Skip to main content

2020 | OriginalPaper | Buchkapitel

2. Qualität von Kundendaten – Ansätze zur Analyse und Verbesserung als Basis für effiziente Marketingentscheidungen

verfasst von : Heike M. Wolters

Erschienen in: Data-driven Marketing

Verlag: Springer Fachmedien Wiesbaden

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Zusammenfassung

Vielen Unternehmen ist heutzutage bewusst, dass Kundendaten unabdingbar für effiziente Marketingentscheidungen sind. Die große Herausforderung liegt jedoch nicht mehr lediglich im Sammeln von Daten, sondern vor allem in der Sicherstellung der Datenqualität. Minderwertige Daten führen zu Fehlentscheidungen, z. B. bezüglich des Targetings oder des Inhalts einer Kampagne, und im Endeffekt möglicherweise sogar zum Verlust des Kunden. Sowohl das Sammeln von qualitativen Daten als auch die Analyse der Datenqualität darf daher nicht unterschätzt werden. Ziel dieses Beitrags ist es, verschiedene Möglichkeiten aufzuzeigen, wie Unternehmen die Qualität ihrer Kundendaten bei der Datenerhebung verbessern, Qualitätsmängel erkennen und sich gezielt mit ihnen auseinandersetzen können.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Literatur
Zurück zum Zitat Abedjan, Z., Golab, L., & Naumann, F. (2015). Profiling relational data: A survey. The VLDB Journal, 24(4), 557–581.CrossRef Abedjan, Z., Golab, L., & Naumann, F. (2015). Profiling relational data: A survey. The VLDB Journal, 24(4), 557–581.CrossRef
Zurück zum Zitat Ben-Gal, I. (2005). Outlier detection. In O. Maimon & L. Rokach (Hrsg.), Data mining and knowledge discovery handbook (S. 131–146). Boston: Springer.CrossRef Ben-Gal, I. (2005). Outlier detection. In O. Maimon & L. Rokach (Hrsg.), Data mining and knowledge discovery handbook (S. 131–146). Boston: Springer.CrossRef
Zurück zum Zitat Backhaus, K., Erichson, B., Plinke, W., & Weiber, R. (2018). Multivariate Analysemethoden (15. Aufl.). Berlin Heidelberg: Springer.CrossRef Backhaus, K., Erichson, B., Plinke, W., & Weiber, R. (2018). Multivariate Analysemethoden (15. Aufl.). Berlin Heidelberg: Springer.CrossRef
Zurück zum Zitat BARC Business Application Research Center. (2019). Bi-Survey 19. BARC Business Application Research Center. (2019). Bi-Survey 19.
Zurück zum Zitat Campos, G. O., Zimek, A., Sander, J., Campello, R. J. G. B., Micenková, B., Schubert, E., Assent, I., & Houle, M. E. (2016). On the evaluation of unsupervised outlier detection: measures, datasets, and an empirical study. Data Mining and Knowledge Discovery, 30(4), 891–927.CrossRef Campos, G. O., Zimek, A., Sander, J., Campello, R. J. G. B., Micenková, B., Schubert, E., Assent, I., & Houle, M. E. (2016). On the evaluation of unsupervised outlier detection: measures, datasets, and an empirical study. Data Mining and Knowledge Discovery, 30(4), 891–927.CrossRef
Zurück zum Zitat Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining, S. 785–794. Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining, S. 785–794.
Zurück zum Zitat Chu, X., Ilyas, I. F., Krishnan, S., & Wang, J. (2016). Data cleaning: Overview and emerging challenges. SIGMOD, 26, 2201–2206. Chu, X., Ilyas, I. F., Krishnan, S., & Wang, J. (2016). Data cleaning: Overview and emerging challenges. SIGMOD, 26, 2201–2206.
Zurück zum Zitat Deutsche Post. (2018). Adress-Studie 2018 – Untersuchung zur Qualität von Kundenadressen in Deutschland. Deutsche Post. (2018). Adress-Studie 2018 – Untersuchung zur Qualität von Kundenadressen in Deutschland.
Zurück zum Zitat Hellerstein, J. (2008). Quantitative data cleaning for large databases. Technical report, United Nations Economic Commission for Europe. Hellerstein, J. (2008). Quantitative data cleaning for large databases. Technical report, United Nations Economic Commission for Europe.
Zurück zum Zitat Hodge, V. J., & Austin, J. (2004). A survey of outlier detection methodologies. Artificial Intelligence Review, 22(2), 85–126.CrossRef Hodge, V. J., & Austin, J. (2004). A survey of outlier detection methodologies. Artificial Intelligence Review, 22(2), 85–126.CrossRef
Zurück zum Zitat Levenshtein, V. (1966). Binary codes capable of correcting deletions, insertions, and reversals. Soviet Physics-Doklady, 10(8), 707–710. Levenshtein, V. (1966). Binary codes capable of correcting deletions, insertions, and reversals. Soviet Physics-Doklady, 10(8), 707–710.
Zurück zum Zitat Rahm, E., & Do, H. H. (2000). Data cleaning: Problems and current approaches. Bulletin of the IEEE Computer Society Technical Committee on Data Engineering, 23(4), 3–13. Rahm, E., & Do, H. H. (2000). Data cleaning: Problems and current approaches. Bulletin of the IEEE Computer Society Technical Committee on Data Engineering, 23(4), 3–13.
Zurück zum Zitat Wand, Y., & Wang, R. Y. (1996). Anchoring data quality dimensions in ontological foundations. Communication of the ACM, 39(11), 86–95.CrossRef Wand, Y., & Wang, R. Y. (1996). Anchoring data quality dimensions in ontological foundations. Communication of the ACM, 39(11), 86–95.CrossRef
Zurück zum Zitat Zulkiffli, P. N. I. N., Akshir, E. A. P., Azis, N., & Cox, K. (2019). The development of data quality metrics using thematic analysis. International Journal of Innovative Technology and Exploring Engineering (IJITEE), 8(June), 304–310. Zulkiffli, P. N. I. N., Akshir, E. A. P., Azis, N., & Cox, K. (2019). The development of data quality metrics using thematic analysis. International Journal of Innovative Technology and Exploring Engineering (IJITEE), 8(June), 304–310.
Metadaten
Titel
Qualität von Kundendaten – Ansätze zur Analyse und Verbesserung als Basis für effiziente Marketingentscheidungen
verfasst von
Heike M. Wolters
Copyright-Jahr
2020
DOI
https://doi.org/10.1007/978-3-658-29995-8_2