WHI

TE P

APER

Ziel der Einführung eines Customer Relationship Manage-ment Systems ist es, die Beziehungen zu bereits bestehenden und zukünftigen Kunden langfristig zu optimieren und zu stabilisieren. Ein intelligent aufgesetztes CRM-System allein reicht dafür allerdings nicht aus. Korrekte, vollständige, aktuelle und damit hochqualitative Kundendaten sind im CRM-System genauso wichtig wie das System selbst. Der Schlüssel zu einer zufriedenstellenden Kundenbeziehung ist also nicht nur das CRM-System, sondern ebenso die hohe Datenqualität.

Hinweise auf mangelnde Qualität der Kundendaten sind unter anderem: hohe Rückläuferquote bei Mailingaktionen aufgrund

falscher oder unvollständiger Adressen Kundenbeschwerden bei Mehrfachzustellung der

gleichen Werbesendungen falsche Briefanreden und Adresszeilen, wenn z. B. Herr

Katrin Müller und Frau Walter Schmitt Post bekommen mangelndes Vertrauen der eigenen Mitarbeiter in den

Datenbestand

Gelingt es dem Unternehmen nicht, eine hohe Datenqua-lität im System zu erreichen und beizubehalten, kann das Potenzial des CRM-Systems nicht voll ausgeschöpft werden: Langfristige Kundenbindung und gesteigerte Effizienz bei der Arbeit mit Kundendaten bleiben somit Theorie.Im Folgenden werden die verschiedenen Einsatzszenarien eines CRM-Systems beleuchtet. Schwerpunkte sind der Be-zug zur Datenqualität bzw. die Folgen suboptimaler Daten. Des Weiteren zeigt ein praktischer Lösungsweg, wie Unter-nehmen zu qualitativ hochwertigen Daten in einem noch aufzusetzenden oder im bereits bestehenden CRM-System kommen und wie dieser Status quo erhalten bleiben kann.

Hohe Datenqualität im CRM-System Das sprichwörtliche Salz in der Suppe.

Korrekte, vollständige, aktuelle und damit hochqualitative Kundendaten sind im CRM-System genauso wichtig wie das System selbst.

2

Die Einführung eines CRM-Systems ist ein entscheidender Faktor für den langfristigen Unternehmenserfolg. Diese Erkenntnis ist in den vergangenen Jahren in den Führungsetagen vieler Unternehmen zusehends gereift.

Unabhängig davon, für welchen Anbieter man sich ent-scheidet und mit welchen Komponenten eines CRM-Systems gearbeitet wird – es geht immer um die Orientierung am Kunden und den dahinter stehenden Service-Gedanken.

Betrachtet man die Einführung eines CRM-Systems aus einem wirtschaftlichen Blickwinkel, wird schnell deutlich, dass das Beziehungsmanagement auch immer mit dem Bestreben nach langfristigen Geschäftsverbindungen und der damit verbundenen ökonomischen Sicherheit assoziiert wird. Das CRM-System soll schließlich auch zur Stabilisierung des Ge-schäftskontaktes beitragen.Gut gepflegte Geschäfts- sowie Kundenbeziehungen, sprich ein stabiles Beziehungsgeflecht, haben unterschiedliche, sehr positive Effekte auf das eigene Unternehmen.

Ein zufriedener Kunde ist bereit, durch einfache Mund-

zu-Mund-Propaganda den Anbieter und dessen Produkte

weiterzuempfehlen. Bei einer guten und bereits länger bestehenden Be-

ziehung zwischen Kunde und Anbieter ist es möglich,

dass der Kunde Verbesserungsvorschläge für Produkte

macht. Veränderte Anforderungen des Marktes werden

so wesentlich schneller wahrgenommen, Produkte und

Leistungen lassen sich optimieren. Ein zufriedener Kunde steht Preiserhöhungen toleranter

gegenüber. Verlässliche Daten wirken sich auch direkt auf die Mo-

tivation der eigenen Mitarbeiter aus. Mit den richtigen

Informationen ausgestattet, können sich die Kollegen

auf die Wünsche der Kunden konzentrieren. Die Kunden

fühlen sich gut betreut, der beidseitige Kontakt bleibt

positiv.

HIER EIN PAAR BEISPIELE:

Auf Tuchfühlung mit Ihren Kunden

Gut gepflegte Geschäfts- sowie Kun-denbeziehungen haben unterschiedli-che, sehr positive Effekte auf das eige-ne Unternehmen.

EINFÜHRUNG

3

korrekte Adressdaten, auch im internationalen Umfeld,

damit schriftliche Korrespondenz den Empfänger erreicht aktuelle Adressen, wenn Umbenennungen von Orts-

bzw. Straßennamen vorliegen registrierte Umzüge, damit die Korrespondenz den

Empfänger am neuen Wohnort erreicht Registrierung von Fusionen und anderen Veränderun-

gen bei Unternehmen Löschen bzw. Deaktivieren von Kontaktdaten, wenn

eine Kundenbeziehung nicht mehr aufrechterhalten wird

– beispielsweise bei Todesfällen eindeutige Datensätze, damit der Kundenstamm du-

blettenfrei ist und somit ein Kunde tatsächlich nur ein

einziges Mal in der Datenbank enthalten ist

DATENQUALITÄT BEDEUTET GANZ KONKRET:

Das analytische CRM wird genutzt, um mit allen möglichen Kundendaten Auswertungen im Rahmen von Business In-telligence vorzunehmen. Eine hohe Datenqualität ist unab-dingbar, um entsprechende Analysen durchzuführen und langfristig die richtigen strategischen Entscheidungen zu treffen. Beim operativen CRM ist es wichtig, dass u. a. die Kontaktdaten des Kunden korrekt sind, damit Marketing-aktionen bzw. das Service-Angebot ihr Ziel, nämlich den Kunden, erreichen.

Ist eine hohe Datenqualität im CRM-System gegeben, wer-den bei Marketingkampagnen Kunden nur einmal beworben und damit nicht unnötig verärgert. Zudem werden die Por-tokosten optimiert. Verkaufschancen und Forecast-Analysen sind verlässlich. Der Kundenservice ist effektiver, da beim direkten Kundenkontakt alle relevanten Informationen in korrekter Form vorliegen.

Vor diesem Hintergrund wird deutlich, dass Datenqualität – hier korrekte und dublettenfreie Daten – wesentliche Vor-aussetzung für den sogenannten „Single View of Customer“ oder „Single Point of Truth“ ist. Denn nur optimale Daten er-lauben es, wirklich alle auf einen Kunden bezogenen Daten auf einen Datensatz zu verdichten. So wird die ganzheitliche Sicht auf einen Kunden ermöglicht.

Egal, ob analytisches oder operatives CRM – Korrekte Daten entscheiden über Erfolg oder Misserfolg.

Topf und Deckel: ideale Verbindung von CRM & DQ

Korrekte und dublettenfreie Daten sind wesentliche Voraussetzung für den „Single View of Customer“.

BAUSTEINE

4

CRM UND DATENQUALITÄT

Unabhängig davon, ob ein komplett neues CRM-System aufgesetzt wird, die Datenqualität eines bestehenden CRM-Systems optimiert oder mehrere Systeme zu einem CRM-Sys-tem zusammengefasst werden sollen, kann die angestrebte hohe Datenqualität in drei Teilprozessen erreicht werden:

1. initiale Datenbereinigung2. „First Time Right“ bzw. Mechanismen, die schlechte Da-tenqualität bereits bei der Datenerfassung oder -bearbei-tung abfangen (Data Quality Firewall)3. Einsatz von Data Maintaining als Maßnahme zur Erhal-tung eines hohen Standards der Datenqualität

Datenqualitätsprozess

Damit eine initiale Bereinigung zielgerichtet erfolgen kann, ist es empfehlenswert, sich in einem vorgelagerten Schritt einen Überblick über die Qualität der Daten zu verschaffen. Hierbei geht es nicht nur um korrekt geschriebene Adressen oder doppelte Datensätze, sondern vielmehr auch darum, die Struktur der Daten kennenzulernen und bereits beste-hende Geschäftsregeln zu prüfen. Typischerweise wird dieser Schritt im Rahmen eines Datenqualitäts-Audits umgesetzt. Soll ein neues CRM-System eingerichtet werden, ist der DQ

Audit Teil des DQ Streams und damit eine wichtige Voraus-setzung für eine erfolgreiche Migration. Ähnlich verhält es sich, wenn zusätzliche Quelldatensysteme in ein bestehendes CRM-System integriert werden sollen.

Um den Status quo der Datenqualität permanent bestimmen und prüfen zu können, empfiehlt sich ein nachgelagertes Monitoring. Damit lässt sich die Einhaltung von Geschäfts-regeln automatisch überprüfen und es können kritische Schwellenwerte festgelegt werden, um zeitnahe Optimie-rungsmaßnahmen zu ermöglichen. Solche Schwellenwerte können auch „Key Performance Indicators“ (KPI) sein, die Aussagen über den Status quo definierter Unternehmenszie-le zulassen.

Datenqualität im CRM: "How to"

Egal, ob komplett neu aufgesetztes, optimiertes bestehendes oder aus ver-schiedenen Systemen konsolidiertes CRM-System - die angestrebte hohe Datenqualität kann in drei Teilprozes-sen erreicht werden.

5

CrM und datEnqualität

Abbildung: Der Datenqualitätsprozess von Uniserv zeigt, wie die drei Teilprozesse miteinander zusammenhängen.

6

INITIALE DATENBEREINIGUNG

1. Initiale DatenbereinigungBeim initialen Cleansing der Daten wird der gesamte Datenbestand in einem Batch-Lauf geprüft und bereinigt. Dabei ist es unerheblich, um wie viele unterschiedliche Datenquellen es sich handelt oder aus welchen Ländern die Daten stammen.

Einheitliches Mapping: Die Feldinhalte unterschiedlicher Datenquellen werden den gleichen Feldern zugeordnet.Beispiel: Der Name des Ansprechpartners steht in unterschied-

lich benannten Feldern pro Datenquelle. Idealerweise sollte das

Mapping an dieser Stelle schon dem Mapping im CRM-System

entsprechen. So kann bei der Migration sichergestellt werden,

dass die richtigen Daten in die dafür vorhergesehenen Felder

geladen werden.

Die Daten werden in ein einheitliches Format gebracht. Beispiel: einheitliches Format bei Telefonnummern oder Datum-

sangaben.

Die Namensbestandteile werden analysiert. Sehr komplexe Namenszeilen, die entweder aus mehreren Perso-

nen bestehen oder in denen der Firmenname inklusive Abteilung

und Ansprechpartner steht, werden analysiert. Bei der Analyse

wird festgestellt, ob es sich um B2C-Daten oder B2B-Daten han-

delt. Ebenso werden alle Elemente der Namenszeile in eigens

zugewiesene Felder geschrieben, so das z. B. Auswertungen

über akademische Titel oder Rechtsformen der Unternehmen

gemacht werden können.

Eine postalische Prüfung der Adressen wird vorgenommen. Unabhängig davon, ob es sich hierbei um nationale oder inter-

nationale Adressen handelt, werden Postleitzahl, Ort, Straße

und Hausnummer auf ihre Korrektheit geprüft. Wenn möglich,

werden fehlende Adressbestandteile korrigiert und/oder ergänzt.

Offiziell umbenannte Straßen und Orte werden automatisch ak-

tualisiert. Für bestimmte Länder stehen auch eine Postfachprü-

fung und eine Großkunden-Postleitzahlprüfung zur Verfügung.

Name:

Vorname:

Nachname:

Kontakt:

Datenquelle A

Datenquelle B

Datenquelle C

Typischer Ablauf der initialen Datenbereinigung

7

INITIALE DATENBEREINIGUNG

Das betrifft beispielsweise das korrekte Format von Datumsan-

gaben und Telefonnummern. Aber auch formale Dinge, wie die

maximale Länge der Felder für Straßen- und Ortsnamen sollte

man beachten. Werden diese relativ einfachen Anforderungen

bereits beim initialen Cleansing umgesetzt, erspart man sich

später bei der Migration die Implementierung aufwendiger

Transformationsregeln.

Adressen von Umzüglern werden aktualisiert. Jährlich wechseln ca. acht Millionen Menschen in Deutschland

ihren Wohnsitz. Nur die wenigsten teilen ihre neue Adresse

aktiv mit. Mit einem Umzugscheck über die Gesamtdatenbasis

können die Datensätze betroffener Personen initial oder später

periodisch aktualisiert werden.

Die Adressen werden in spezifische Formate gebracht. In bestimmten Ländern wie z. B. Frankreich ist eine Formatierung

der Adresse gemäß den Vorgaben der nationalen Landespost-

behörde erforderlich, um bei Portooptimierungsmaßnahmen

möglichst günstige Versandoptionen zu nutzen.

Die Adressen werden mit Zusatzinformationen angereichert. Je nach Bedarf können die Adressen mit relevanten Infor-mationen, wie z. B. Geokoordinaten oder Branchenschlüssel, angereichert werden.

Dubletten werden identifiziert. Dubletten, also gleiche oder ähnliche Datensätze, werden mit

fehlertoleranten Such-Algorithmen identifiziert. Diese Such-Al-

gorithmen können individuell an die Geschäftsregeln angepasst

werden. Uniserv bietet standardisierte Such-Algorithmen für den

B2C- und B2B-Bereich an.

Mit Hilfe einer Aussage über die Ähnlichkeit der gefundenen

mehrfachen Datensätze kann abgeschätzt werden, inwieweit

später Sachbearbeiter manuell entscheiden müssen, ob es sich bei

den identifizierten Datensätzen um Dubletten handelt oder nicht.

Der „Golden Record“ wird gebildet. Gerade wenn Daten aus unterschiedlichen Quellen kommen und diesen neben den postalischen Informationen noch weitere relevante

Inhalte anhängen, ist die Bildung eines „Golden Record“ fundamental. Es besteht die Möglichkeit, Datensätze einer identifizierten

Dublettengruppe zu konsolidieren. Das heißt, Informationen von den Folgedatensätzen können in den Kopfsatz einer Gruppe über-

nommen werden. Doppelte Datensätze, die nicht eliminiert werden, sind mit einem Löschkennzeichen markierbar.

Name Straße & Nr. PLZ Ort Telefon

Konsolidierung „Telefon“

Ergebnis

Wenn geplant ist, ein CRM-System ini-tial zu befüllen, sollten im Rahmen des initialen Cleansings migrationsrelevante Aspekte berücksichtigt werden.

8

DATA QUALITY FIREWALL

2. Data Quality Firewall:„First Time Right“Nach der Übernahme des initial bereinigten Datenbestands müssen bestimmte Standards bei der Neuanlage von Datensätzen festgelegt werden. Nur so bleibt die bereits erreichte hohe Datenqualität erhalten.

Hier bieten sich unterschiedliche Möglichkeiten aus dem Real-Time-Bereich an:

Soll ein neuer Datensatz ins System aufgenommen wer-den, muss zunächst geprüft werden, ob es ihn nicht schon gibt. Es muss vermieden werden, redundante Informatio-nen anzulegen. Ähnlich wie beim initialen Cleansing wird mit fehlertoleranten Algorithmen sehr schnell nach einem bereits im System vorhandenen Kontakt gesucht. Ergebnis dieser Suche ist entweder eine Liste gleicher oder ähnlicher Datensätze, aus der der passende Eintrag ausgewählt und bearbeitet wird. Oder die Suche ist erfolglos – in diesem Fall muss ein neuer Record angelegt werden.

Bei der Anlage eines neuen Datensatzes im CRM-System müssen bestimmte Eingaberegeln eingehalten werden. Straßennamen sollten beispielsweise nur in die dafür vor-gesehenen Felder eingetragen werden. Bei Feldern für Telefonnummern ist eine syntaktische Prüfung möglich. E-Mail-Adressen sind ebenfalls prüfbar: Dabei wird abgefragt, ob es die Domäne und den Nutzernamen tatsächlich gibt. Ebenso besteht die Möglichkeit, die angegebene Postad-resse gegen Referenzdaten abzugleichen. Das ist sinnvoll, wenn z. B. die Adresse in einem Call Center nur telefonisch durchgegeben wurde und Schreib- oder Hörfehler die Daten

verfälschen. Ist die am Telefon aufgenommene Information nicht korrekt bzw. eindeutig, kann der Mitarbeiter sofort nach fehlenden Zusatzinformationen wie z. B. dem Ortsteil fragen, um die Adresse dann postalisch korrekt ins System einzugeben. Dabei erfolgt die Adressprüfung entweder auf Knopfdruck, beim Speichern oder vollautomatisch. Selbst-verständlich können auch individuelle Dialoge zur Adress-prüfung angeboten werden.

Ausschlaggebend für die Nutzung und Akzeptanz dieser Prüfmechanismen ist die Performance der dahinter stehen-den Technik. Dauern diese Prüfungen zu lange, werden diese Funktionen nicht genutzt – die Data Quality Firewall wird umgangen. Da speziell in Call Centern unter hohem Zeit-druck gearbeitet wird, müssen die Suche nach bereits vor-handenen Datensätzen und die Adressprüfung sehr schnell erfolgen. Der Einsatz eines Rapid Entry Clients ermöglicht die automatische Vervollständigung der Adressbestandteile nach Eingabe der ersten Buchstaben bzw. Zahlen.

Bei der Anlage eines neuen Datensat-zes im CRM-System müssen bestimm-te Eingaberegeln eingehalten werden.

9

data qualitY firEWall

Für die Umsetzung dieser Prüfmechanismen stehen verschiedene alternativen zur Verfügung:

Geht es um die postalische Prüfung, bieten sich grundsätz-lich zwei Alternativen an. Zum einen kann die SaaS-Platt-form von Uniserv genutzt werden. Vorteil dieser Lösung ist, dass die Installation und das regelmäßige Update der postalischen Referenztabellen entfallen. Die Abrechnung erfolgt satzweise – bezahlt wird also nur das, was auch tat-sächlich geprüft wurde.

Zum anderen können die Referenztabellen auch lokal ge-halten und somit auch beliebig oft angesprochen werden, ohne dass zusätzliche Kosten pro Abfrage entstehen. Auch der Mix beider Lösungen ist möglich: Beim Hybrid-Modell können lizenzierte Anwendungen um Services aus der Cloud heraus erweitert werden. So kommt beispielsweise die SaaS-Lösung bei der Überprüfung von Ländern zum Einsatz, bei denen sich der Kauf der Referenztabellen nicht lohnt, wäh-rend die Prüfung der Adressen aus den Hauptländern dann lokal geschieht.

Für die Anbindung vieler CRM-Systeme an die Adressvalidie-rung von Uniserv bieten sich Webservices an. Diese werden mit Hilfe der Data Quality Real-Time Suite auf Knopfdruck generiert und verwaltet. Die Webservices können dann direkt in das jeweilige CRM-System eingebunden werden. Für bestimmte CRM-Systeme (SAP, Salesforce, Oracle Siebel, und update.seven) stellt Uniserv spezifische DQ-Konnek-toren zur Verfügung. Vorteil dieser Plug-and-Play-Lösung ist, dass bereits eine graphische Oberfläche für die Adress-prüfung im CRM-System mitgeliefert wird, die im Fall der Webservice-Lösung ggf. noch programmiert werden muss.

Der Dublettencheck wird nur für Salesforce in der Cloud angeboten. Ähnlich wie zuvor beschrieben können entwe-der Webservices oder der entsprechende DQ-Konnektor eingebunden werden. Für alle anderen CRM-Systeme gilt, dass die Suche nach potenziellen Dubletten lokal und nicht über die SaaS-Plattform abläuft. Hintergrund ist, dass die Su-che nach bereits vorhandenen Datensätzen in einem Code- pool passiert, der auf Kundenseite lokal abgelegt ist. Dies geschieht unter anderem aus Gründen der Datensicherheit. Der Dublettencheck kann – wie die postalische Adressvalidie-rung – über Webservices eingebunden werden. Für bestimm-te CRM-Systeme bietet Uniserv dazu DQ-Konnektoren an.

Der E-Mail-Check sowie andere Prüfungen (Bankdaten, Telefonnummern, Umzüge) können über Webservices ein-gebunden werden, die wie bereits beschrieben einfach mit der Data Quality Real-Time Suite generiert und verwaltet werden. Der E-Mail-Check ist nur über die SaaS-Lösung er-reichbar. Die Prüfungen von Bankdaten, Telefonnummern und Umzugsverarbeitungen können sowohl über die Cloud als auch lokal eingebunden werden.

Über ein hybrid-Modell kann für bestimmte länder die SaaS-lösung in anspruch genommen werden, während die Prüfung der adressen aus den hauptländern lokal geschieht.

10

DATA MAINTENANCE

3. Data Maintenance: Erhaltung des DatenqualitätsstandardsTrotz initialer Datenbereinigung und implementierter DQ-Mechanismen ist es sinnvoll, den Gesamtdatenbestand periodisch zu prüfen.

In Deutschland gibt es pro Jahr etwa 40.000 offizielle Än-derungen im Straßen- und Ortsverzeichnis. Dabei handelt es sich um die Aufnahme neuer Straßen, Eingemeindungen und Umbenennungen. Um diesen Änderungen Rechnung zu tragen und die Kontaktinformationen up to date zu halten, ist ein periodischer Abgleich mit den aktuellen Referenzta-bellen sinnvoll.Nicht zu unterschätzen sind die deutschlandweit mehreren Millionen Umzüge pro Jahr. Dies betrifft zwar überwiegend Privathaushalte, aber nicht alle Umzügler melden die neue Adresse automatisch bei ihren Banken, Versicherungen oder anderen Geschäftspartnern. Ohne aktuelle Adressen ist das Kundenbeziehungsmanagement eine unnötig verkompli-zierte Herausforderung.Im B2B-Bereich kommt es im Rahmen von Fusionen, Insolven-zen, Umbenennungen oder beim Wechsel der Rechtsform zu Änderungen, die im CRM-System nachgepflegt werden müssen. Bei Vertragsabschlüssen ist die korrekte Firmierung ein juristisches Muss.Auch im B2C-Bereich kommt es regelmäßig zu Namensän-derungen – etwa durch Hochzeiten und Scheidungen. Sind Kunden verstorben, sollten die entsprechenden Datensätze zumindest gekennzeichnet werden.

Die Erfahrungen haben gezeigt, dass es trotz der Data Qua-lity Firewall immer wieder zur Anlage doppelter Datensätze kommt. Die Firewall wird umgangen, der passende Daten-satz nicht gefunden oder es haben sich Änderungen bei den Kontaktinformationen ergeben, die eine Konsolidierung erfordern. Es empfiehlt sich also, periodisch im Gesamtda-tenbestand im Batch-Lauf nach redundanten Datensätzen zu suchen.

Zur Umsetzung von Data Maintenance über den Gesamtda-tenbestand bietet sich die Data Quality Batch Suite an. Mit dieser leistungsstarken und hoch parametrierbaren Software Suite können über eine einheitliche Oberfläche alle DQ-Prüfungen konfiguriert werden. Je nach Ausbaustufe und Prüfroutine lassen sich mehrere Millionen Datensätze pro Stunde verarbeiten. Bei der Suche nach Dubletten können die gleichen Geschäftsregeln wie im Real-Time-Bereich bzw. der Data Quality Firewall angewendet werden.

Die Auswertungen im analytischen CRM sind jetzt ver-lässlich. Die Daten im operativen CRM lassen ein kunden-orientiertes und effizientes Handeln in allen Bereichen zu. Somit werden die Kundenbeziehungen langfristig

gefestigt. Im gleichen Zuge steigt das Vertrauen der ei-genen Mitarbeiter in die Daten. Fest steht: Datenqualität im CRM ist das Salz in der Suppe – machen Sie Kunden-wertmanagement zu Ihrem Erfolgsrezept!

FAZIT Sind die hier beschriebenen Prozessschritte implementiert und wird eine gute Datenqualität erreicht, kann das Potenzial des CRM-Systems voll ausgeschöpft werden.

Es empfiehlt sich, periodisch im Ge-samtdatenbestand im Batch-Lauf nach redundanten Datensätzen zu suchen.

11

3. Data Maintenance: Erhaltung des Datenqualitätsstandards

Der Data Quality Service Hub ist die zentrale Data-Manage-ment-Plattform für Unternehmensdaten, in der sich die klassischen Projektszenarien des Data Managements – wie Datenqualitätsinitiativen, Datenintegration, Datenmigration und -konsolidierung – bearbeiten lassen.

Mit Uniserv halten Sie die Qualität der Unternehmensda-ten über deren gesamten Nutzungszeitraum auf hohem Niveau. Der Data Quality Service Hub vereint Produkte, die den gesamten Data Quality Cycle abdecken: von der Ana-lyse des Datenbestands und einer Erstbereinigung über die Implementierung einer Data Quality Firewall bis hin zu regelmäßigen Bereinigungen von Beständen im Zuge der Data Maintenance. Der Data Quality Service Hub setzt sich aus folgenden Komponenten zusammen:

DQ ExplorerMit diesem Data-Profiling-Werkzeug erkunden Sie vor der Überführung schnell und interaktiv den Status quo Ihrer Da-ten. Daraus leiten Sie wertvolle Erkenntnisse für die Maßnah-men und Prioritäten Ihres Data Quality Managements ab.

DQ Real-Time SuiteSie wirkt wie eine Firewall gegen Verunreinigungen. Schon während der Eingabe in interaktive Anwendungen sichert die Data Quality Real-Time Suite die Qualität von Daten. Sie vereinfacht die Integration der DQ Real-Time Services (wie postalische Prüfung oder Dublettencheck) in Applikationen.

DATA QUALITY SERVICE HUB

Data Integration SuiteMit ihr ist es ein Leichtes, Daten aus unterschiedlichsten Quellen zu extrahieren, in andere Formate zu transfor-mieren und in Zielsysteme zu laden – im Batch-Bereich wie auch in Real-Time. Ein umfangreiches Set an Konnektoren ermöglicht per Plug & Play die Anbindung an unterschied-lichste Datenquellen und die Einbindung verschiedener Datenqualitätsapplikationen.

Data Quality Batch Suite Sie ist nicht Bestandteil des Data Quality Service Hub, lässt sich aber nahtlos in einen aufgebauten Datenstrom integ-rieren. Sie ist das Schweizer Taschenmesser unter den Data-Quality-Produkten zur Überprüfung, Bereinigung, Konsoli-dierung und Anreicherung von Daten. Die DQ Batch Suite übernimmt die Aufgaben des initialen Cleansings auch für große und größte Datenbestände.

Im modular aufgebauten Data Quality Service Hub sind die Data Quality und Data Integration Services von Uniserv zu Hause.

Data Quality Service Hub

UNISERV GmbH

Rastatter Str. 13, 75179 Pforzheim, Deutschland

T: +49 7231 936 - 0

F: +49 7231 936 - 3002

E: info@uniserv.com

www.uniserv.com

© Uniserv GmbH, Pforzheim, All rights reserved

Datenqualität vom europäischen Marktführer

Uniserv ist der größte spezialisierte Anbieter von Data Quality Solutions in Europa mit international einsetzbarem Softwareportfolio und Services für das Data Management.

Data Management vereint Datenqualitätssicherung und Datenintegration. Mit seinen Lösungen unterstützt Uniserv seine Kunden bei Initiativen für Datenqualität sowie bei Projekten zur Datenintegration, Datenmigration und -konsolidierung sowie Datensynchronisation, beispielswei-se im Umfeld von CRM-Anwendungen, eBusiness, Direct- und Database-Marketing, CDI/MDM-Anwendungen, Data Warehousing und Business Intelligence. Mit mehreren Tau-send Installationen weltweit bedient Uniserv die Erwartung

einer ganzheitlichen Lösung für alle Geschäftsdaten über den gesamten Datenlebenszyklus hinweg. Am Stammsitz in Pforzheim sowie in der Niederlassung in Paris, Frankreich, beschäftigt das Unternehmen über 110 Mitarbeiter und zählt branchenübergreifend und inter-national zahlreiche renommierte Unternehmen wie bei-spielsweise Allianz, Amazon, Dell, Deutsche Bank, eBay, EDEKA, E.ON, France Telecom, Johnson & Johnson, Lufthansa, OTTO, Siemens, Time Warner sowie TUI und Volkswagen zu seinen Kunden.

Weitere Informationen erhalten Sie unter: www.uniserv.com