Zusammenfassung
In die neuen Verfahren, wie Big Data, Machine Learning und Predictive Analytics, werden von Marketing und Vertrieb hohe Erwartungen gesetzt. Doch dem „Garbage in – Garbage out“-Prinzip folgend lassen die Ergebnisse zu wünschen übrig. Grund hierfür ist häufig eine nicht ausreichende Qualität in den zugrunde liegenden Kundendaten. Dieser Beitrag beleuchtet diese Problematik anhand der Wert-Pyramide. Je weiter oben die Daten in der Wertschöpfungskette angesiedelt sind, desto höher ist deren Qualität und umso mehr Wert haben sie für das Unternehmen. Darüber hinaus wird aufgezeigt, wie sich mit Hilfe von Monitoring-Systemen, wie einer Datenqualitäts-Scorecard, Aussagen zur Datenqualität treffen und Verbesserungen derselben messen lassen. So wird der tatsächliche Wert von Daten für Unternehmen ersichtlich.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Literatur
Azkan, C. et al. 2019. Readiness Data Economy. Bereitschaft der deutschen Unternehmen für die Teilhabe an der Datenwirtschaft, IW-Gutachten, Köln
Bitkom. 2020. E-Commerce und stationärer Handel: So digital shoppen die Deutschen, Ein Bitkom-Studienbericht, Juli 2020
BMWi. 2017. Weißbuch Digitale Plattformen. 20.03.2017. https://www.bmwi.de/Redaktion/DE/Publikationen/Digitale-Welt/weissbuch-digitale-plattformen.html
BVDW – Bundesverband Digitale Wirtschaft. 2018. Data Economy. Datenwertschöpfung und Qualität von Daten, Berlin
Burns, E. 2017. Search Business Analytics: Analytics VP: Al projects must be built on a good data foundation. http://searchbusinessanalytics.techtarget.com/feature/Analytics-VP-AI-projects-must-be-built-on-a-good-data-foundation
DAMA International. 2009. The DAMA Guide to The Data Management Body of Knowledge (DAMADMBOKGuide). Bradley Beach: Technics Publications.
Data IQ. 2017. Royal Mail: 6 % Solution = How better customer data drives Marketing performance and business growth. https://www.royalmail.com/sites/default/files/RMDS-Research-Report-2017-Six-per-cent-solution.pdf
DEMAND. 2019. Data Economy. Status quo der deutschen Wirtschaft & Handlungsfelder in der Data Economy. https://www.demand-projekt.de/
Deutsche Post AG. 2018. Adress-Studie 2018. Untersuchung zur Qualität von Kundenadressen. https://www.deutschepost.de/content/dam/dpag/images/D_d/DDP/Downloads/studien/dp-adress-studie-2018.pdf
Eichsteller, H., und J. Seitz. 2019. Studie Digital Dialog Insights 2019. Bundesanzeiger Verlag, Köln
eoda GmbH. 2015. Datenqualität. Der Schlüssel für die Umwandlung von Kundendaten in Kundenwert – White Paper. https://www.eoda.de/files/Use_Case_Seiten/Whitepaper/Whitepaper_Datenqualitaet.pdf
European Union. 2020. The European Data Market Monitoring Tool: Key Facts & Figures, First Policy Conclusions, Data Landscape and Quantified Stories, D2.9 Final Study Report, Luxembourg: Publications Office of the European Union
Faktenkontor. 2020. Social Media-Atlas 2020, Hamburg, März 2020. https://www.faktenkontor.de/faktenkontor-studien/
Fürber, C. 2016. Data Quality Management with Semantic Technologies. Wiesbaden: Springer
Gentsch, P. 2017. Künstliche Intelligenz für Sales, Marketing und Service. Mit AI und Bots zu einem Algorithmic Business – Konzepte, Technologien und Best Practices. Wiesbaden: Springer Fachmedien
Google. 2016. The B2B Search Landscape: Targeting the Stages of Your Buyer Journey to Drive Revenue. Big Footprint Google Event, Oktober 2016, https://www.bigfootprintdigital.com/wp-content/uploads/2016/10/Big-Footprint-Google-Event-FINAL-DECK.pdf
Greven Medien & GfK. 2019. GfK-Online-Umfrage. https://www.greven.de/bewertungen-gfk
ISO International Organization for Standardization. 2016. ISO 8000-100:2016 Data quality – Part 100: Master data: Exchange of characteristic data: Overview. Standard. https://www.iso.org/standard/62392.html
IQ International. 2017. Fundamentals of IQ. International Association for Information and Data Quality. https://www.iqint.org/knowledge/fundamentals/
Klingenberg, C., und K. Weber. 2017. Kundendatenqualität im Zeitalter der digitalen Transformation. In: IT-Governance. Fachzeitschrift des ISACA Germany Chapter e.V., Vol. 26: p 7–13.
Kraus, C. 2016. Warum ein Online-Shop gute Datenqualität braucht. COMPUTERWOCHE. 02.01.2016. https://www.computerwoche.de/a/warum-ein-online-shop-gute-datenqualitaet-braucht,3217296
Kreutzer, R. 2018. Praxisorientiertes Online-Marketing, 3. Aufl. Wiesbaden: Springer-Verlag.
Kröger J., und S. Marx. (2020): Marketing im Wandel. In Agile Marketing. Wiesbaden: Springer Gabler, S. 63–81
Lünendonk, J. 2019. Lünendonk-Studie 2019 – Künstliche Intelligenz, Lünendonk & Hossenfelder GmbH in Zusammenarbeit mit GINKO Consulting Management
Maycock, M., Spenner, P., Hamshar, R., West, S. 2012. Marketing Leadership Council: The Digital Evolution in B2B Marketing. 2012. http://www.thebluecollarmarketer.com/wp-content/uploads/2015/10/the-digital-evolution-in-b2b-marketing_research-studies.pdf
MBA Skool. Marketing and Strategy Terms: Behavioral Data. http://www.mbaskool.com/business-concepts/marketing-and-strategy-terms/10532-behavioral-data.html
Myler, L. 2017. Forbes: Better Data Quality Equals Higher Marketing ROI. 12.07.2017. https://www.forbes.com/sites/larrymyler/2017/07/12/better-data-quality-equals-higher-marketing-roi/#48e520b7b68d
Olson, J. 2003. Data quality: the accuracy dimension. San Francisco, USA: Morgan Kaufmann; Elsevier Science.
Otto, B., Österle, H. 2016. Corporate Data Quality. Voraussetzung erfolgreicher Geschäftsmodelle. Berlin Heidelberg: Springer-Gabler https://www.researchgate.net/profile/Boris_Otto/publication/280741698_Corporate_Data_Quality_Voraussetzung_erfolgreicher_Geschaftsmodelle/links/575fa94c08aec91374b44757.pdf
Rahm, E. & Do, H.-H. 2000. Data cleaning: Problems and current approaches. IEEE Data Eng. Bull. S. 23(4), 3 13
Rennhak, C. 2007. Herausforderung Kundenbindung. Wiesbaden: Gabler Edition Wissenschaft. Springer-Verlag.
Rohweder, J., Kasten, G. Malzahn, D., Piro, A., Schmid, J. 2008. Informationsqualität – Definitionen, Dimensionen und Begriffe. In: Hildebrand K., Gebauer M., Hinrichs H., Mielke M. (Hrsg.) Daten- und Informationsqualität. Vieweg+Teubner Verlag.
SPLENDID RESEARCH. 2018. Influencer: Einfluss auf die Kaufwahrscheinlichkeit. Hamburg, Juli 2019, https://www.splendid-research.com/studie-influencer.html
Uniserv GmbH. 2016a. Success Story Vorwerk International.
Uniserv GmbH. 2016b. Data Quality ist mehr als Adressvalidierung – White Paper.
Uniserv GmbH. 2016c. Digitale Transformation needs Kundendatenmanagement – White Paper.
van Bommel, E., Edelman, D., & Ungerman, K. 2014. McKinsey & Company: Digitizing the consumer decision journey. 2014. http://www.mckinsey.com/ business-functions/marketing-andsales/our-insights/digitizing-theconsumer-decision-journey
Wang, R. Y., Strong, D. M. 1996. Beyond accuracy: what data quality means to data consumers. Journal of Management Information Systems. 12(4), S. 5–33.
Wang, R., Reddy, M., Kon, H. 1992. Toward Quality Data: an Attribute-Based Approach. Massachusetts Institute of Technology (MIT). http://web.mit.edu/smadnick/www/wp2/1993-04-SWP%233515.pdf
Weber, K. 2012. Data Governance – Organisation des Stammdatenmanagements. IT-Governance 6, 13, S. 3–8.
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2021 Der/die Autor(en), exklusiv lizenziert durch Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Braun, S. (2021). Valide Kundendaten – Das Fundament für Omni-Channel Marketing. In: Hannig, U. (eds) Marketing und Sales Automation. Springer Gabler, Wiesbaden. https://doi.org/10.1007/978-3-658-21688-7_12
Download citation
DOI: https://doi.org/10.1007/978-3-658-21688-7_12
Published:
Publisher Name: Springer Gabler, Wiesbaden
Print ISBN: 978-3-658-21687-0
Online ISBN: 978-3-658-21688-7
eBook Packages: Business and Economics (German Language)