Vom Suchen zum Finden - Data Quality Server von Omikron im Einsatz bei Gräfe ...
Florian Harr Datenqualitaet Key-Faktor im eCommerce
1. Datenqualität: Ein Key-Faktor auch im E-Commerce Dr. Oliver Grieble, CIO, 1-2-3.tv GmbH Florian Harr, Leiter E-Commerce, 1-2-3.tv GmbH Omikron Kundentag 2011 16. – 17. Februar, Frankfurt
2. Agenda Einführung Produktstammdaten Wo kommen wir her? Wo stehen wir heute? Wo wollen wir hin? Kundenstammdaten Wo kommen wir her? Wo stehen wir heute? Wo wollen wir hin? Fazit
3. Agenda Einführung Produktstammdaten Wo kommen wir her? Wo stehen wir heute? Wo wollen wir hin? Kundenstammdaten Wo kommen wir her? Wo stehen wir heute? Wo wollen wir hin? Fazit
4. Einführung 1-2-3.tv GmbH Branche: Versandhandel, Teleshopping USP: Verkauf im Auktionsprinzip Claim: „Den Preis bestimmen SIE!“ Channels: • TV (Live-Auktionen)• WWW (Live-Auktionen und Online-Shop)
6. Einführung 1-2-3.tv GmbH Branche: Versandhandel, Teleshopping USP: Verkauf im Auktionsprinzip Claim: „Den Preis bestimmen SIE!“ Channels: • TV (Live-Auktionen)• WWW (Live-Auktionen und Online-Shop) Mitarbeiter: ~100 Nettoumsatz (2009): 92,2 Mio. Euro EBITDA (2009): 3,4 Mio. Euro Definition von Datenqualität (auch) bei 1-2-3.tv: Datenqualität (DQ) als Qualitätsmaß, das Aufschluss gibt: über die Relevanz sowie Korrektheit der Daten, wie gut bzw. exakt diese Daten die Realität abbilden. Intention: Verlässlichkeit der Daten als (analytische) Basis für die Planung und Durchführung von Aktionen und Maßnahmen.
7. Agenda Einführung Produktstammdaten Wo kommen wir her? Wo stehen wir heute? Wo wollen wir hin? Kundenstammdaten Wo kommen wir her? Wo stehen wir heute? Wo wollen wir hin? Fazit
27. Produktdaten von 1-2-3.tv an Omikron DQ-Server Datentransfer 123tv-2-DQ per Request (Ein Request pro Produkt) Zu attributierender (Produkt-)Text Setting des Produkts Pro Setting können bestimmte Regeln erstellt werden(z.B. Setting Schmuck, Setting Mode) Ergebnis des DQ-Servers Farbe|;Weiß;|Passform|; Normal tailliert;|Material|;Baumwolle;|Material|;Polyester;| Farbe|;Weiß;|Größe|;1(0) 4 0;|Größe|;1(2) 4 2;|Größe|;40; Ergebnis nach Weiterverarbeitung (Regelwerk) 1-2-3.tv Farbe:Weiß;Passform:Normaltailliert;Material:Baumwolle,Polyester;Größe:40
30. Produkt-Attributierung – „Stolperfallen“ Neue Attribute bleiben ohne aktive Erfassung unbekannt Regeln auf dem DQ-Server sind (noch) nicht fehlertolerant bzw. „fuzzy“ d. h. Schreibfehler oder abgeänderte Schreibweisen werden nicht berücksichtigt
33. Ungenauigkeiten durch zusätzliche Informationen, die keinen Produktzusammenhang haben: z. B. „Adidas hat, wie auch Puma, seinen Firmensitz im bayerischen Herzogenaurach“
39. Omikron DQ-Server Sucheingabe per HTTP-Request „Search“ an FactFinder http://+++URL+++/Search.ff?query=[...] &filterFarbe=Gelb &filterLaufwerk=Automatik Response per XML
55. Agenda Einführung Produktstammdaten Wo kommen wir her? Wo stehen wir heute? Wo wollen wir hin? Kundenstammdaten Wo kommen wir her? Wo stehen wir heute? Wo wollen wir hin? Fazit
56. Kundenstammdaten Wo kommen wir her? Erfassung und Änderung von Kundendaten über Call Center und Website möglich Prüfung und Validierung der Eingaben erfolgen in beiden Vertriebswegen unterschiedlich und nur recht lückenhaft Offensichtliche Datenqualitätsprobleme führen zu Problemen in einer Vielzahl von Folgeprozessen Beispiele: Adresskorrekturen beim Logistik-Dienstleister Ungenaue Bonitätsprüfungen Viele evolutionäre Veränderungen: Periodische Validierung und Korrektur der erfassten Adressen Umstellung der Architektur: Führender Datenbestand für Kundenstammdaten ist die zentrale Steuerungskomponente Datenaustausch mit Call Center-Software und Website per Request Vereinheitlichung der Prüflogik
57. Erfassung von Adressdaten – Heute Heutige Adresserfassung erfolgt: Mit kompletter Adressvalidierung Daten der DPAG Mit Auto-Vervollständigung Prüflogik wird dabei vertriebswegübergreifend verwendet: Call Center-Frontend Web-Plattform Analog bei: Kundenregistrierung Änderung von Kundenstammdaten
58. Doubletten-Check mit Omikron DQ-Server Erstellen Regelwerk zur Prüfung im DQ-Server Prüfen von Neuregistrierungen und relevanten Änderungen über einen Load im Intervall von 8 Minuten synchron zur Auftragsverarbeitung Ableitung von Folgeaktionen Beispiel: „Kreditlimit = 0 wenn x Doubletten mit Score >= a%“
59. Agenda Einführung Produktstammdaten Wo kommen wir her? Wo stehen wir heute? Wo wollen wir hin? Kundenstammdaten Wo kommen wir her? Wo stehen wir heute? Wo wollen wir hin? Fazit
60. Fazit Data Quality: Ziel, das kontinuierliche „Arbeit“ erfordert DQ-Analyse/-Optimierung wird häufig als einmaliges „ToDo“ angegangen und nicht im Sinne eines präventiven, kontinuierlichen„Corporate Data Quality Management (CDQM)” Ungenügende Aufmerksamkeit manifestiert sich in konkreten negativen Ergebnissen und AdHoc-Maßnahmen – die „Erinnerungen“ bleiben… Beispiele 1-2-3.tv: Qualität der Produktsuche auf der Website Zahlungsausfall durch Identitätsbetrug Legende: „U-Boote der Datenqualität“ (z. B. Migrationen, Prozessfehler, Unstimmigkeiten im Management-Reporting) Quelle: IWI, St. Gallen CC CDQ
61. Fazit Data Quality: Ziel, das kontinuierliche „Arbeit“ erfordert DQ-Analyse/-Optimierung wird häufig als einmaliges „ToDo“ angegangen und nicht im Sinne eines präventiven, kontinuierlichen„Corporate Data Quality Management (CDQM)” Ungenügende Aufmerksamkeit manifestiert sich in konkreten negativen Ergebnissen und AdHoc-Maßnahmen – die „Erinnerungen“ bleiben… Beispiele 1-2-3.tv: Qualität der Produktsuche auf der Website Zahlungsausfall durch Identitätsbetrug Konflikt mit „ROI-Projekten“ Direkte ROI-Bewertung für DQM scheinbar unmöglich Darum nur all zu schnell nach hinten priorisiert… Aber die „Folgen“ werden schnell sichtbar: Erhöhte Aufwände für manuelle Nacharbeiten bei automatischen Prozessen Erhöhte Aufwände für Maintenance und Weiterentwicklung Falsche Business-Entscheidungen auf Basis ungenauer Bewertungen Master Data Management als Voraussetzung für CDQM