2. Folie 2 Datenqualitätsmanagement Fallstudien Agenda Aufgaben des Datenqualitätsmanagements Erfolg mit Datenqualitätsmanagement Unsere Dienstleistungen für Sie
3. Folie 3 Fall 1: “Unzustellbare Post” Gute Gründe für Datenqualitätsmanagement Fall 2: “Kundenabwanderung” Fall 3: “Unerkannte Kunden”
4. Folie 4 Fall 1: Unzustellbare Post Eines Morgens, im Marketing… Der Leiter Marketing betritt sein Büro und… Der gesamte Flur ist voll mit Post! Retouren der letzten Briefkampagne! Was war passiert? Die Briefkampagne zielte auf ehemalige Kunden ab Leider stimmten die Daten der Postanschrift von mehr als 300.000 Kunden nicht! Verlust: €150.000 Porto + Druck - plus die hämischen Blicke der Kollegen…
5. Folie 5 Fall 2: Kundenabwanderung Wie jeden Tag im Call Center… Ein ungehaltener Kunde ruft an… „Ich habe Ihnen schon zwei Mal mitgeteilt:Ich wohne nicht in Köln, sondern in Marienburg!“ Im Dialog erklärt der Kundenservice-Mitarbeiter dem Kunden: „Wir führen alle Kölner Postleitzahlen automatisch als Teil von Köln!“ Doch der Kunde beharrt: „Wenn Sie das nicht hinbekommen, war ich die längste Zeit Kunde bei Ihnen!“ Was ist das Problem? Für manche Kunden ist ihr Wohnviertel ein Statussymbol – sie wollen es gewürdigt sehen! Kunden, die sich vom Unternehmen nicht verstanden fühlen, wandern ab. Der Konzern verlor rund 10.000 Kunden pro Jahr weil das System keine persönlich wichtigen Informationen über die Kunden verarbeiten konnte. - Plus eine Dunkelziffer durch negative Mundpropaganda!
6. Folie 6 Fall 3: Unerkannte Kunden Ein ganz normaler Tag im Call Center… Ein Kunde hat ein alltägliches Anliegen zum Vertrag: Veränderung der Bandbreite. Erstaunt stellt der Call Center Mitarbeiter fest: „Sie sind bei uns gar nicht als Kunde eingetragen!“ Der Kunde wurde also schnell eingerichtet, Problem gelöst. Allen Neukunden werden subventionierte Endgeräte zugestellt! Was lief schief? Wegen schlecht gepflegter Identifikationsmerkmale konnte das CRM System manche Bestandskunden nicht auffinden. Diese Kunden erhielten durch den Prozess fälschlicherweise den Status „Neukunde“. Der Konzern versandte über 20.000 Endgeräte, bevor das Problem bemerkt wurde!
7. Folie 7 Datenqualitätsmanagement Fallstudien Agenda Aufgaben des Datenqualitätsmanagements Erfolg mit Datenqualitätsmanagement Unsere Dienstleistungen für Sie
8. Folie 8 Was ist „Daten-Qualitätsmanagement“? Zweck- Dienlich Messen Verbessern Messen Verbessern Daten Qualität Mgt. DV: IT-Systeme Fachliche Prozesse Messen Verbessern Stellen die Systeme zweckdienlich die Daten bereit? Bedienen die Daten das Ziel der Fachprozesse? Welche Prozesse benötigen die Daten – und wozu? Erfüllen die Systeme ihren Zweck in der Datenbereitstellung? Passen die Daten der IT-Systeme zu den fachlichen Prozessen? Wie stellen die IT-Systeme Daten für fachliche Prozesse bereit?
9. Folie 9 Zweckdienliche Daten sparen Zeit und Geld, denn sie sind: Vollständig Konsistent Relevant Transparent Präzise Zeitgerecht Akkurat Zweckdienliche Datenqualität Totale Datenqualität Nicht zweckdienliche Daten kosten Zeit und Geld – und schaffen Unzufriedenheit!
11. Folie 11 Datenqualitätsmanagement Fallstudien Agenda Aufgaben des Datenqualitätsmanagements Erfolg mit Datenqualitätsmanagement Unsere Dienstleistungen für Sie
12. Folie 12 DQM Erfolgs-Stories Der Nutzen von Datenqualitätsmanagement ist klar zu sehen: Einführung von Data Quality Agreements Unser Kunde etablierte DQAs im CRM für alle Kundendaten Viele Fehler von CC Mitarbeitern sind technisch jetzt unmöglich Wenn sich Fehler häufen, wissen die Leiter sofort Bescheid! Messung der Datenqualität in den Systemen Unser Kunde nutzt Konsistenzmessung in Billing, CRM und HLR Die Fehlerrate sank von rund 5% auf unter 0,5% Probleme werden längst vor Beginn des Rechnungslaufs erkannt Datenstandards für Human Resources Unser ARPM Tool standardisiert Profile für Stellen und Personal Automatisiertes Aussortieren spart 90% der Vorarbeit Dank besserer Profile werden Stellen geeigneter besetzt
13. Folie 13 Wählen Sie Ihr Vorgehensmodell Nachhaltige Lösungen für akute Probleme Fundamentale Probleme werden oft erst nach Jahren angegangen Wenn keine akuten Probleme auftreten, entsteht leicht eine trügerische Sicherheit „Unwissenheit schützt vor Strafe nicht“ Projektorientierter Ansatz erfordert wenig Ressourcen Positive Business Cases garantieren sichtbare Erfolge! Eine ganzheitliche Lösung stärkt die Position des Unternehmens im Markt Globales „Data Ownership“ vereinfacht die IT-Systemlandschaft und Entwicklung Pro-aktives Vorgehen verhindert Schäden, bevor sie entstehen Da vermiedene Schadfälle nicht in Bilanzen eingehen, wird oft der Nutzen der Initiative in Frage gestellt. Transparenz und klare Verantwortung muss von allen erwünscht sein, sonst scheitert die Initiative. Der Aufbau einer Governance kostet Zeit Problemgetriebenes Vorgehensmodell Governance-getriebenes Vorgehensmodell Ihr Vorteil: Ihr Vorteil: Beachten Sie: Beachten Sie: „Sichtbar Nützlich!“ „Keine unnötigen Risiken!“
14. Folie 14 Datenqualitätsmanagement Fallstudien Agenda Aufgaben des Datenqualitätsmanagements Erfolg mit Datenqualitätsmanagement Unsere Dienstleistungen für Sie
15. Unsere Leistung für Sie Folie 15 Wir bieten allen Leistungen zum Thema Datenqualität aus einer Hand Datenqualität als Governance Disziplin Messung des Reifegrads Ihrer DQ Aufbau von Data Quality Agreements Roadmap zur Steigerung der Reife Modellierung der Datenobjekte Datenqualität Risikomanagement Optimierung der Datenströme Operative Gestaltung von Datenqualität Aufbau von Messprozessen DQM in Entwicklung und Migration Implementierung von Mess-Tools Training rund um Datenqualität Verhinderung von DQ Problemen SE Data Quality Cockpit Projekte zur Verbesserung der Datenqualität Auffinden von DQ Problemursachen Projektleitung bei DQ Projekten Risikoanalysen zu Datenqualität Prozessmaps, Systemlandkarten etc. Lösungsfindung mit den Fachseiten DQ Testing und Analyse
16. Folie 16 Datenqualitätsmanagement Etablieren Ziel- Orientierung Daten Qualität Mgt. DV: IT-Systeme Fachliche Prozesse Das ENISA Data Collection Framework Problemgetriebenes Vorgehensmodell 1 – Identifikation der wichtigsten Datenobjekte (z.B. „Kunde“, „Produkt“) 2 – Analyse gemeldeter Störungen bezüglich Ursachen in den Ziel-Objekten 3 –Optimierung der Daten zur Behebung der Problemursache 4 – Abschluss eines „Datenqualitätsabkommen“ zwischen IT und Fachbereich 5 – Aufbau automatischer Kontrollen zur regelmäßigen Prüfung der geforderten Qualität Governance-getriebenes Vorgehensmodell 1 – Identifikation der wichtigsten Datenquellen im Unternehmen 2 – Daten-Bestandsaufnahme gemeinsam mit der zentralen Fachseite 3 – Optimierung aller Datenbestände aus dieser Quelle 4 – Aufbau einer Partnerschaft zwischen IT und FS zu diesen Daten 5 – Ausweitung der Partnerschaft, um mehr Fachbereiche zu beteiligen 6 – Ausweitung der Partnerschaften auf weitere Datenobjekte