungsdesign ist daher an der Tagesordnung.

Aufgrund dieser Erkenntnisse haben wir 2015 ein Konzept für CRM-Partnerdatenmanagement und -prozesse entwickelt und konnten bereits Ende des Jahres eine Stelle für Data Quality Management oder auch Partnerdatenmanagement schaffen. In dieser Funktion wird die Datenqualität geprüft, es werden Lösungen zur Optimierung und Bereinigung entwickelt und implementiert und Fortschritte werden gemessen und ausgewertet.

Die Lösung: Technologie, Standards und Regeln

Technologie:

Zur Bereinigung und regelmäßigen Kontrolle sowie Anreicherung haben wir einen externen Dienstleister beauftragt, der uns maschinell und manuell unterstützt.

Um verstreute Daten insbesondere in Excel-Listen ins neue System einzuführen, haben wir einen CRM-Daten-Importer eingesetzt. Kontakte, die auf diesen Listen stehen, können damit direkt ins CRM eingelesen werden, inklusive Dubletten-Erkennung.

Unsere Mitarbeiter werden unter anderem für den Außendienst mit mobilen Endgeräten ausgestattet, um Zugriff zu unserem CRM-System zu haben. Im Kundendienst hilft die iFY-Telefonie dabei, Telefonnummern in Echtzeit mit den vorhandenen Kundendaten abzugleichen und so den entsprechenden Kontakt auf dem Bildschirm aufzurufen. Fehlende Daten werden sofort angezeigt, so dass der Service-Mitarbeiter gegebenenfalls nachfragen und ergänzen kann.

Standards:

Einheitliche Erfassungsrichtlinien sollen zukünftig dabei helfen, die dezentrale Datenerfassung zu steuern und zu reglementieren. Zusätzlich war auch eine Anpassung aller Fachprozesse und AKVs (Aufgaben, Kompetenzen, Verantwortlichkeiten) nötig, um datenqualitätsrelevante Abläufe zu etablieren und zu institutionalisieren.

Ein von uns entwickelter Data Quality Index misst unsere Stammdaten monatlich und erstellt einen Report. Darauf basierend können jährliche Datenqualitätsziele festgelegt und geprüft werden.

Verhaltensregeln:

Vor jedem Projekt muss die Frage beantwortet werden, ob Stammdaten verwendet werden und wie. Das Konzept muss anschließend an den Partnerdatenmanager zur Prüfung vorgelegt werden.

Zusätzlich wollen wir die manuelle Bearbeitung von Daten zukünftig stark einschränken. Auch die Kontrolle beim Anlegen neuer Datensätze, ob dies eventuell bereits im System bestehen, soll verstärkt werden, um Dubletten zu vermeiden.

Darüber hinaus möchten wir unsere Mitarbeiter motivieren, Schnittstellen zu Kundendaten häufiger zu nutzen, um Kontaktdaten zu aktualisieren.

Fazit:

Mit klaren Definitionen für Stammdatenattribute und Erfassungsrichtlinien, die jederzeit für Mitarbeiter einsehbar sind, kann die Datenqualität zukünftig besser eingehalten werden. Unterstützt wird dies durch monatliche Messungen und Analysen und Datenqualitätsziele. Die technologische Unterstützung erfolgt durch Anwendungen und Systeme, die das Überprüfen, Verwenden und Säubern der Daten erleichtern und gleichzeitig das Eingeben falscher Datensätze verhindern/erschweren.

Eine regelmäßige Datenbereinigung inklusive eines Maßnahmenkatalogs sorgt außerdem dafür, dass die geplanten Maßnahmen kontinuierlich überprüft und gegebenenfalls verstärkt oder angepasst werden können.

Diese Maßnahmen und Änderungen erfordern natürlich eine Unterstützung im Top-Management und Sponsoren innerhalb des Unternehmens, die motivieren und informieren. Jeder Nutzer muss am Prozess und den Änderungen beteiligt werden. Auch wenn Angst ein antreibender Faktor ist, sollte er wohl überlegt eingesetzt werden. Viel wichtiger ist es, Geduld zu haben. Neben den technologischen Änderungen erfordert ein Data Quality Management auch eine Änderung in Prozessen und dem Umgang mit Daten. Das erfordert Zeit, Coaching und Geduld.


Autorenbild Jan LundakJan Lundak verantwortet seit 2 Jahren das Master Data Management bei der Suva. Davor war er bei der Suva als Product Owner der Geschäftspartner-Anwendung massgeblich an der Einführung diverser CRM Systeme beteiligt. Nebst seiner Tätigkeit bei der Suva ist er Co-Founder der RedPill GmbH, ein Unternehmen das basierend auf agilen Methoden Software-Entwicklungsprojekte ihrer Kunden gezielt coacht und begleitet.

 

 


 

Print Friendly, PDF & Email
0 Kommentare

Dein Kommentar

An Diskussion beteiligen?
Hinterlasse uns Deinen Kommentar!

Schreibe einen Kommentar

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