Data Quality: der Weg zur Sicherung der Datenqualität

Eines der häufigsten Probleme, mit denen Unternehmen heute konfrontiert sind, ist die mangelnde Qualität der Daten, die sie in ihren Systemen verwalten. Ungenaue oder fehlerhafte Daten erschweren die Entscheidungsfindung und bedrohen im schlimmsten Fall die Entwicklung des Unternehmens. Da das Ende der Cookies immer näher rückt, ist die Aufrechterhaltung der Datenqualität zu einem der wichtigsten Ziele für Marken geworden. Wie kann dies erreicht werden?

Datenerhebung, ein wichtiger Schritt zur Gewährleistung der Datenqualität

Unsere Data Science-Spezialist*innen unterteilen Data Science-Projekte in drei Phasen:

1. Die Datenerhebung: Die Erhebung von Rohdaten ist für die Aufrechterhaltung der Datenqualität unerlässlich. In dieser Phase überprüfen wir, ob die Daten aus jedem Online- und Offline-Kanal korrekt verarbeitet werden.
2. Die Segmentierung oder Verarbeitung: Hier werden die Daten umgewandelt, um einen Wert aus ihnen zu extrahieren. Es wird an der Integration verschiedener Quellen und an der Implementierung von Data Lakes gearbeitet, die eine tiefgreifende Analyse der Daten ermöglichen.
3. Die Aktivierung: Hier geht es darum, das aus den Daten gewonnene Wissen für die Entscheidungsfindung zu nutzen. Qualitätsdaten sind ein Leuchtturm, der beispielsweise den Medieneinkauf oder die Entwicklung und Optimierung der Zielgruppen steuert.
4. Die Datenerhebung: Die Erhebung von Rohdaten ist für die Aufrechterhaltung der Datenqualität unerlässlich. In dieser Phase überprüfen wir, ob die Daten aus jedem Online- und Offline-Kanal korrekt verarbeitet werden.
5. Die Segmentierung oder Verarbeitung: Hier werden die Daten umgewandelt, um einen Wert aus ihnen zu extrahieren. Es wird an der Integration verschiedener Quellen und an der Implementierung von Data Lakes gearbeitet, die eine tiefgreifende Analyse der Daten ermöglichen.
6. Die Aktivierung: Hier geht es darum, das aus den Daten gewonnene Wissen für die Entscheidungsfindung zu nutzen. Qualitätsdaten sind ein Leuchtturm, der beispielsweise den Medieneinkauf oder die Entwicklung und Optimierung der Zielgruppen steuert.

Die 3 wichtigsten Arbeitsbereiche, die die Datenqualität bestimmen

Die Datenerhebung ist der Bereich, der sich am stärksten auf die Datenqualität auswirkt. In dieser Hinsicht gibt es verschiedene Arten von Datenquellen, mit denen individuell gearbeitet werden kann:

1. Seitenzentrierte Daten

Dabei handelt es sich um Daten, die von Objekten stammen, die das Unternehmen kontrolliert, wie z. B. seine eigenen Websites (in der Regel über Google Analytics) oder Marken-Apps. Die häufigsten Probleme, die in diesem Zusammenhang auftreten, bestehen darin, dass die gesammelten Informationen ungenau oder nicht angemessen sind (es fehlen die KPIs, die wirklich einen Wert darstellen). Daher wird an dieser Stelle geprüft, ob die

Tracking-Codes korrekt implementiert sind und ob die gemessenen Ereignisse den tatsächlichen Bedürfnissen der Marke entsprechen.

Ein weiterer wichtiger Punkt ist die Überprüfung, ob die Vorschriften über die Zustimmung zur Sammlung von Drittanbieter-Cookies eingehalten werden. Die jüngsten Änderungen verbieten die Verwendung von Cookie-Walls und erfordern die ausdrückliche Zustimmung der Nutzer*innen. Dies hat erhebliche Auswirkungen auf die Datenerfassung, da einige Nutzer*innen Cookies ablehnen und einige Informationen verloren gehen. Die

Einhaltung ist obligatorisch, aber es gibt Strategien, um die Auswirkungen zu minimieren.

2. Werbezentrierte Daten

Die Datenqualität ist entscheidend für die Optimierung von Werbeinvestitionen über alle Kanäle und Medien hinweg. In der Datenwissenschaft wird versucht, eine einheitliche Nomenklatur und Taxonomie der erfassten Datendimensionen und -werte zu gewährleisten. Letztlich geht es darum, eine Einheitlichkeit zu erreichen, damit die

Ergebnisse kanalübergreifend verglichen und die Investitionen optimiert werden können, um den größtmöglichen Nutzen zu erzielen.

Die Vorgehensweise ist dabei wie folgt:

• Die Pixel eines jeden Kanals werden überprüft, um sicherzustellen, dass sie die richtigen Daten erfassen.
• Es wird eine gemeinsame Taxonomie entwickelt.
• Es wird verifiziert, dass die gleichen Muster eingehalten werden, damit die Daten miteinander verglichen werden können, auch wenn sie von unterschiedlichen Medien stammen.

3. Nutzerzentrierte Daten

In dieser Phase besteht das Ziel darin, Daten der ersten Partei mit Daten aus den anderen beiden Bereichen (werbe- und seitenzentriert) zu vergleichen, um eine umfassendere und verstärkte Vision dessen zu erhalten, was im Unternehmen auf Online- und Offline-Ebene geschieht. First Party-Daten sind am häufigsten in CRM-Systemen, Call-Centern oder Verkaufsstellen zu finden, wenn die Marke physische Geschäfte hat.

Da die Vielfalt der Systeme so groß ist, wird oft mit Ad-hoc-Lösungen gearbeitet, um das Datenuniversum der Marke zu bereichern und die Zuordnung der Verkäufe zu verbessern. In diesem Sinne hängt die Qualität der Daten davon ab, den Dreh- und Angelpunkt zu finden, der die beiden Welten zusammenbringt.

Die schrittweise Abschaffung von Cookies von Drittanbietern wirkt sich auch auf diesen Arbeitsbereich aus. In der Vergangenheit konnten Marken den Weg der Nutzer*innen im Nachhinein rekonstruieren, nachdem sie sich registriert hatten. Ohne Cookies von Drittanbietern werden frühere Informationen wahrscheinlich verzerrt oder unvollständig sein, sodass viele Marken nach einer Formel suchen, die die Nutzer*innen ermutigt, in ihrem Ökosystem registriert zu navigieren, um einen Verlust der Sichtbarkeit zu vermeiden.

Die Qualität der verfügbaren Daten: ein wichtiges Ziel für Websitebetreiber*innen

In letzter Zeit werden wurden alle mit einer allmählichen Verschlechterung der Qualität der Daten konfrontiert, mit denen wir arbeiten. Die Cookie-Vorschriften und die Änderungen, die mit iOS 14 und iOS 14.5 auf Plattformen wie Facebook einhergingen, führen dazu, dass

Unternehmen auf weniger Daten zugreifen können, und die Daten werden weitgehend geschätzt. Aus diesem Grund ist die Aufrechterhaltung der Datenqualität zu einem vorrangigen Ziel für Marken geworden. Wenn Ihnen diese Situation bekannt vorkommt, können wir Hand in Hand mit Ihnen arbeiten, um den Verlust an Datenqualität zu begrenzen. Setzen Sie sich mit uns in Verbindung und das Data Science Team wird Ihren Fall im Detail analysieren und Sie durch den Prozess führen.