Daten bilden nicht nur die Grundlage des Onlinemarketings, sondern sind in vielen Bereichen für die strategische Unternehmensführung unersetzlich. Umso wichtiger also, eine hinreichende Datenqualität sicherzustellen. Aber was zeichnet eine hohe Datenqualität aus und wie kann sie erreicht werden, speziell im Onlinemarketing? Diesen Fragen möchten wir in diesem Beitrag nachgehen.
Warum ist eine hohe Datenqualität überhaupt so wichtig?
Fast jedes digitale Geschäftsmodell baut auf einer umfangreichen Dateninfrastruktur auf. Klar ist: Stimmt das Fundament nicht, können weder Kampagnen effizient ausgesteuert noch Erfolge gemessen werden.
Im Programmatic Advertising, wo Werbeplätze durch automatisierte Auktionen versteigert werden, wird die Entscheidung über die Gebotshöhe datenbasiert getroffen. Hat die Nutzerin bereits nach einer ähnlichen Dienstleistung gesucht? Weist der Nutzer die demographischen Merkmale auf, die als Zielgruppensegment definiert wurden? Nur wenn eine solide Datenbasis verfügbar ist, kann das Budget kosteneffizient allokiert werden.
Ebenso ist eine verlässliche, aktuelle und umfangreiche Sammlung an Stammdaten für die Aktivierung von Leads entscheidend.
Auf der anderen Seite ist der Datenschutz längst zu einem entscheidenden Faktor geworden, um das Nutzervertrauen und deren Akzeptanz aufrechtzuerhalten. Es stellt sich also nicht nur die Frage, ob die Daten von hoher Qualität sind und was das eigentlich beinhaltet, sondern vor allem, welche Daten tatsächlich notwendig sind – und welche nicht.
Fünf Hauptkriterien für die Datenqualität
In Deutschland wird fast alles genormt, so auch die Datenqualität nach DIN ISO 8402. Definiert ist sie dort als „Eignung von Daten für unterschiedliche Verwendungszwecke bezüglich des Grads ihrer Erfassung und Generierung“. In anderen Worten, die Datenqualität ist untrennbar mit der Erfüllung bestimmter Aufgaben verbunden. Auf der Basis von Datenanalysen werden in Unternehmen und gerade auch im Marketing Entscheidungen getroffen.
Maßgeblich lassen sich fünf Kriterien herausstellen, die im Zusammenspiel besonders wichtig für die Datenqualität sind:
Korrektheit
Entsprechen die Daten der Realität? Inkorrekte Daten entstehen u.a. durch fehlerhafte Methoden der Datenerhebung und menschliche Fehler bei der Übertragung von Daten.
Verfügbarkeit
Haben berechtigte Nutzer Zugriff auf die Daten und stehen sie auf verschiedenen Systemen zur Verfügung? Gerade im Onlinemarketing, wo Daten teilweise in Silos abgetrennt sind und miteinander integriert werden müssen, kann es eine Herausforderung sein, Verfügbarkeit sicherzustellen.
Konsistenz
Stimmen die Daten aus unterschiedlichen Systemen miteinander überein? Ebenso wie bei der Verfügbarkeit der Daten zahlt sich hier die Zusammenarbeit mit Partnern aus, die über Schnittstellen verbunden werden können. Bei der händischen Datenübertragung – besonders, wenn teilweise noch mit Excel-Sheets gearbeitet wird – kommt es schnell zu Flüchtigkeitsfehlern. Die automatische Einspeisung von einem System ins andere kann das verhindern.
Relevanz
Erfüllen die Daten den gewünschten Zweck? Gerade im Onlinemarketing werden teilweise Daten erhoben, die für die Optimierung der Kampagnen nicht notwendig sind oder sogar irreführend sein können, wenn aus Korrelationen falsche Schlüsse gezogen werden. Trotz der Wichtigkeit von Daten ist auch hier manchmal weniger mehr.
Zuverlässigkeit
Stammen die Daten aus zuverlässigen Quellen? Entscheidend sind einerseits die regelmäßige Einspeisung von Daten sowie deren Nachvollziehbarkeit.
Weitere Kriterien, darunter Vollständigkeit, Einheitlichkeit, Aktualität, Genauigkeit und Interpretierbarkeit runden eine hervorragende Datenqualität ab. Je nach Anwendungsfall lohnt es sich jedoch, nicht jedes einzelne Kriterium einer genauen Prüfung zu unterziehen, sondern gemäß der geplanten Datennutzung Schwerpunkte zu legen – beispielsweise auf die Konsistenz oder Korrektheit.
Datenqualität im Unternehmen steuern und sichern
Um eine hohe Qualität der Daten – ob Kampagnen- oder Stammdaten – im Unternehmen sicherzustellen, ist zunächst die Wahrung der oben genannten Kriterien zu berücksichtigen. Daneben gibt es einige Maßnahmen, die sowohl innerhalb der Marketingabteilungen als auch organisationsübergreifend ergriffen werden können:
- Automatisierte Aufnahme und systemübergreifende Übertragung von Daten. Durch Integrationen zwischen unterschiedlichen Systemen sparen Unternehmen nicht nur Zeit, sondern reduzieren menschliche Fehlerquellen.
- Bereinigung von irrelevanten Daten (Data Cleansing). Redundante, irrelevante oder unsaubere Daten sollten durch konkrete Maßnahmen identifiziert und entfernt werden. Hierbei empfiehlt es sich, Routinen zu etablieren, um dies regelmäßig zu wiederholen und zu einer kontinuierlichen Verbesserung der Datenqualität beizutragen.
- Regelmäßige Schulungen der Mitarbeitenden. Idealerweise sollte es innerhalb der Belegschaft eine möglichst hohe Datenkompetenz geben, damit Mitarbeitende Fehlerquellen und Unsauberkeiten erkennen und eliminieren können.
- Klare Aufgabenverteilung und Verantwortlichkeiten. Gerade im Falle von Stammdaten sollte es eine klare Rollenverteilung geben, damit Zuständigkeiten klar sind und die Datensätze regelmäßig gepflegt werden.
- Zusammenarbeit mit vertrauenswürdigen Partnern. Wer Daten von Partnern zugeliefert bekommt oder einkauft, sollte deren Seriosität prüfen. Gerade bei der Kampagnenanalyse ist mitunter zu beachten, ob die Partner ein Interesse daran haben, Ergebnisse in eine bestimmte Richtung zu drehen. Das kann ein Faktor sein, wenn z.B. eigene Mediainteressen ins Spiel kommen.
Fazit: Klasse statt Masse
Hochwertige Daten zeichnen sich nicht in erster Linie durch möglichst umfangreiche Sammlungen aus, sondern entscheidend ist ihre Eignung für den jeweiligen Zweck – und die Kompetenz innerhalb des Unternehmens, sie interpretieren, pflegen und bereinigen zu können.
Gerade bei der Anreicherung von Daten zahlt es sich aus, mit vertrauenswürdigen Partnern zusammenzuarbeiten, die ihrerseits eine hohe Qualität zusichern können. Dies ist insbesondere nun relevant, da Third-Party-Daten langsam verschwinden und viele Unternehmen eigene Datenpools aufbauen.
