So werden Altdaten nicht zur Last

Viele Unternehmen stehen beim Datenmanagement vor der großen Herausforderung. Es gilt, die Kunden- und Geschäftspartnerdaten so zu pflegen, dass sie konsolidiert, harmonisiert und hochwertig sind. Bis zu 50 Prozent Dubletten können in den Kundendatenbeständen von Unternehmen zu finden sein.

Das Zusammenführen von Datensätzen birgt die Gefahr, doppelte oder fehlerhafte Datensätze zu erzeugen, etwa durch unterschiedliche Entitäten oder auch nur unterschiedliche Schreibweisen, wie Müller und Mueller oder Str. und Straße.

Hinzu kommen die Datenänderungen auf der Seite der Adressanten selbst: Pro Jahr ziehen in Deutschland laut einer Studie mehr als neun Millionen Menschen um, zum Teil sogar mehrfach. Hochzeiten und Scheidungen sind mit Namensänderungen verbunden, Straßen- und sogar Ortsnamen ändern sich ebenso wie Bankverbindungen oder auch Vertragsvereinbarungen.

Schnell entstehen dadurch zu einer einzigen Person mehrere digitale Identitäten, die Unterschiede in den jeweiligen Datensätzen aufweisen. Diese belasten nicht nur die Datenbestände und erschweren das Datenmanagement, sondern verursachen auch schlicht und ergreifend unnötige Kosten.

Falsche, fehlerhafte und veraltete Kundendaten können dazu führen, dass Unternehmen ihre Kunden und Geschäftspartner nicht mehr eindeutig identifizieren können. Dies verursacht nicht nur monetäre, sondern auch non-monetäre Defizite.

Mögliche Folgen können unter anderem Vertrauens- und Loyalitätsverlust durch eine falsche Ansprache sein: Schreibfehler im Namen, die falsche Anrede oder schlimmstenfalls die Ansprache bereits Verstorbener – zu Recht fühlen sich Kunden damit nicht nur schlecht, sondern bekommen auch das Gefühl, dass sie (und ihre Daten) nicht bestmöglich, sondern nachlässig behandelt werden.

Folgen falscher Daten

Ins Leere laufende Aussendungen: Werden Angebote und andere Mailings nicht zustellbar verschickt, da die Adresse oder der Name veraltet sind, treibt das die Marketing- und Versandkosten genauso in die Höhe wie mehrfache Mailings an ein und dieselbe Person, deren Dubletten im Datenbestand nicht korrigiert werden.

Die postalische Zusendung mehrerer Kataloge an verschiedene Personen, die alle in einem Haushalt leben, ist ebenso unnötig – ein Umstand, der über eine Haushaltsabbildung mithilfe der richtigen Datennutzung umgangen werden kann.

Fehlerhafter Kundenservice durch nicht eindeutig zugeordnete Vertragsdaten: Sind in verschiedenen Abteilungen eines Unternehmens verschiedene Verträge zu einer Person gespeichert und die Daten dazu nicht kontinuierlich abgeglichen, ist es schwer möglich, hier etwa individuell zugeschnittene Angebote zu generieren oder Cross-Selling für neue Vertragsabschlüsse zu betreiben.

Insgesamt können durch doppelte und fehlerhafte Daten Brüche in sonst eingespielten Prozessen entstehen, die zu schlechten Kundenerfahrungen führen und die Kundenbindung aufs Spiel setzen.

Frühjahrsputz

Wenn es nötig ist, Daten von einem bestehenden System in ein neues zu übertragen, wie dies etwa bei der Umstellung bestehender SAP-Systeme nach S/4 der Fall ist, kommen Unternehmen nicht umhin, ihre Kunden- und Geschäftspartnerdaten aufgrund des geänderten Datenmodells zu überarbeiten.

Denn durch die neue In-memory-Datenbanktechnik ist eine Eins-zu-eins-Übertragung nicht möglich. Werden in diesem vorbereitenden Schritt die Altlasten gleich eliminiert, kann sich die maximale Wertschöpfung aus den Daten und auch aus der SAP-Lösung entwickeln. Die folgenden Tipps können dabei helfen, die Datenmigration möglichst effizient und gewinnbringend zu gestalten.

Entitäten im Datenmodell richtig zuordnen: Nicht erst bei einer Migration ist es wichtig, die Entitäten im Kundendatensatz richtig zuzuordnen. Sind hier Einträge schon innerhalb eines Unternehmens in verschiedenen Abteilungen unterschiedlich zugeordnet, führt dies zu fehlerhaften Datensätzen und Dubletten.

Bei einer Migration nach S/4 können sich die Systematiken sogar verändern: Haben die auslaufenden Legacy-ERPs von SAP noch zwischen Debitor, Kreditor und Geschäftspartner unterschieden, die jeweils Eigenschaften wie Personen- und Adressdaten, Buchungskonten, Bankverbindungen oder Rollenbezeichnungen besitzen, befinden sich diese nun auf einer neuen Abstraktionsebene als Metainformation auf einem einheitlichen Geschäftspartnerdatenstamm. Um eine Überarbeitung kommen Unternehmen vor der Migration also nicht herum.

Die Migrationsstrategie beeinflusst die Datenüberarbeitung: Je nach vorhandener Software- und IT-Architektur sowie Ausgangskonfiguration bieten sich für Unternehmen unterschiedliche technische und konzeptionelle Migrationsstrategien an, die sich auf das Bearbeiten der Daten auswirken. Anwender des klassischen R/3 und der SAP Business Suite 7 (ERP/ECC 6.0) können die komplette Systemlandschaft nach dem Brownfield-Ansatz schrittweise migrieren.

Wenn keine Drittsysteme oder Legacy-Datenbanken involviert sind, kann dieser Ansatz empfehlenswert sein, denn vorher getroffene, individuelle Anpassungen können erhalten bleiben. Laut einer von Uniserv beauftragten Befragung von SAP-Verantwortlichen in 122 deutschen Unternehmen verfolgen 33 Prozent der Befragten den Brownfield-Ansatz. Hier sollten die Verantwortlichen vorab auf Altlasten in den Datensätzen prüfen, denn bei dieser Strategie besteht die Gefahr, dass unnötige, fehlerbehaftete Daten im System verbleiben.

Ein weiteres Drittel der Befragten verfolgt den Greenfield-Ansatz, bei dem S/4 auf der grünen Wiese implementiert und das vorherige System vollständig ersetzt wird. Auch Nicht-SAP-Systeme lassen sich in die neue ERP-Suite überführen, müssen aber entsprechend angepasst und konvertiert werden.

Dieser Neustart bietet die enorme Chance, alte, verwachsene Strukturen zu standardisieren. Im Zuge dessen können die Verantwortlichen genau prüfen, welche Daten wirklich noch gebraucht werden, und die Altlasten entsprechend eliminieren.

Komplexere Bestandssysteme aus mehreren Software-Plattformen mit voneinander getrennten Datensilos sind mit dem Bluefield-Ansatz gut beraten. Die aufwändige Migration wird durch die Selective Data Transition erleichtert, denn hier wird System für System technisch übertragen und entschieden, welche Daten ins neue Zielsystem übernommen werden sollen. Da hier die Systeme losgelöst von den Daten betrachtet werden, kann eine technische Transformation, etwa der Schritt in die Cloud, parallel umgesetzt werden.

Datenqualitätssicherung

Es wird deutlich, dass unabhängig von der Migrationsstrategie die Qualität der Quelldaten stimmen muss. Wenn das nicht der Fall ist, kann weder das volle Potenzial eines neuen Systems noch das der Daten maximal ausgeschöpft werden. Ganz nach dem Motto „Crap in, Crap out“.

Bei der Uniserv-Umfrage stuften jedoch nur 53 Prozent der SAP-Verantwortlichen die im Unternehmen vorhandene Datenqualität als „sehr oder eher hoch“ ein. 75 Prozent gaben an, mit veralteten Daten zu kämpfen. 83 Prozent wiederum beklagten sich nach der bereits erfolgten Migration – ohne eine Optimierung der Datenqualität vorgenommen zu haben – über Probleme aufgrund mehrfach vorhandener Daten.

Setzen Unternehmen das Thema Datenqualität jedoch frühzeitig auf die Agenda, können Prozesse sogar weitreichend automatisiert und vereinfacht werden. Spätestens der Zeitpunkt vor der Migration sollte dafür genutzt werden, mithilfe professioneller Werkzeuge eine fehlertolerante, automatisierte Massenprüfung auf Korrektheit, Bereinigung und Vervollständigung der Daten durchzuführen.

Mehrwert der Daten

Korrekte, vollständige und aktuelle Datensätze bieten unabhängig von einer Systemumstellung geschäftsentscheidende Vorteile. Daten von dieser Qualität lassen sich aus verschiedenen Datenquellen konsolidieren und zu einem Golden Record zusammenführen. Dieser schafft eine einheitliche 360-Grad-Sicht auf den Geschäftspartner, die wiederum Grundlage für eine reibungslose Customer Journey und Customer Experience ist.

Auf Basis der Analysen aus korrekten Daten lassen sich datengestützte Geschäftsentscheidungen treffen, neue Businessmodelle erarbeiten und zielgerichtete Marketingmaßnahmen entwerfen. Die Sicherung und die Pflege der Datenqualität müssen als fest etablierter und kontinuierlicher Prozess im Unternehmen verstanden werden. Das ist nicht nur für den Geschäftsbetrieb unerlässlich, der mit belastbaren Analysen unterstützt wird, auch komplexe Projekte, wie ein Systemwechsel oder eine Fusion, sind so schneller zu bewältigen.