![](\"https:\/\/www.artefact.com\/wp-content\/uploads\/2020\/09\/Data-solving-.jpg\" "\\"data-driven\\"")
<\/span><\/div><\/div><\/div>NACHRICHTEN \/ DATENMARKETING<\/p>\n<\/div>
10. September 2020
\nDie Sicherstellung der data-Qualit\u00e4t ist f\u00fcr die meisten Unternehmen schwierig, unabh\u00e4ngig von ihrer data-Reife, Gr\u00f6\u00dfe oder Branche. Fabien Cros, Data Consulting Director und Marine Sortais, Data Consulting Manager bei Artefact, nennen f\u00fcnf M\u00f6glichkeiten, wie Marken die Qualit\u00e4t ihrer data verbessern k\u00f6nnen.<\/p>\n<\/div><\/div><\/div><\/div><\/div>
Die Genauigkeit eines Algorithmus kann mit hochwertigen data um bis zu 28% verbessert werden - was zu besseren targeting und mehr Umsatz f\u00fchrt. Das Problem ist jedoch, dass viele Unternehmen nicht \u00fcber qualitativ hochwertige data verf\u00fcgen. Tats\u00e4chlich betreffen 44% der Projekte, die wir bei Artefact erhalten, die Bereinigung von data-S\u00e4tzen, die unvollst\u00e4ndig, teilweise besch\u00e4digt oder nicht charakterisiert sind.<\/p>\n
Um die Qualit\u00e4t ihrer organisatorischen data zu verbessern, sollten Markenvermarkter mit Folgendem beginnen: 1. Nehmen Sie sich Zeit, um die Problembereiche zu identifizieren<\/b><\/p>\n Anstatt zu versuchen, Probleme zu l\u00f6sen, beginnen Sie damit, sie zu verstehen. Sehr oft sind data Qualit\u00e4tsprobleme tief in den Abteilungen verwurzelt. Daher ist es wichtig, einen \u201cproblemorientierten Weg\u201d einzuschlagen, um Probleme zu definieren, zu sammeln und die Tiefe und die Ursachen jedes data-Problems zu verstehen.\u00a0<\/span><\/p>\n Ein Beispiel: Ein Kunde machte die schlechte data-Qualit\u00e4t f\u00fcr die schlechten Ergebnisse seines CRM retargeting-Anwendungsfalls verantwortlich. Aber als wir uns den Umfang des Falles ansahen, stellten wir fest, dass sie die falsche Google Analytics-Aktivierungsgruppe verwendet hatten. Das Problem war nicht die data-Qualit\u00e4t, sondern ein Missverst\u00e4ndnis der verschiedenen data-Sets.\u00a0<\/span><\/p>\n 2. Ernennen Sie einen data Steward, um Probleme zu l\u00f6sen<\/b><\/p>\n Nachdem Sie herausgefunden haben, wo die data-Qualit\u00e4tsprobleme liegen, bestimmen Sie einen data-Verantwortlichen, der Wege findet, diese Herausforderungen zu l\u00f6sen, das operative data zu verwalten, zu steuern und zu \u00fcberwachen.\u00a0<\/span><\/p>\n Ein data-Verwalter setzt alle notwendigen data-Aktions- und Sanierungspl\u00e4ne um. Er stellt die Qualit\u00e4t der produzierten data sicher (L\u00fccken zwischen verschiedenen Quellen und Systemen, Vollst\u00e4ndigkeit, Frische usw.) und dokumentiert alle data (Quellen, Typen, Qualit\u00e4t, Zuverl\u00e4ssigkeit usw.), damit sie sicher aufbewahrt und ordnungsgem\u00e4\u00df aufgerufen und verwendet werden k\u00f6nnen.\u00a0<\/span><\/p>\n Es ist nicht einfach, einen qualifizierten data Steward zu finden. Eine M\u00f6glichkeit, die Schaffung dieser Rolle zu beschleunigen, besteht darin, mit einem externen Berater zu beginnen und dann eine interne Ressource zu schulen, die diese Aufgabe \u00fcbernimmt.<\/span><\/p>\n 3. Bilden Sie ein data SPOC (Single Point of Contact) Team<\/b><\/p>\n Obwohl der data Steward die data-Qualit\u00e4t verwalten kann, ben\u00f6tigen Sie die Unterst\u00fctzung aller Abteilungen in Ihrem Unternehmen, um den Erfolg aller data-Qualit\u00e4tsprojekte sicherzustellen. Ein starkes Netzwerk von data-erfahrenen SPOCs kann dem data-Steward wichtige und rechtzeitige Informationen, Dokumentationen und Einblicke in die Vorg\u00e4nge in den einzelnen Abteilungen liefern.\u00a0<\/span><\/p>\n Der data-Steward sollte auch mit Ihren data-SPOCs als \u201cFeature-Team\u201d zusammenarbeiten und Ansprechpartner aus den relevanten Abteilungen einladen, in agilen Sprints mit klar definierten Zielen zu arbeiten. Es ist wichtig, dass die SPOCs ihre Abteilungen auf dem Laufenden halten, damit der gesamte data-Prozess transparent, verst\u00e4ndlich und leicht zug\u00e4nglich ist.\u00a0<\/span><\/p>\n 4. W\u00e4hlen Sie einen anwendungsfallorientierten data Qualit\u00e4tsansatz<\/b><\/p>\n Wenn es um die data-Organisation geht, haben die meisten Marketingfachleute ein Backlog und wissen nicht, wo sie anfangen sollen. Sie sollten ihre Sprints auf der Grundlage der Anwendungsf\u00e4lle definieren, die sie mit besserer data-Qualit\u00e4t verbessern oder freischalten k\u00f6nnen. Hier ist der Grund daf\u00fcr:<\/span><\/p>\n 5. Erwerben Sie data-Qualit\u00e4tswerkzeuge, um diesen Ansatz zu unterst\u00fctzen und zu erleichtern.<\/b><\/p>\n Sobald Sie eine Gemeinschaft von data-Qualit\u00e4tsexperten in Ihrem Unternehmen haben, k\u00f6nnen Sie diese mit den richtigen Methoden und Tools ausstatten.<\/span><\/p>\n R\u00fcsten Sie Ihr Unternehmen jedoch nicht gleich mit speziellen Tools zur Erkennung, Bewertung, Bereinigung und Behebung von data-Qualit\u00e4tsproblemen aus. Beginnen Sie im Gegenteil mit manuellen, aber gut definierten Prozessen, um das Wissen \u00fcber Ihr data-Erbe wiederherzustellen und Ihr Verst\u00e4ndnis f\u00fcr die Ursachen Ihrer data-Qualit\u00e4tsprobleme zu verbessern.\u00a0<\/span><\/p>\n Legen Sie dann Priorit\u00e4ten f\u00fcr einen data-Bereich fest (data f\u00fcr Kunden, data f\u00fcr den Vertrieb usw.), der f\u00fcr Ihr Unternehmen von entscheidender Bedeutung ist - aber nicht zu viele komplexe Probleme aufweist - und definieren Sie team\u00fcbergreifende Prozesse, um zu erkennen, wann es ein data-Qualit\u00e4tsproblem gibt und wie Sie es l\u00f6sen k\u00f6nnen. Sie k\u00f6nnten zum Beispiel ein internes Dashboard einrichten, um die Vollst\u00e4ndigkeit und G\u00fcltigkeit der data Ihrer Kunden regelm\u00e4\u00dfig zu \u00fcberpr\u00fcfen, indem Sie Benchmarks wie E-Mail-Adressen oder die Anzahl der Website-Besuche vergleichen.\u00a0\u00a0\u00a0<\/span><\/p>\n Sobald Sie einen fortgeschrittenen Reifegrad der data-Qualit\u00e4t erreicht haben, k\u00f6nnen Sie in Tools wie Talend oder Attacama investieren, die Sie bei der automatischen Erkennung, Profilierung und Erstellung von Abhilfepl\u00e4nen unterst\u00fctzen k\u00f6nnen. Spezielle Tools wie diese werden in Ihr data-\u00d6kosystem (data Lake, data Warehouse usw.) integriert und machen es zu einem echten Kontrollturm f\u00fcr data-Qualit\u00e4t.\u00a0<\/span><\/p>\n Unbeaufsichtigt gelassen, kann schlechtes data die Wachstumsambitionen von Unternehmen zunichte machen - aber das muss nicht so sein. Vermarkter k\u00f6nnen mit ein paar taktischen und pragmatischen Ma\u00dfnahmen ganz einfach damit beginnen, die Dinge zu bereinigen. Das Wichtigste ist, dass man damit anf\u00e4ngt. Wie Lao Tzu sagte: \u2019Eine Reise von tausend Meilen beginnt mit einem Schritt.\u201c<\/span><\/p>\n Erstmals ver\u00f6ffentlicht von<\/span><\/i> DecisionMarketing.de<\/span><\/i><\/a>.\u00a0<\/span><\/i><\/span><\/p>\n<\/div><\/div><\/div><\/div><\/div>
\n<\/span><\/b><\/p>\n\n
![](\"https:\/\/www.artefact.com\/wp-content\/uploads\/2020\/06\/Global-Newsletter-Data-Digest_LinkedIn_600x315_april-1.jpg\" "\\"data-driven\\"")
<\/span><\/div><\/div><\/div>