Erfolgsfaktor Datenqualität

Weitere Magazine

Empfehlungen

Info

Best Practice Hilfswerk (NGO) Projektart: Herstellung und Sicherstellung der Qualität von Adress- Stammdaten im ERP und CRM. Ausgangssituation: Eingaben in die auf SAP basierende Spendenbuchhaltung mit ca. 2,1 Mio. Debitoren erfolgen zum einen manuell, zum an- deren über eine Batchimportschnittstelle von Spenderstamm- daten. An beiden Neuanlageschnittstellen besteht keine tech- nische Unterstützung zur Überprüfung der Korrektheit der Anschriften bzw. Duplikatsprüfung. Aufgabe: Im Zuge der Einführung eines neuen CRM-Systems sollen externe Potenzialdaten kampagnengesteuert über ein Batch- importverfahren eingespielt werden. Zusätzlich benötigt die Organisation eine buchhalterisch verlässliche Stammdaten- basis im ERP-System. 22 Best Practice Hilfwerk (NGO) Umsetzung: Im Anschluss an die Analyse der DQ-Prozesse in CRM und ERP werden Feinspezifikationen erstellt. Nach der Anbindung von CRM und SAP an den Omikron Data Quality Server sind Prü- fungen im Live-Betrieb möglich. Auf Basis der Analyse von Debitoren-Stammdaten werden Handlungsempfehlungen für die initiale Grundbereinigung entwickelt. Nach deren Umsetzung bildet die manuelle Nach- qualifizierung der Resultate den Abschluss des Projekts. Ergebnis: Kürzere Suchzeiten bei der Recherche von Stammdaten in Buchhaltung und CRM. Optimierte manuelle Prüfmaßnah- men mit entsprechend geringerem Zeitaufwand. Erhöhung der Kampagnen-Effizienz bei gleichzeitiger Reduzierung der Rückläuferquoten. Personalmonate: 6 Projektmitarbeiter Omikron: 3
Best Practice B to B Projektart: Entfernung und Vermeidung von Stammdaten- und Adress- dubletten. Bereinigung der Anschriften (postalische Prüfung) und Einsatz einer fehlertoleranten Freitextsuche. Optimierung der Kundensuche für flexibles Informationsmanagement im ERP- und CRM-System. Ausgangssituation: Datenbestände werden in zwei unabhängigen Unternehmens- teilen vorgehalten. Die Zusammenführung führt unweigerlich zu Dubletten im ERP-System (SAP). Darüber hinaus existieren Altsysteme, die synchron mit dem SAP-System laufen. Die vorhandene CRM-Lösung Salesforce ermöglicht die Nut- zung diverser Geschäftsanwendungen über das Internet. Das ASP-Modell hat den Vorteil, dass keine eigene IT-Infrastruktur aufgebaut werden muss und international für alle Firmen- standorte eine einheitliche Arbeitsbasis zur Verfügung steht. In Deutschland nutzen rund 500, weltweit über 2.000 Mit- arbeiter die On-Demand-Lösung. Aber auch diese funktioniert nicht ohne eine saubere Datenbasis. Aufgabe: Die Gesamtlösung soll gewährleisten, dass in beiden Syste- men Dubletten identifiziert und Doppelanlagen bzw. fehler- hafte Anschriften bei der Erfassung korrigiert werden. Umsetzung: Ausgangspunkt der Überlegungen sind die rund 600.000 Datensätze im SAP-System. Mit Hilfe des Moduls „Bestands- prüfung“ werden sämtliche Dubletten fachgerecht identifiziert und verteilte Unternehmens-Standorte aggregiert. Der Einsatz des Moduls „Dialogprüfung“ verhindert, dass bei der Neuanla- ge von Kundenstammdaten weitere Doppelungen entstehen. Die Kundendaten aus SAP wandern über eine unidirektionale Schnittstelle ins CRM-System, wo sie mit der Potenzialdaten- bank abgeglichen werden. Dies verhindert, dass der Vertrieb bei der Neukundenakquisition bestehende Kunden anspricht. Mit den Potenzialdaten passiert dasselbe wie auf der SAP- Seite: Die Bestandsprüfung des Omikron Data Quality Servers spürt Dubletten auf, die Dialogprüfung verhindert das Ent- stehen neuer Doppeleinträge, zum Beispiel beim Import von neuen Kontaktdaten. Selbstverständlich geschieht all dies in beiden Systemen auf Basis fehlertoleranter Such-Algorithmen. Ergebnis: Fehlerfreie Potenzialdaten in rund 1,3 Millionen Datensätzen. Kürzere Suchzeiten bei der Debitoren-Recherche. Optimierte manuelle Prüfmaßnahmen. Personalmonate: 6 Projektmitarbeiter Omikron: 4 Best Practice B to B 23
Seite 1 und 2: Erfolgsfaktor The Data Quality Comp
Seite 3 und 4: Wachstumsbremsen lösen. Mit Omikro
Seite 5 und 6: Die Omikron Strategie: Probleme dau
Seite 7 und 8: Folgen schlechter Datenqualität Qu
Seite 9 und 10: Darauf sollten Sie achten. Jedes Un
Seite 11 und 12: 7 6 1 Daten 5 8 Abgestimmtes Maßna
Seite 13 und 14: Datenmigration Schon im Planungs-Vo
Seite 15 und 16: Top-Performance durch serverinterne
Seite 17 und 18: strukturen an, doch für den langfr
Seite 19 und 20: Datenqualität im ERP Anwender von
Seite 21: Datenqualität im eCommerce Gewinn-
Seite 25 und 26: Best Practice eCommerce Projektart:
Seite 27 und 28: Referenzen 27

Erfolgsfaktor Datenqualität

Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.

Template löschen?

Als Template speichern?