Qualität der Marketingdaten: eine Entscheidung zulassen oder blockieren.
Was zu unterscheiden ist
Drei Bedingungen vor jeder Berechnung.
Qualität relativ zur Verwendung
Daten können genügen, um eine Untersuchung zu lenken, und unzureichend bleiben, um ein Budget umzuschichten. Die Schwelle muss an die Kosten eines Fehlers und an die Reversibilität der Entscheidung gebunden sein.
Nicht kompensatorische Kontrollen
Eine exzellente Aktualität repariert keine nicht verknüpften Kennungen. Vollständigkeit, Validität, Konsistenz, Aktualität und Nachvollziehbarkeit müssen blockierende Tore enthalten.
Erklärbare Anomalien
Einen Extremwert mechanisch zu korrigieren kann ein reales Ereignis löschen. Jede Behandlung nennt die Regel, das betroffene Volumen, die Wirkung auf die Ergebnisse und die Möglichkeit, zu den Rohdaten zurückzukehren.
Methode
Eine datenbasierte Analysefreigabe aufbauen
- 01Die Entscheidung benennen
Erwartete Ausgabe, Granularität, Horizont und Fehlerkosten definieren; dieser Schritt verwandelt eine generische Checkliste in überprüfbare Anforderungen.
- 02Die Dimensionen testen
Vollständigkeit, Validität, Konsistenz, Eindeutigkeit, Aktualität, Zuordnung und finanzielle Abstimmung auf dem tatsächlich analysierten Perimeter messen.
- 03Die Abweichungen qualifizieren
Zufallsfehler, systematische Verzerrung, Definitionsbruch und strukturelle Lücke unterscheiden; die am stärksten betroffenen Segmente und Perioden dokumentieren.
- 04Einen Status vergeben
Grün lässt die Entscheidung zu, Orange verlangt eine Sensitivitätsanalyse, Rot begrenzt die Nutzung auf Exploration; der Korrekturplan hat einen Verantwortlichen und ein Datum.
Die fünf Qualitätstore vor der Analyse
Jede Kontrolle besitzt eine Akzeptanzschwelle. Hier blockiert die Zuordnungsquote Attribution und Optimierung trotz eines günstigen Gesamtdurchschnitts.
Ein Qualitätsdurchschnitt von 90 %, der die Optimierung blockieren muss
Der Datensatz weist 96 % Vollständigkeit, 91 % Validität, 85 % Aktualität, 78 % Zuordnung Exposition-Verkauf und 99 % Ausgabenabstimmung aus. Der einfache Durchschnitt erreicht 89,8 %.
Die Zuordnungsschwelle zum Attribuieren und Optimieren wurde auf 90 % festgelegt. Die Abweichung von 12 Punkten betrifft vor allem den Mobilkanal, der 34 % der Verkäufe ausmacht. Der Durchschnitt kann den Mangel daher nicht ausgleichen.
Die deskriptive Analyse bleibt zugelassen. Attribution und Umschichtung werden aufgeschoben, bis die mobilen Kennungen korrigiert sind, oder durch eine Sensitivität eingerahmt, die diesen Kanal ausschließt.
Voraussetzungen
Was erfüllt sein muss, um zu handeln.
- 01
Die Schwellen werden je Verwendung definiert, bevor die Scores beobachtet werden.
- 02
Kein blockierender Mangel wird durch einen Durchschnitt ausgeglichen.
- 03
Jede Korrektur bewahrt die Rohdaten und eine Transformationsspur.
- 04
Der Bericht nennt die fragil gewordenen Segmente, Perioden und Entscheidungen.
Grenzen
Was diese Analyse nicht belegt.
- Technisch konforme Daten können kausal unzureichend bleiben.
- Automatische Kontrollen erkennen Änderungen der fachlichen Definition schlecht.
- Eine hohe Gesamtquote kann eine auf ein entscheidendes Segment konzentrierte schlechte Qualität verdecken.
Quellenangaben
Zitierte Literatur.
- ISO/IEC 25012:2008, Data Quality Model.
- Batini, C. et al. (2009), „Methodologies for Data Quality Assessment and Improvement“, ACM Computing Surveys.
- Redman, T. C. (2013), Data Driven: Profiting from Your Most Important Business Asset.