Aufgrund des ständig zunehmenden Wettbewerbs und der Vergleichbarkeit von Produkten wird der Fokus auf den einzelnen Kunden immer wichtiger. Customer Centricity etabliert sich daher im Zentrum von Unternehmensstrategien und das individuelle Kundenerlebnis wird bald zum alles entscheidenden Differenzierungsmerkmal. Eine dahingehend ausgerichtete und optimierte Kundeninteraktion ist wiederum ohne professionelles Kundendatenmanagement nicht zu erreichen. Egal ob bei der korrekten Ansprache im Anschreiben oder E-Mailing, bei der Personalisierung der Website oder der relevanten Antwort auf eine Service-Anfrage –kundenorientiertes Handeln erfordert den Zugriff und die Auswertung von umfassenden Kundeninformationen. Eine verlässliche Datenbasis und eine intelligente Daten-Analytik bilden daher immer die Grundlagen für eine bessere Customer Experience. Das wird umso wichtiger, je mehr Prozesse im Rahmen der Digitalisierung automatisiert werden und ohne jegliche menschliche Interaktion ablaufen. Sie lernen: - Anforderungen an Datenmanagement und -infrastruktur - Einordnung und Realitäts-Check - Die 6 Ausbaustufen des Datenmanagements - Data Maturity - Anwendungsbeispiele - Handlungsempfehlungen

1. Digitale Transformation
braucht starke und
verlässliche Daten
Wie Data Maturity die Customer Experience
steigern kann
Ralf Krämer, Senior Account Manager

2. Quelle IDC
$2.3 Trillion
Projected spend on digital transformation
in 2023
$1.3 Trillion
Spend on digital transformation
in 2020

3. Sich verändernde Rahmenbedingungen
3
• Zunehmender Wettbewerb, Preisdruck und gleichzeitig
Vergleichbarkeit der Angebote
• Fortschreitende Digitalisierung und Automatisierung
• Verändertes Kundenverhalten
• Relevantere Informationen
• Personalisierung
• Dialogorientierte Kommunikation
• Individueller Service
Der Kunde rückt in den Mittelpunkt
„Die Kundenerfahrung wird in der Digital-Ära zum wichtigsten
Differenzierungsmerkmal für Unternehmen.“
https://www2.deloitte.com/de/de/pages/technology/articles/customer-experience-
transformation.html

4. Starke Datenbasis wird immer
wichtiger
4
• Sämtliche Aspekte über den
einzelnen Kunden in einen
spezifischen Gesamtkontext
bringen.
• Verteilte Informationen
finden und identifizieren.
• Zusammengehörende
Daten verknüpfen.
• Kontextualisieren, verdichten
und anreichern.
• Ein präzises Multikanal und
Multisystem Profil pro Kunde
erstellen.

5. Wie sieht die Realität aus

6. 47%
of newly created
data records
have at least one
critical error
68%
of organizations say
disparate data
negatively impacts
their organization
84%
of CEOs say that they are
concerned about the
integrity of the data they
are making decisions on
Data Trends Survey 2019 Forbes
HBR
6

7. Geringer Reifegrad - Daten und Analytik
7
A worldwide survey of 196 organizations by Gartner, Inc. showed that 91
percent of organizations have not yet reached a "transformational" level
of maturity in data and analytics, despite this area being a number one
investment priority for CIOs in recent years.
"Most organizations should be doing better with data and analytics,
given the potential benefits," said Nick Heudecker, research vice
president at Gartner. "Organizations at transformational levels of
maturity enjoy increased agility, better integration with partners and
suppliers, and easier use of advanced predictive and prescriptive forms
of analytics. This all translates to competitive advantage and
differentiation."
The global survey asked respondents to rate their organizations
according to Gartner's five levels of maturity for data and analytics. It
found that 60 percent of respondents worldwide rated themselves in
the lowest three levels.
https://www.gartner.com/en/newsroom/press-releases/2018-02-05-gartner-survey-shows-organizations-are-slow-to-advance-in-data-and-analytics
Gartner Data Maturity Model

8. Stufen der Data Maturity

9. 1
2
3
4
5
6
Stage 1: Manual data collection
and management
Stage 2: Automated data collection,
integration and management
Stage 3: Data quality
Stage 4: Master data
consolidation
Stage 5: Single view of
the enterprise
Stage 6: Getting results,
Data analytics
to improve
decision making
Ausbaustufen - Fähigkeiten (nach Precisely)
9

10. Data
Silos
Insights
Sales, Marketing,
Risk Assessment
Fraud Detection,
Nat Cat Modelling
Customer
Communication,
Customer Service,
Underwriting, Claims,
Pricing
Mainframe,
IBM i
Relational
databases,
EDW, DBMS
Flat files,
XML, JSON
Hadoop,
HDFS
Das Zielbild - High Level
10
Enterprise Date Sources
Enterprise
Data Consumers
? Analytics, BI,
Reporting
Business Intelligence Systems
Data Analytic Platforms
Cloud Platforms & DWHs
Business Solutions & Applications

11. Data
Silos
Insights
Sales, Marketing,
Risk Assessment
Fraud Detection,
Nat Cat Modelling
Customer
Communication,
Customer Service,
Underwriting, Claims,
Pricing
Mainframe,
IBM i
Relational
databases,
EDW, DBMS
Flat files,
XML, JSON
Hadoop,
HDFS
11
Enterprise Date Sources Data Fabric
Enterprise
Data Consumers
Analytics, BI,
Reporting
Business Intelligence Systems
Data Analytic Platforms
Cloud Platforms & DWHs
Business Solutions & Applications
Quelle: https://www.freilacke.de/
Das Zielbild - High Level

12. Manual data collection
and management
Automated data
collection and
integration
Data Quality and
Enrichment
Master Data
Consolidation
Single View of Enterprise
Schritt für Schritt zu einer herausragenden CX
Getting results:
data analytics to
improve
decision making
Zunehmende Data Maturity – From Raw Data to Trusted Data
12
Enterprise Date Sources Data Fabric
Enterprise
Data Consumers
Profiling
Scorecards
Business Glossary
Modeling
Lineage
Parse &
Normalize
Cleans &
Standardize
Match &
Link
Deduplication
ML, KI
Business Data
Enrichment
Person & Social
Enrichment
Location
Enrichment
Graph
Discovery
Data Integration
Data Management Capabilities
Data
Silos
Mainframe,
IBM i
Relational
databases,
EDW, DBMS
Flat files,
XML, JSON
Hadoop,
HDFS
Insights
Sales, Marketing,
Risk Assessment
Fraud Detection,
Nat Cat Modelling
Customer
Communication,
Customer Service,
Underwriting, Claims,
Pricing
Analytics, BI,
Reporting
Business Intelligence Systems
Data Analytic Platforms
Cloud Platforms & DWHs
Business Solutions & Applications

13. Manual data collection
and management
Automated data
collection and
integration
Data Quality and
Enrichment
Master Data
Consolidation
Single View of Enterprise
Data Integrity – Ein ganzheitlicher Ansatz
Getting results:
data analytics to
improve
decision making
Data Integrity is a Journey
13
Enterprise Date Sources Data Integrity
Enterprise
Data Consumers
Insights
Sales, Marketing,
Risk Assessment
Fraud Detection,
Nat Cat Modelling
Customer
Communication,
Customer Service,
Underwriting, Claims,
Pricing
Analytics, BI,
Reporting
Business Intelligence Systems
Data Analytic Platforms
Cloud Platforms & DWHs
Business Solutions & Applications
ML, KI
Data
Silos
Mainframe,
IBM i
Relational
databases,
EDW, DBMS
Flat files,
XML, JSON
Hadoop,
HDFS

14. Erkenntnisse

15. Datenintegrität ist eine Reise
15
• Business und IT arbeiten mehr denn je zusammen
- immer weniger ausschließlich IT-getriebenen
Initiativen.
• Jedes Unternehmen befindet sich auf seiner eigenen,
individuellen Reise zur Datenintegrität.
• Spezifische Use Cases definieren den Bedarf der
einzelnen Schritte auf diesem Weg.
• Auf die wichtigsten Herausforderungen ausgerichtete
Einzellösungen implementieren, anstatt in eine
monolithische Plattform zu investieren.

16. Kontext – Eine weitere Dimension von
Datenintegrität
16
The need for data integrity does not stop with internal enterprise data; it
extends to any second-party and third-party data that fuels business
processes and analyses.
https://rc.precisely.com/idc-technology-spotlight-putting-data-integrity-into-a-
larger-context

17. Datenintegrität geht über eigene, selbst-
generierte Daten hinaus
17
• Unternehmensdaten – im Kontext sämtlicher
operative Prozesse (und Systeme)
• Unternehmensdaten - im Kontext wirtschaftlicher
und demographischer Faktoren, verknüpft durch
die reale geographische Lage
• Unternehmensdaten - im Kontext eines
angereicherten Datensatzes über Kunden,
Lieferanten und andere Beteiligte
• Kombinierte Unternehmens- und externe Daten -
verwendet für Prognosen, Modellierung und
andere Analysen
Quelle: IDC

18. Externe Daten – Eine Auswahl
Sozio-
demographie
Sozio-
ökonomie
Business &
Branchen
Informationen
Andere
Regionaldaten
• Bevölkerung
• Altersklassen
• Bildung
• Bevölkerungsdichte
• Bevölkerungsprognose
• Ausländer
• Private Haushalte
• Haushaltsstruktur
• Wohnsituation
• Bevölkerungs-
entwicklung
• Geburten/Sterbefälle
• Zu- / Fortzüge,
Fluktuationsindices
• Kaufkraft allgemein
• Einzelhandelsrelevant
e Kaufkraft
• Kaufkraft nach
Produktgruppen
• Umsatzkennziffern
(Einzelhandel)
• Kaufkraftbindung
• Zentralitätsfaktor
• Status- oder
Einkommensklassen
der Haushalte
• Firmen-Adressen
• Unternehmen/Umsätze
nach Branchen
• Betriebe nach
Wirtschaftsbereichen
• Beschäftige
• Einpendler/Auspendler
• Branchenspezifische
Daten für
Telekommunikation,
Handel, Versicherung
(z.B. Naturrisiken,
Wetterdaten etc.)
• Lifestyledaten
• Zielgruppentypologien
• Zentralität &
Attraktivität von
Gewerbestandorten
• Regionaltyp
• Lagetyp
18

19. Zentrales Ergebnis von
Datenintegrität
19
• Schaffung einer
verlässlichen, konsistenten
und umfassenden 360° Sicht.
• Basis für eine Optimierung
der Kundenkommunikation
und servicerelevanter
Prozesse und damit der CX.
• Grundlage einer
kundenzentrierten
Unternehmensstrategie und
Kern der Digitalisierung.

20. Kundenbeispiele

21. Transformation Systemlandschaft (MDM)
21
Sicherstellung von Konsistenz, Qualität und Integrität
der (Stamm-) Daten zwischen allen beteiligten
Systemen und Erstellung von Golden Records.
Ausgangssituation
Eine Versicherung verwaltet Partner- und Adressdaten zentral in einer Host
basierten Anwendung.
Im Zuge eines großangelegten Programms zur Digitalen Transformation des
Unternehmens wird diese grundlegend transformiert und erneuert.
Ziel ist u.a. das Homogenisieren der Applikationslandschaft durch das Einführen
einer neuen Kernversicherungslösung (Adcubum Syrius). - Und zwar im laufenden
Betrieb!
Aufgabenstellung
Das bestehende, zentralistische MDM wird für einen kollaborativen Ansatz
geöffnet.
Konkret soll durch die Einführung eines Smart MDM die Fähigkeit aufgebaut
werden, Partner-Stammdaten dezentral in Fachanwendungen zu pflegen und
relevante Partner-Stammdaten an betroffene Fachanwendungen zu verteilen.
Kurzfristig können so die bestehenden Systeme und das neu hinzukommende
System parallel betrieben bzw. ohne Unterbrechung weiterbetrieben werden. Das
Smart MDM übernimmt die Sicherstellung der Konsistenz, Qualität und Integrität
der (Stamm-) Daten, synchronisiert diese mit der zentralen Host-Anwendung und
mit sämtlichen angeschlossenen Umsystemen und erstellt Golden Records.
Langfristig soll die in die Jahre gekommene Host-Anwendung
vollständig durch das neue Smart MDM ersetzt werden.
Versicherung

22. Wachstum & Potenzialerschließung
22

23. Weitere Informationen
23
https://event.on24.com/eventRegistration/EventLobbyServl
et?target=reg30.jsp&referrer=&eventid=3050349&sessionid
=1&key=396EB39C22A2763034C4DBBCEB7B2807&regTag
=&V2=false&sourcepage=register
https://www.precisely.com/blog/data-
integrity/what-is-data-integrity
https://www.precisely.com/blog/data-
integrity/building-trust-in-data-insights-from-
the-precisely-data-integrity-summit
22. April: Ein Webinar gemeinsam mit Kai Waehner von Confluent

24. 24
Whitepaper – Data Maturity
Kontaktieren Sie mich
Ralf Krämer
Senior Account Manager
Telefon: +49 162 2703611
Email: ralf.kraemer@precisely.com
LinkedIn: linkedin.com/in/ralf-krämer-48129416/

25. Precisely, der weltweit führende Anbieter von
Datenintegrität, ist der seit Mai 2020 neue
Unternehmensname, der durch die Übernahme des
Geschäftsbereichs Pitney Bowes Software & Data
durch Syncsort im Dezember 2019 entstand.
25
der Fortune 100 Unternehmen
90
100
Ländern
2,000
Mitarbeiter
Kunden
14,000
In mehr als