Ein Optimierungsansatz für ein fortlaufendes Datenqualitätsmanagement und seine praktische Anwendung bei Kundenkampagnen

Zusammenfassung

Die Verbesserung der Datenqualität (DQ) wird in Wissenschaft und Praxis intensiv diskutiert. Ob die ergriffenen DQ-Maßnahmen jedoch ökonomisch überhaupt gerechtfertigt sind und wann und in welchem optimalen Umfang investiert werden soll, wird oftmals nicht analysiert. Zur Untersuchung dieser Fragestellungen entwickeln die Autoren ein Optimierungsmodell, mit dem die Umfänge und Zeitpunkte für Investitionen in ein fortlaufendes DQ-Management ermittelt werden können. Hierdurch lassen sich vier Investitionsszenarien mit allgemeinen Handlungsempfehlungen identifizieren. So ist bspw. bei ehemalig intensiven Kundenbeziehungen, die sich inzwischen verschlechtert haben (nur wenige Geschäftstransaktionen), zwar über mehrere Perioden zu investieren, jedoch bei einem sich nicht verändernden, geringen Transaktionsanteil, in abnehmender Höhe. Daneben lässt sich u. a. zeigen, dass der Umfang der existierenden Kundendatenmenge und nicht, wie oftmals angeführt, ein schlechtes existierendes DQ-Niveau maßgeblich für die Entscheidung ist, ob überhaupt in DQ investiert werden soll. Anhand einer Fallstudie wird abschließend nicht nur die praktische Anwendbarkeit des Optimierungsmodells verdeutlicht, sondern es soll zudem aufgezeigt werden, wie sich für einen konkreten Sachverhalt detaillierte Empfehlungen hinsichtlich des DQM-Einsatzes ermitteln lassen.

Summary

The improvement of data quality (DQ) currently finds a great deal of attention in science as well as in practice. Nevertheless there are two fundamental questions that are often ignored in the analysis: i) Are the DQ measures already implemented economically reasonable? ii) When and to what extent is investing into the improvement of DQ justifiable? For an in-depth understanding considering the design of DQ management the authors develop an optimization model which determines the optimal amount and point of time for consecutive DQ investments. Hence they distinguish between four scenarios and propose corresponding action recommendations. For example, a customer relationship with declining intensity up to the present (i. e. diminishing volume of business transactions) requires DQ investments over several future business periods- and at a decreasing investment rate in cases where the transaction volume continues to go down. Additionally it can be shown that in general the amount of available client data is a crucial factor for the decision whether it is reasonable to invest into DQ at all as opposed to a low quality level — which is often claimed. A concluding case study determines the practical applicability of the proposed optimization model.