Product Data Cleansing

Kunden erwarten heute eine positive Omnichannel Experience. Entscheidender denn je ist es, Kunden innerhalb ihres eigenen situativen Kontexts möglichst individuell ansprechen zu können. Saubere Daten sind die Ausgangsbasis: Produktdaten, ebenso wie Kundendaten.

CRM-Daten verraten uns, welche Vorlieben ein Kunde hat, über welche Produkte er sich zuletzt informiert hat, zu welchem Zeitpunkt er am liebsten kauft und vieles mehr. Basierend auf diesen Daten können Händler potenziellen Kunden passende Angebote unterbreiten. Maximale Relevanz schaffen sie durch den perfekten Match zwischen Kundeninformation und Angebot. Die Voraussetzungen dafür sind nicht nur detailliertes Kundenwissen, sondern auch saubere und granulare Produktinformationen, die dem Interesse gegenübergestellt werden können. Granulare Produktdaten bilden das Fundament für eine optimale Angebotspräsentation. Sie sorgen online für eine bessere Sichtbarkeit des Angebots bei bestimmten Suchanfragen. Und nicht zuletzt ermöglichen optimierte Produktdatenfeeds dem Online-Händler ein besseres Targeting von Anzeigen.

Saubere, granulare Produktdaten machen den Händler zudem konkurrenzfähig. Sie verschaffen ihm die Flexibilität kurzfristig neue Vermarktungschancen auszuprobieren und so vom First Mover Advantage zu profitieren.

Mit zunehmendem Datenvolumen steigt das Fehlerpotenzial. Zu den häufigsten Ungenauigkeiten im Datenbestand eines Unternehmens gehören fehlende Werte, falsche Einträge und Tippfehler. Im Zuge der Datenbereinigung (Data Cleansing) werden fehlerhafte, doppelte, inkonsistente, ungenaue, falsch formatierte oder irrelevante Daten in Datenbanken oder Informationssysteme identifiziert und korrigiert.

Innerhalb des Produktinformationsmanagements versteht sich die Datenbereinigung als Prozess zur Sicherung der Informationsqualität. Produktinformationen werden bereinigt, konsolidiert, standardisiert, strukturiert und klassifiziert. Die Datenbereinigung sorgt für Konsistenz, Zuverlässigkeit und einen gesteigerten Wert der Unternehmensdaten.

Um unmittelbar Erfolge verzeichnen zu können, priorisieren Händler zu bereinigende Datenpakete gemäß ihrer Erfolgsrelevanz. Faktoren zur Priorisierung können neben dem Umsatzbeitrag der enthaltenen Artikel, ihr Cross- und Upsell-Potenzial, ihr Marketingpotenzial, ihre Saisonalität oder deren Produktlebenszyklus selbst sein.

Wieviel einzelne Informationen zur Kaufentscheidung eines Produktes beitragen, unterscheidet sich nach Sortiment und Typ der Information. Um Data Cleansing Projekte effizient abzubilden, ist es hilfreich im Vorfeld zu identifizieren, welche Informationen erfolgskritisch sind und welche weniger relevant sind. Bei dieser Bewertung sollten Händler neben dem Angebot selbst, ihre Zielgruppe ebenso wie den Wettbewerb berücksichtigen. Erfolgskritische Informationen werden den weniger relevanten Informationen bei der Überarbeitung vorgezogen.

Um feedbasierte Kampagnen, Marktplatzlistungen oder Onsite-Lösungen, wie Recommendation Engines, flexibel und erfolgsmaximierend nutzen zu können, benötigen Händler strukturierte Produktdaten. Sie sollten möglichst granular vorliegen, um den Anforderungen der Partner entsprechen zu können.

Produktinformationen, die bislang in redaktionellen Fließtexten vorliegen, gilt es im Rahmen des Product Data Cleansing zu extrahieren und in ein strukturiertes Datenmodell zu überführen.

VORHER:

NACHHER:

Gewachsene, fragmentierte Infrastrukturen führen ebenso wie unterschiedliche Zuständigkeiten oftmals dazu, dass Informationen redundant vorgehalten werden. Im Zuge der Datenbereinigung sind Datenfelder zu konsolidieren und doppelte Datensätze sowie Werte zu entfernen.

VORHER

→ Informationen im Shop-System

→ Informationen im ERP-System

NACHHER:

→ Konsolidierte Produktdaten

Liegen alle Informationen in einem Datensatz vor, sind diese auf Konsistenz, Korrektheit und fehlende Informationen zu prüfen und zu ergänzen bzw. zu korrigieren.

Im letzten Schritt des Data Cleansing standardisieren und normieren Händler ihre Produktdaten. Beispielsweise werden Größen einheitlich umgerechnet oder Farb- und Materialangaben in ein definiertes Wertesystem überführt.

Durch die Wertenormierung machen Händler Produktangebote für den Kunden vergleichbar und reduzieren so deren wahrgenommene Kaufrisiken. Darüber hinaus ermöglicht die Normierung und Standardisierung aber beispielsweise auch die Implementierung zusätzlicher Filterfunktionalitäten in einen Online-Shop, sodass für den Kunden ein leichterer Zugang zum gewünschten Produktangebot geschaffen werden kann.

Daten zu bereinigen kann abhängig vom Stand der Datenqualität ein aufwendiger, mühsamer und somit auch teurer Prozess sein. Um sicher zu stellen, dass sich Aufwände für Product Data Cleansing nachhaltig reduzieren, sollten Handelsunternehmen Präventionsmaßnahmen ergreifen. Eine gute Option ist die Erfassung von Produktdaten nach dem „First-Time-Right-Prinzip“. Ziel ist es immer einen vollständigen, korrekten Datensatz zu erfassen. Es werden weder „akzeptable“ Fehlerquoten noch Nachbesserungen geduldet.

Das bedeutet für Händler konkret:

• Systeme zur Datenerfassung müssen so kalibriert werden, dass die Zieldatenstruktur und verbundene Richtlinien vollständig abgebildet werden
• Validierungsregeln müssen bei der Datenerfassung eingeführt werden, die eine Falscherfassung unmöglich macht
• Händler müssen eine Unternehmenskultur etablieren, die eine proaktive Haltung zur Optimierung der Datenqualität ermöglicht

Händler, die konsequent nach dem “First-time-Right-Prinzip” agieren, reduzieren nicht nur nachhaltig Aufwände für die Bereinigung von Produktdaten, sie schaffen sich dauerhaft Zeit und Flexibilität für die Vermarktung ihrer Angebote.