Wie sich mit Data Enrichment die Datennutzung optimieren lässt
Oft gewinnt der eigene Datenschatz noch einmal deutlich an Wert, wenn es gelingt, ihn mit externen Daten anzureichern. Ein gutes Beispiel sind Geodaten: Wer ein Filialnetz aufbauen will, muss sich mit den potenziellen Standorten genau beschäftigen und ist auf entsprechendes Datenmaterial angewiesen.
Daten bilden mehr denn je die Haupttriebfedern nicht nur für technische Prozesse, sondern sie sind auch Entscheidungsgrundlage in allen möglichen Bereichen des Lebens. Ob es nun darum geht, an welchen Standorten Filialen im Einzelhandel eröffnet werden sollen, welche Spieler für einen professionellen Sportverein von Interesse sind oder welche Firmen als Übernahmeziele in Frage kommen: All diesen Fragestellungen liegen Daten zugrunde, auf deren Basis Entscheidungen getroffen werden.
Sicher gewähren auch Daten keinen exakten Blick in die Zukunft. Gelingt es aber, sie sinnvoll aufzubereiten und anzureichern, entsteht eine gute Grundlage für kritische BusinessEntscheidungen. Das ist, knapp gesagt, der Sinn und Zweck von Data Enrichment.
Ein besseres Verständnis der eigenen Kunden
Data Enrichment bedeutet, dass eigene Daten mit glaubwürdigen, überprüften und nachvollziehbaren externen Daten zusammengeführt werden, um den Kontext und die Aussagekraft der Daten insgesamt zu erweitern. Beispielsweise können demographische Daten wie Alter, Einkommen oder bevorzugte Lebensstile hinzugefügt werden oder dynamische ortsbezogene Daten oder solche mit Bezug zum Internet of Things (IoT).
Sämtliche Daten, die einem Unternehmen zuträglich sind, aber nicht von diesem selbst erhoben wurden, fallen in diese Kategorie.
Sie können beispielsweise dazu führen, dass eine zielgerichtetere und personalisierte Interaktion mit Kunden möglich wird.
Mithilfe von Data Enrichment können Betriebe beispielsweise die eigenen Kunden besser verstehen, sie in einen größeren Kontext einbetten und für sich selbst relevante Entscheidungen, die auf ebendiesen Kundendaten basieren, exakter treffen. Selbstverständlich könnten solche Daten auch manuell gesammelt, zusammengefügt und für jeden Kunden einzeln aufewahrt werden. Solche Datensilos werden aber mit zunehmender Größe, sowohl des Unternehmens als auch der Silos selbst, zu einem Problem an sich.
Die Dreifaltigkeit des Data Enrichment
Der Prozess der Anreicherung von Daten ist an sich nicht kompliziert:
Daten werden in zahlreichen Systemen und Anwendungen gesammelt, sie werden durch ETL-Prozesse
(ETL = Extract, Transform and Load) bereinigt und konsolidiert und zusätzlicher Kontext wird diesen Daten zugefügt.
Diese Prozesse lassen sich auf zwei Arten bewerkstelligen: Zum einen manuell und zum
anderen automatisiert. Es versteht sich von selbst, dass ein manueller Prozess ungleich länger dauert und in Summe weniger akkurate Endergebnisse liefert als es mit automatisierten Lösungen möglich ist.
Warum braucht es Datenanreicherung?
Über Sinn und Unsinn neuer Methoden und Ansätze wird immer gern gestritten und oftmals zurecht. Im Fall von Data Enrichment ist eine Grundsatzdiskussion diesbezüglich überflüssig, da der Ansatz, Informationen in einen mehr oder weniger umfangreichen Kontext einzubetten, in vielen Bereichen unseres täglichen Lebens selbstverständlich ist.
Von politischen Entscheidungen über wirtschaftliche Zusammenhänge bis hin zu kulturellen Diskussionen finden sich selten reine Fakten und Daten. Der Kontext, in dem sie stehen oder erhoben wurden, spielt in den meisten Fällen eine wichtige Rolle.
Für das Data Enrichment ist nicht nur der inhaltliche Kontext, der einem Datensatz mehr Tiefe verleiht, wichtig, sondern auch die räumliche Dimension. Zahlreiche Informationen lassen sich geografisch visualisieren, da sie ortsgebunden sind. Raum- oder Geodaten und Location Intelligence helfen dabei, zusätzliche Informationen allein aus der Umgebung eines Standorts herauszuziehen.
Beispiele sind etwa Daten zu Verkehrsfluss und -richtung einschließlich Stoßzeiten (Customer Mobility). Oder auch die Netzabdeckung beim Mobilfunk, der sozioökonomische Status der Menschen an bestimmten Lokationen oder die Ansiedelung von konkurrierenden Unternehmen mit Angaben von Standorten und Filialen. All das sind Informationen, die eine Rolle spielen können, wenn aus Daten das Maximale herausgeholt werden soll.
Drei Beispiele für Data Enrichment
Viele Unternehmen beginnen erst damit, die Chancen von Data Enrichment für sich zu entdecken. Im Folgenden seien an dieser Stelle drei Beispiele aufgeführt, in denen dieser Ansatz positive Auswirkungen auf den Geschäftserfolg haben kann: 1. Marketing profitiert von Data Enrichment
Es dürfte kaum überraschen, dass MarketingAbteilungen namhafter Unternehmen häufig unter den Early Adoptern von Data Enrichment zu finden sind. Sie haben großes Interesse daran, ihre Kunden gut zu kennen und darauf aufbauend Kampagnen zu gestalten. Data Enrichment kann hier als das Fleisch auf dem Gerippe betrachtet werden: Je mehr Informationen zu den einzelnen Kunden zur Verfügung stehen und je umfangreicher das Wissen um die verschiedenen Kontexte dieser Kunden und ihren Beziehungen zum Unternehmen ist, desto zielgerichteter lässt sich die Klientel ansprechen.
So werden personalisierte Ansprachen möglich, was im besten Fall zu zufriedeneren Kunden, einer höheren Markenloyalität und einer wachsenden Rate an Weiterempfehlungen führt.
2. Der Einfluss von Data Enrichment auf die Versicherungsbranche
Wenden wir uns nun im zweiten Beispiel einer Branche zu, in der das Risikomanagement eine zentrale Rolle spielt – der Versicherungswirtschaft. Hier kann Data Enrichment dazu beitragen, Risiken detaillierter und umfangreicher darzustellen und abzubilden, was allen Beteiligten hilft, bessere Resultate zu erzielen. Ein gutes Beispiel ist die Risikobewertung von Gebäuden: Hier ist es wichtig, eine exakte Verortung (Geokodierung) des Gebäudes vorzunehmen, um anhand der Lage eine Einschätzung des Gefährdungspotenzials vornehmen zu können.
Im Rahmen dieses Vorgehens lassen sich auf der Basis der ermittelten Geo-Koordinaten Daten mit wichtigen Umgebungsparametern anreichern – zum Beispiel mit statistischen Hochwasserdaten, der Wahrscheinlichkeit von Lawinenabgängen oder der Nähe zu Industrieanlagen. Wenn die vorhandenen Daten mit relevanten raum-, beziehungsweise ortsbezogenen Daten kombiniert werden, ergibt sich ein vollständiges Bild über die Lage und die potenziellen Risiken.
3. Data Enrichment als Stütze für den Telekommunikationsbereich
Das dritte Beispiel betrifft den Telekommunikationssektor. Oft möchten Kunden den Mobilfunkanbieter oder Internet-Provider wechseln und kündigen fristgerecht den laufenden Vertrag mit ihrem alten Anbieter. Der kann dann nur noch reagieren und dem Kunden kurzerhand einen neuen, besseren Vertrag anbieten, um ihn zu halten.
Data Enrichment ermöglicht es dem TKKonzern, etwaigen Kündigungen proaktiv entgegenzuwirken und Kunden rechtzeitig mithilfe eines Up- oder Downsellings zu halten. Dabei können wahlweise Erfahrungswerte mit Nutzern aus ähnlichen demografischen Gruppen eine Rolle spielen, aber auch deren bisheriges Nutzungsverhalten. Wer oft Datenvolumen dazukauft (oder am Monatsende welches übrig hat), ist mit einer bestimmten Wahrscheinlichkeit im falschen Tarif unterwegs. Dem Kunden ein attraktives Angebot unterbreiten zu können, bevor er selbst auf die Idee kommt zu kündigen, ist für beide Seiten von Nutzen.
Risiken im Data Enrichment minimieren
Selbstverständlich sind dies nur einige wenige Beispiele, wie Data Enrichment tägliche Geschäftsprozesse positiv beeinflussen kann. Die Möglichkeiten und Optionen dafür sind nahezu endlos, der Kreativität der einsetzenden Unternehmen sind keine Grenzen gesetzt. Es gilt jedoch zu beachten, dass die Auswahl und Qualität der zugelieferten Daten, die für Data Enrichment benötigt werden, stimmen muss. Da das Daten-Management in vielen Unternehmen noch nicht professionell aufgestellt ist, gilt es hier erst einmal, die Hausaufgaben zu erledigen.
Vorsicht vor unnötiger Datensammelei
Nicht jeder Datensatz ist wirklich hilfreich, nicht aus jedem Ereignis lässt sich eine Regelmäßigkeit abstrahieren. Ganz sicher ist es nicht nötig, Datensätze um ihrer selbst willen zu horten und somit immer neue Silos zu schaffen. Damit Data Enrichment eine gute Stütze von Unternehmensentscheidungen sein und diese verbessern kann, bedarf es eines grundsätzlichen Bewusstseins dafür im Unternehmen, eine generelle Strategie, wie mit Daten insgesamt verfahren werden soll. Und es braucht Tools, die dabei helfen dies alles so umzusetzen, dass es im jeweiligen Einzelfall Sinn ergibt.