Datakwaliteit: hét middel voor het verbeteren van bedrijfsprocessen Datakwaliteit is bepalend voor het succes van de onderneming. Toch staat dit bij veel organisaties niet hoog op de agenda. Dat is jammer, want er zijn tegenwoordig tal van simpele tools voorhanden, waarmee klantgegevens eenvoudig op orde gebracht kunnen worden. In dit whitepaper geven wij een aantal tips & tricks voor het verbeteren van data in bedrijfsprocessen.
Evolutie van data Het belang van het kennen van je klant (Know Your Customer) is in korte tijd drastisch toegenomen. Klantgegevens bepalen steeds meer de beslissingen rondom marketing, sales en strategievorming. Twee ontwikkelingen hebben dit sterk in de hand gewerkt: internet en de toename van beschikbare informatie over personen en bedrijven. Internet heeft ertoe geleid dat data op steeds meer manieren online verkrijgbaar zijn. Offline kanalen als de telefoongids, kaartenpak, routekaart en zelfs de winkel hebben plaatsgemaakt voor Google, CRM en ERP pakketten, navigatiesystemen en webshops. Kortom: de markt verandert en daarmee ook de manier waarop data worden ontsloten. Een andere tendens is dat we gewend zijn om steeds meer te weten over onze klanten en prospects. Data over o.a. adres, kredietwaardigheid, maar ook specifieke zaken als interesses en loopbaan zijn voor een groot deel opgeslagen in diverse openbare databases. Maar ook kanalen als Twitter, Linked-In, Plaxo en Facebook geven veel bloot over de klanten waarmee dagelijks wordt geschakeld.
Data: use it! Ondernemers hebben een breed scala aan mogelijkheden om alles van de klant te weten. Data zijn overal online beschikbaar; klaar om te koppelen aan eigen gegevens. Nu gaat het erom bedrijfsprocessen hier daadwerkelijk op in te richten, zodat er optimaal gebruik gemaakt kan worden van de mogelijkheden.
Klantenbestanden: overcompleet en dus onbetrouwbaar Of uw organisatie nu klein of groot is, in elke organisatie komen gegevens van klanten en prospects voor. En hier gaat het vaak mis. Werknemers hebben de vrijheid om zelf gegevens in te vullen, zonder verplichting elk veld te voorzien van gegevens en zonder correctie of toetsing met een zogenoemd referentiebestand. Relevante informatie wordt niet automatisch toegevoegd aan een record. Het resultaat? Een CRM waar veelal een grote investering voor is gedaan, maar waarvan de inhoud niet bruikbaar is voor de gestelde doeleinden. Van de standaard informatie kan niet met zekerheid worden gesteld dat deze volledig, actueel en kloppend is. Gewenste informatie voor de diverse bedrijfsprocessen (marketing, sales, boekhouding, strategievorming), ontbreekt vaak. Mogelijkheden om deze informatie eenvoudig op te roepen en toe te voegen zijn er niet. Bij veel ondernemers is vervuiling van het CRM / ERP systeem dan ook een veelvoorkomend probleem. Onderzoek van Dun & Bradstreet (2009) toont aan dat gemiddeld maar liefst 60% van een database vervuild of inconsistent is. Hetzelfde onderzoek toont aan een klantenbestand gemiddeld 35% klanten teveel telt, als gevolg van dubbele records; Den Haag staat naast ’s-Gravenhage in een bestand, eenzelfde bedrijfsnaam wordt op meerdere manieren aangemaakt en contactpersonen die niet meer in dienst zijn bij een organisatie blijven nodeloos lang in een database opgeslagen. Naast het welbekende garbage-in garbage-out principe, zijn ook dagelijkse mutaties debet aan vervuiling van bestanden. Consumenten verhuizen gemiddeld eens in de zeven jaar en 60% van de bedrijfsgegevens in het Handelsregister muteert jaarlijks. Het aantal organisaties dat deze mutaties direct verwerkt in haar eigen relatiebestand is minimaal. Dit leidt ertoe dat informatie in databases in een snel tempo onbetrouwbaar is. Uit recent onderzoek blijkt dat maar liefst 82% van de ondervraagden ontevreden is over de kwaliteit van de database. Tegelijkertijd stelt slechts 17% dat de onderneming daadwerkelijk initiatieven ontplooit om de database correct te houden. Kortom: de behoefte aan schone data is groot, maar bij veel ondernemers staat er nog geen actie tegenover. Dit, terwijl een goede database met simpele toepassingen eenvoudig en structureel op orde te brengen is.
Data als kloppend hart van de onderneming Bij datakwaliteit gaat het erom de kwaliteit van data op het niveau te krijgen van het doel waar deze voor wordt ingezet. Als informatiebron moeten de data zich lenen voor de gestelde operationele, tactische en strategische doeleinden. 1. Operationeel niveau Op operationeel niveau ondervinden de afdeling klantenservice, marketing en sales direct hinder van post en/of bestellingen die niet goed zijn aangekomen. Marketing stuurt mailings uit, waarvan een vast percentage niet goed aankomt. Sales plant telefoongesprekken en bedrijfsbezoeken in, maar is niet in staat om op voorhand de meest kansrijke partijen in te schatten. De klantenservice lost allerlei problemen op als gevolg van foutief bezorgde post. 2. Tactisch niveau Op een hoger niveau belet slechte datakwaliteit de besluitvaardigheid. Business intelligence is niet goed in staat voorspellingen te doen, doordat data niet goed in bronsystemen staan. Het vertrouwen in de organisatie is mede door slechte data laag. Als de informatie op basisniveau al niet goed op orde is, hoe zit het dan met de rest? 3. Strategisch niveau Slechte data maken het lastig om een duidelijke koers te bepalen. Het creëren van waarde uit bedrijfsinformatie is moeilijk; zijn klanten niet goed herkenbaar op basis van profiel of branche, dan is het ook niet mogelijk om klanten te segmenteren en hier analyses op uit te voeren. Zijn datastromen goed op elkaar afgestemd, dan is het eenvoudig om synergie en samenwerking binnen de organisatie te realiseren. Een afdeling logistiek zou heel goed kunnen samenwerken met de administratie als data automatisch aan elkaar zijn gekoppeld. In het algemeen luidt dan ook het advies: wees zuinig met relaties. Business genereren bij nieuwe klanten kost een factor 8 meer dan bij bestaande klanten.
Datakwaliteit: proces met impact op hele organisatie Onderstaand figuur geeft een beeld van hoe er in de dagelijkse praktijk gewerkt kan worden met datakwaliteit. Het idee erachter is eenvoudig. Bij elke divisie van een organisatie worden data verzameld en bewerkt die uiteindelijk in de centrale database van de onderneming komen. Het is belangrijk dat in elk bedrijfsproces maatregelen zijn genomen om de kwaliteit van deze data te waarborgen. Dit kan door de invoer waar mogelijk te controleren en aan te vullen met gegevens uit zgn. referentie bestanden. Als het gaat om adresbeheer is dit bijvoorbeeld TNT/Cendris, op het vlak van bedrijfsgegevens gaat het om de KvK en bij kredietwaardigheid kunt u denken aan Dun & Bradstreet en Graydon. Door voor elke invoer geautomatiseerd controles in te bouwen, is het eenvoudig om aan volledige, actuele en kloppende informatie te werken. Figuur 1 | Data Quality Proces
Finance
Call center
Finance
Service
HR
Validatie Centrale referentie bestanden Verrijking
Database
Webshop
Mailing
Data Quality Scan De Data Quality Scan helpt bij het bepalen van de status van de datakwaliteit; Figuur 2 | Data Quality Scan Algemeen 1- Hoeveel databases kent de onderneming
<5
5 tot 10
10 tot 25
>25
Weet niet
2- Kwaliteit van de database
Zeer goed
Goed
Slecht
Zeer slecht
Weet niet
3- Hoeveel groot is de database (in aantal records)
< 10.000
10.000 -
25.000 -
> 50.000
Weet niet
<25.000
<50.000
4- Automatische updates
Wekelijks
Maandelijks
Elk kwartaal
Halfjaarlijks
Weet niet
5- Hoe wordt de database geactualiseerd
Handmatig
Automatisch
Aankoop
Uitbesteden
Weet niet
(bv. Account
(bv. Met een
van externe
(bv. Computer
manager)
postcode
database (bv.
service
bestand als
KvK)
bureaus)
referentie)
6- Bij nieuwe accounts eenmalige invoer, doorkoppeling naar andere oplossingen
Ja
Nee
Weet niet
7- Inzicht in financiële status en kredietwaardigheid
Ja
Nee
Weet niet
8- Volledigheid (geen lege velden bij bv. adressen, contactpersoon)
Zeer goed
Goed
Slecht
Zeer slecht
Weet niet
9- Actueel (data in lijn met de status quo)
Zeer goed
Goed
Slecht
Zeer slecht
Weet niet
10- Compleet (alle gewenste informatie over een record aanwezig)
Zeer goed
Goed
Slecht
Zeer slecht
Weet niet
11- Data automatisch gecorrigeerd door toetsing met referentiebestand (bv. KvK, TNT/Cendris)
Ja
Nee
Weet niet
12- Inzicht in klanthistorie
Ja
Nee
Weet niet
13- Bij openen record alert indien mutatie wordt geconstateerd
Ja
Nee
Weet niet
14- Periodiek ontdubbelen op adres en bedrijfsnaam (indien van toepassing)
Ja
Nee
Weet niet
Database
Volledigheid: wat heeft u nodig? De data quality scan geeft nader zicht op data die u over uw klanten op orde wilt hebben, maar nog niet in de database staan. In de basis is een goed adressenbestand uiteraard wenselijk. Mailings, brieven, facturen komen in elk geval goed aan. Automatische adrescontroles zijn eenvoudig in te bouwen in een CRM, ERP of ander online platform. Het creëren van een volledig beeld van uw b-to-b relaties biedt eveneens veel voordelen. Een eenmalige koppeling zorgt ervoor dat op basis van postcode en huisnummer informatie direct beschikbaar is van o.a. de Kamer van Koophandel, Graydon of Dun&Bradstreet. Dit maakt het mogelijk de gehele financiële status en alle relevante bedrijfsgegevens van een klant direct in te kunnen zien. Deze informatie kan op veel manieren van pas komen. Bij klantacceptatieprocessen zijn risico’s rondom de betaling op voorhand zichtbaar. Uw facturatiebeleid is hier eenvoudig op aan te passen. Maar het gaat verder. Door te weten wie officieel tekenbevoegd is binnen een onderneming, weet u ook of getekende contracten wel rechtsgeldig zijn. Inzicht in de branchecode en het aantal FTE biedt mogelijkheden om uw bestaande klanten te segmenteren. Als u weet in welk segment uw meeste klanten zitten, weet u per branche ook wie nog geen klant is. Dit biedt handvatten voor het in gang zetten van nieuwe campagnes. Op deze manier werpt het investeren in een CRM / ERP echt zijn vruchten af, doordat data op een dusdanig niveau zijn dat deze in alle geledingen van de organisatie van pas komen.
Consistentie door inbouwen business rules Data in een CRM en ERP dienen de werkelijkheid weer te geven en dus accuraat te zijn. Consistentie wil zeggen dat het hele systeem dezelfde coderingen en verwijzingen gebruikt. Dit soort verbeterslagen zijn te maken door regels te definiëren in een CRM. Bijvoorbeeld: een postcode wordt altijd in hoofdletters geschreven, met spatie tussen cijfers en letters. Is dit niet het geval, dan worden deze gegevens gecorrigeerd. Consistentie is eenvoudig te realiseren door automatisering. Een voorbeeld is dat bij het invullen van alleen postcode en huisnummer een adres automatisch wordt aangevuld. Dit adres kan tevens als sleutel werken om alle bedrijfsgegevens en kredietinformatie van het bedrijf op te vragen. Door voor elke invoer dit soort mogelijkheden in te bouwen, is het eenvoudig om een database op het gewenste kwaliteitsniveau te krijgen.
Onderhoudbaarheid: een must voor data quality Het onderhouden van een CRM, waarin data actueel en volledig zijn kan alleen als aan drie zaken wordt voldaan. Een eerste vereiste is dat er iemand binnen de organisatie expliciet de verantwoordelijkheid voor deze kwaliteit krijgt toegewezen, een tweede is dat er een budget is voor het onderhoud en een derde is dat een aantal processen geautomatiseerd zijn om data direct bij invoer correct in de systemen te krijgen. Bij dit laatste is het ook belangrijk dat alle business units met dezelfde gegevens werken. Wijzigt een record bij de ene afdeling, zorg er dan voor dat deze gegevens in alle software aanpassen. Dit voorkomt vervuiling van de database.
Actualiteit door periodiek updaten database De accuraatheid en actualiteit waarborgen kan op verschillende manieren. U kunt uw bedrijfsgegevens elke week, maand of kwartaal updaten. Een update service houdt bij wanneer een update voor de laatste keer heeft plaatsgevonden en geeft alle mutaties vanaf de laatste update door. Deze mutaties matcht u met uw eigen bestand, waarna een eigen ingegeven business rule kan aangeven of mutaties automatisch overgenomen worden of pas na het geven van een fiat. Het updaten kan in plaats van periodiek ook bij het openen van een record plaatsvinden. Opent u de gegevens van een bedrijf, dan volgt een verbinding naar de gewenste database. Mutaties in het Handelsregister zijn dan automatisch of na eigen akkoord aan te passen in de database. Dit zijn voorbeelden van het werken aan de actualiteit van data. Uiteraard zijn er meerdere wegen die naar Rome leiden. Het gaat erom dat er nagedacht wordt over manieren om de datakwaliteit up to date te houden.
Data Quality: first steps Voor het verbeteren van datakwaliteit adviseren wij na te denken over 3 vragen: 1. Wat weet ik al van mijn klanten? Een gemiddelde organisatie kent 38 verschillende databases. Een eerste stap in het werken aan datakwaliteit is het nagaan van de verschillende informatiestromen binnen de organisatie. Check dan ook of informatie onnodig dubbel wordt ingevuld en of deze invoer getoetst wordt met een referentiebestand. 2. Wat wil ik allemaal van mijn klanten weten? Vervolgens is het zaak om te bepalen welke informatie relevant is, maar nog nergens geregistreerd staat. Om deze analyse goed te doen, is het raadzaam per divisie een plaatje te maken. 3. Welke informatie ontbreekt nog en waar kan ik deze vandaan halen? In de laatste fase gaat het er om een proces te beschrijven om alle bestaande en gewenste data-elementen op een goede wijze in databases te krijgen en te houden. Houd rekening met zaken als: • Koppelen van verschillende software-pakketten binnen de organisatie. Bijvoorbeeld facturatie-, CRM, lease-administratie en dossierinformatie. • Voorkomen dat data uit allerlei verschillende systemen moeten komen. Integreren van gewenste informatie in het juiste pakket. Als voorbeeld HRM software, waarin informatie over reisafstanden en rittenadministratie centraal wordt bijgehouden. • Meer weten dan alleen de klanthistorie. Vertrouw niet op je gevoel (ik ken hem al jaren), staaf dit bij officiële bronnen. Figuur 3 | Databehoeften in kaart brengen
Bestaande data
Gewenste data
- Check per divisie welke informatie wordt opgeslagen
- Wat ontbreekt - Kwaliteit, actualiteit en volledigheid
Marketing Evenementen
Management
Sales
HR
Klanten,
Prospects (low,
Salaris-
gesegmenteerd
medium en hot)
administratie
Stroomlijnen datakwaliteit - Welke data zijn dubbel - Koppeling databases - Toetsing invoer - Update
Call center Prospects
Finance Debiteurenadministratie
naar divisie Ontvangers
Omzet, winst,
Klanten incl.,
Lease-
Klanten met
Contracten met
nieuwsbrief
verlies per klant,
historie, aantal
administratie
vragen / klachten
leveranciers
branche, divisie
visits / calls)
Prognoses
Prospects &
Partners (incl.,
Contracten
klanten (incl.
historie, aantal
personeel
interessegebied)
visits / calls)
Over Webservices.nl Webservices.nl is specialist in het toevoegen van waarde aan databases van partners. Hiertoe heeft Webservices.nl koppelingen met o.a. de KvK, TNT, Cendris, Dun & Bradstreet, Graydon, het Kadaster, RDW, VWE en Geodan. Voor eindgebruikers heeft dit brede aanbod veel voordelen. Door een beperkte invoer (bv. postcode en huisnummer) is het mogelijk alle relevante informatie die met deze data samenhangen te combineren met andere databronnen. Zo kunnen bedrijfsgegevens van de KvK gecombineerd worden met kredietwaardigheid en locatiegegevens. Relaties tussen bijvoorbeeld de TNT, KvK en Dun&Bradstreet zijn op deze manier eenvoudig te leggen voor elke applicatie, of dat nou een webshop is of een CRM systeem.
Gratis testlicentie Wilt u datakwaliteit serieus op uw agenda zetten, dan kunt u via www.webservices.nl/testaccount een gratis testlicentie aanvragen ter waarde van 25 euro. Hiermee kunt u bijvoorbeeld 400 adressen in uw database corrigeren of van 200 organisaties de bedrijfsgegevens verrijken. Heeft u vragen over datakwaliteit en de online mogelijkheden die hier zijn beschreven, neem dan contact op met het Webservices.nl Team via 023-553 90 03 of
[email protected].
