SlideShare ist ein Scribd-Unternehmen logo
Digitale Transformation
braucht starke und
verlässliche Daten
Wie Data Maturity die Customer Experience
steigern kann
Ralf Krämer, Senior Account Manager
Quelle IDC
$2.3 Trillion
Projected spend on digital transformation
in 2023
$1.3 Trillion
Spend on digital transformation
in 2020
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
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.
Wie sieht die Realität aus
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
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
Stufen der Data Maturity
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
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
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
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
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
Erkenntnisse
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.
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
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
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
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.
Kundenbeispiele
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
Wachstum & Potenzialerschließung
22
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
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/
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
Digitale Transformation Braucht Starke und Verlässliche Daten

Weitere ähnliche Inhalte

Was ist angesagt?

Folien2 spss watson roadshow_predictive
Folien2 spss watson roadshow_predictiveFolien2 spss watson roadshow_predictive
Folien2 spss watson roadshow_predictive
Clara Ogwuazor Mbamalu
 
Cognitive Quality Assurance
Cognitive Quality AssuranceCognitive Quality Assurance
Cognitive Quality Assurance
Capgemini
 
Produktdatenmanagement mit Neo4j - Andreas Weber, semantic pdm
Produktdatenmanagement mit Neo4j - Andreas Weber, semantic pdmProduktdatenmanagement mit Neo4j - Andreas Weber, semantic pdm
Produktdatenmanagement mit Neo4j - Andreas Weber, semantic pdm
Neo4j
 
Erfolgsfaktoren einer datengetriebenen Customer-Care-Optimierung
Erfolgsfaktoren einer datengetriebenen Customer-Care-OptimierungErfolgsfaktoren einer datengetriebenen Customer-Care-Optimierung
Erfolgsfaktoren einer datengetriebenen Customer-Care-Optimierung
inovex GmbH
 
Big Data - Die große Innovation?
Big Data - Die große Innovation?Big Data - Die große Innovation?
Big Data - Die große Innovation?
BARC GmbH
 
Ibm smarter buildings 032013 friedel jonker
Ibm smarter buildings 032013 friedel jonkerIbm smarter buildings 032013 friedel jonker
Ibm smarter buildings 032013 friedel jonker
Friedel Jonker
 
Data Governance Journey from UM to VF
Data Governance Journey from UM to VFData Governance Journey from UM to VF
Data Governance Journey from UM to VF
Marco Geuer
 
Data Governance – Lessons Learnt der Projektpraxis
Data Governance – Lessons Learnt der ProjektpraxisData Governance – Lessons Learnt der Projektpraxis
Data Governance – Lessons Learnt der Projektpraxis
accenture
 
Die Macht der Daten - CeBIT 2017
Die Macht der Daten - CeBIT 2017Die Macht der Daten - CeBIT 2017
Die Macht der Daten - CeBIT 2017
Detlev Sandel
 

Was ist angesagt? (10)

Folien2 spss watson roadshow_predictive
Folien2 spss watson roadshow_predictiveFolien2 spss watson roadshow_predictive
Folien2 spss watson roadshow_predictive
 
Cognitive Quality Assurance
Cognitive Quality AssuranceCognitive Quality Assurance
Cognitive Quality Assurance
 
Produktdatenmanagement mit Neo4j - Andreas Weber, semantic pdm
Produktdatenmanagement mit Neo4j - Andreas Weber, semantic pdmProduktdatenmanagement mit Neo4j - Andreas Weber, semantic pdm
Produktdatenmanagement mit Neo4j - Andreas Weber, semantic pdm
 
Erfolgsfaktoren einer datengetriebenen Customer-Care-Optimierung
Erfolgsfaktoren einer datengetriebenen Customer-Care-OptimierungErfolgsfaktoren einer datengetriebenen Customer-Care-Optimierung
Erfolgsfaktoren einer datengetriebenen Customer-Care-Optimierung
 
Big Data - Die große Innovation?
Big Data - Die große Innovation?Big Data - Die große Innovation?
Big Data - Die große Innovation?
 
Big Data - einfach erklärt!
Big Data - einfach erklärt!Big Data - einfach erklärt!
Big Data - einfach erklärt!
 
Ibm smarter buildings 032013 friedel jonker
Ibm smarter buildings 032013 friedel jonkerIbm smarter buildings 032013 friedel jonker
Ibm smarter buildings 032013 friedel jonker
 
Data Governance Journey from UM to VF
Data Governance Journey from UM to VFData Governance Journey from UM to VF
Data Governance Journey from UM to VF
 
Data Governance – Lessons Learnt der Projektpraxis
Data Governance – Lessons Learnt der ProjektpraxisData Governance – Lessons Learnt der Projektpraxis
Data Governance – Lessons Learnt der Projektpraxis
 
Die Macht der Daten - CeBIT 2017
Die Macht der Daten - CeBIT 2017Die Macht der Daten - CeBIT 2017
Die Macht der Daten - CeBIT 2017
 

Ähnlich wie Digitale Transformation Braucht Starke und Verlässliche Daten

Big data mc_05_2014_long
Big data mc_05_2014_longBig data mc_05_2014_long
Big data mc_05_2014_long
Axel Poestges
 
Verstehen Sie Ihre Kunden Meetup Köln 08.10.2018
Verstehen Sie Ihre Kunden Meetup Köln 08.10.2018Verstehen Sie Ihre Kunden Meetup Köln 08.10.2018
Verstehen Sie Ihre Kunden Meetup Köln 08.10.2018
Digital Analytics Institute
 
BARC Was Datenmanagement Messbar Dazu Beitragen Kann
BARC Was Datenmanagement Messbar Dazu Beitragen KannBARC Was Datenmanagement Messbar Dazu Beitragen Kann
BARC Was Datenmanagement Messbar Dazu Beitragen Kann
DataValueTalk
 
Verstehen Sie Ihre Kunden - Reife von Unternehmen
Verstehen Sie Ihre Kunden - Reife von UnternehmenVerstehen Sie Ihre Kunden - Reife von Unternehmen
Verstehen Sie Ihre Kunden - Reife von Unternehmen
Digital Analytics Institute
 
Michaela Heger & Marietheres Koch (e-dialog) Display & Video 360 - Programmat...
Michaela Heger & Marietheres Koch (e-dialog) Display & Video 360 - Programmat...Michaela Heger & Marietheres Koch (e-dialog) Display & Video 360 - Programmat...
Michaela Heger & Marietheres Koch (e-dialog) Display & Video 360 - Programmat...
e-dialog GmbH
 
Digital Data Insights 2018
Digital Data Insights 2018Digital Data Insights 2018
Digital Data Insights 2018
Jürgen Seitz
 
Werbeplanung.at SUMMIT 15 - Conversion Optimierung in Echtzeit - Andreas Berth
Werbeplanung.at SUMMIT 15 - Conversion Optimierung in Echtzeit - Andreas BerthWerbeplanung.at SUMMIT 15 - Conversion Optimierung in Echtzeit - Andreas Berth
Werbeplanung.at SUMMIT 15 - Conversion Optimierung in Echtzeit - Andreas Berth
Werbeplanung.at Summit
 
Adtelligence Best Practice Use Case Guide Customer Lifecycle Management mit KI
Adtelligence Best Practice Use Case Guide Customer Lifecycle Management mit KIAdtelligence Best Practice Use Case Guide Customer Lifecycle Management mit KI
Adtelligence Best Practice Use Case Guide Customer Lifecycle Management mit KI
ADTELLIGENCE GmbH
 
Erfolgsfaktoren von Datenprodukten
Erfolgsfaktoren von DatenproduktenErfolgsfaktoren von Datenprodukten
Erfolgsfaktoren von Datenprodukten
inovex GmbH
 
Google Analytics Konferenz 2019_Customer Data Platform_Timo von Focht (Comman...
Google Analytics Konferenz 2019_Customer Data Platform_Timo von Focht (Comman...Google Analytics Konferenz 2019_Customer Data Platform_Timo von Focht (Comman...
Google Analytics Konferenz 2019_Customer Data Platform_Timo von Focht (Comman...
e-dialog GmbH
 
Tante Emma Reloaded 2019
Tante Emma Reloaded 2019Tante Emma Reloaded 2019
Tante Emma Reloaded 2019
Peter Gentsch
 
Fujitsu Storage Days 2018 - Erfahrungsbericht crisp research
Fujitsu Storage Days 2018 - Erfahrungsbericht crisp researchFujitsu Storage Days 2018 - Erfahrungsbericht crisp research
Fujitsu Storage Days 2018 - Erfahrungsbericht crisp research
Fujitsu Central Europe
 
Digitale Transformation für KMU
Digitale Transformation für KMUDigitale Transformation für KMU
Digitale Transformation für KMU
Gernot Sauerborn
 
DE - Module 4 - Data as a business model driver
DE - Module 4 - Data as a business model driverDE - Module 4 - Data as a business model driver
DE - Module 4 - Data as a business model driver
caniceconsulting
 
intelliAd DSP - RTB real time bidding - user centered marketing
intelliAd DSP - RTB real time bidding - user centered marketingintelliAd DSP - RTB real time bidding - user centered marketing
intelliAd DSP - RTB real time bidding - user centered marketing
Mischa Rürup
 
Profondo Reply - Digital Business Consulting
Profondo Reply - Digital Business ConsultingProfondo Reply - Digital Business Consulting
Profondo Reply - Digital Business Consulting
Profondo Reply GmbH
 
Challenges of Managing a D2C Business
Challenges of Managing a D2C Business Challenges of Managing a D2C Business
Challenges of Managing a D2C Business
Moritz Koch
 
Inventx - Präsentation Innovationstag Digital Banking Liechtenstein 2015
Inventx - Präsentation Innovationstag Digital Banking Liechtenstein 2015Inventx - Präsentation Innovationstag Digital Banking Liechtenstein 2015
Inventx - Präsentation Innovationstag Digital Banking Liechtenstein 2015
Roman Dinkel
 
Big Data in Vertrieb und Marketing für eine klare Kundensicht
Big Data in Vertrieb und Marketing für eine klare KundensichtBig Data in Vertrieb und Marketing für eine klare Kundensicht
Big Data in Vertrieb und Marketing für eine klare Kundensicht
Michael Gisiger
 
Matthias Bettag, DAALA Berlin: Veränderungen digital analytics in 2013
Matthias Bettag, DAALA Berlin: Veränderungen digital analytics in 2013Matthias Bettag, DAALA Berlin: Veränderungen digital analytics in 2013
Matthias Bettag, DAALA Berlin: Veränderungen digital analytics in 2013
luna-park GmbH
 

Ähnlich wie Digitale Transformation Braucht Starke und Verlässliche Daten (20)

Big data mc_05_2014_long
Big data mc_05_2014_longBig data mc_05_2014_long
Big data mc_05_2014_long
 
Verstehen Sie Ihre Kunden Meetup Köln 08.10.2018
Verstehen Sie Ihre Kunden Meetup Köln 08.10.2018Verstehen Sie Ihre Kunden Meetup Köln 08.10.2018
Verstehen Sie Ihre Kunden Meetup Köln 08.10.2018
 
BARC Was Datenmanagement Messbar Dazu Beitragen Kann
BARC Was Datenmanagement Messbar Dazu Beitragen KannBARC Was Datenmanagement Messbar Dazu Beitragen Kann
BARC Was Datenmanagement Messbar Dazu Beitragen Kann
 
Verstehen Sie Ihre Kunden - Reife von Unternehmen
Verstehen Sie Ihre Kunden - Reife von UnternehmenVerstehen Sie Ihre Kunden - Reife von Unternehmen
Verstehen Sie Ihre Kunden - Reife von Unternehmen
 
Michaela Heger & Marietheres Koch (e-dialog) Display & Video 360 - Programmat...
Michaela Heger & Marietheres Koch (e-dialog) Display & Video 360 - Programmat...Michaela Heger & Marietheres Koch (e-dialog) Display & Video 360 - Programmat...
Michaela Heger & Marietheres Koch (e-dialog) Display & Video 360 - Programmat...
 
Digital Data Insights 2018
Digital Data Insights 2018Digital Data Insights 2018
Digital Data Insights 2018
 
Werbeplanung.at SUMMIT 15 - Conversion Optimierung in Echtzeit - Andreas Berth
Werbeplanung.at SUMMIT 15 - Conversion Optimierung in Echtzeit - Andreas BerthWerbeplanung.at SUMMIT 15 - Conversion Optimierung in Echtzeit - Andreas Berth
Werbeplanung.at SUMMIT 15 - Conversion Optimierung in Echtzeit - Andreas Berth
 
Adtelligence Best Practice Use Case Guide Customer Lifecycle Management mit KI
Adtelligence Best Practice Use Case Guide Customer Lifecycle Management mit KIAdtelligence Best Practice Use Case Guide Customer Lifecycle Management mit KI
Adtelligence Best Practice Use Case Guide Customer Lifecycle Management mit KI
 
Erfolgsfaktoren von Datenprodukten
Erfolgsfaktoren von DatenproduktenErfolgsfaktoren von Datenprodukten
Erfolgsfaktoren von Datenprodukten
 
Google Analytics Konferenz 2019_Customer Data Platform_Timo von Focht (Comman...
Google Analytics Konferenz 2019_Customer Data Platform_Timo von Focht (Comman...Google Analytics Konferenz 2019_Customer Data Platform_Timo von Focht (Comman...
Google Analytics Konferenz 2019_Customer Data Platform_Timo von Focht (Comman...
 
Tante Emma Reloaded 2019
Tante Emma Reloaded 2019Tante Emma Reloaded 2019
Tante Emma Reloaded 2019
 
Fujitsu Storage Days 2018 - Erfahrungsbericht crisp research
Fujitsu Storage Days 2018 - Erfahrungsbericht crisp researchFujitsu Storage Days 2018 - Erfahrungsbericht crisp research
Fujitsu Storage Days 2018 - Erfahrungsbericht crisp research
 
Digitale Transformation für KMU
Digitale Transformation für KMUDigitale Transformation für KMU
Digitale Transformation für KMU
 
DE - Module 4 - Data as a business model driver
DE - Module 4 - Data as a business model driverDE - Module 4 - Data as a business model driver
DE - Module 4 - Data as a business model driver
 
intelliAd DSP - RTB real time bidding - user centered marketing
intelliAd DSP - RTB real time bidding - user centered marketingintelliAd DSP - RTB real time bidding - user centered marketing
intelliAd DSP - RTB real time bidding - user centered marketing
 
Profondo Reply - Digital Business Consulting
Profondo Reply - Digital Business ConsultingProfondo Reply - Digital Business Consulting
Profondo Reply - Digital Business Consulting
 
Challenges of Managing a D2C Business
Challenges of Managing a D2C Business Challenges of Managing a D2C Business
Challenges of Managing a D2C Business
 
Inventx - Präsentation Innovationstag Digital Banking Liechtenstein 2015
Inventx - Präsentation Innovationstag Digital Banking Liechtenstein 2015Inventx - Präsentation Innovationstag Digital Banking Liechtenstein 2015
Inventx - Präsentation Innovationstag Digital Banking Liechtenstein 2015
 
Big Data in Vertrieb und Marketing für eine klare Kundensicht
Big Data in Vertrieb und Marketing für eine klare KundensichtBig Data in Vertrieb und Marketing für eine klare Kundensicht
Big Data in Vertrieb und Marketing für eine klare Kundensicht
 
Matthias Bettag, DAALA Berlin: Veränderungen digital analytics in 2013
Matthias Bettag, DAALA Berlin: Veränderungen digital analytics in 2013Matthias Bettag, DAALA Berlin: Veränderungen digital analytics in 2013
Matthias Bettag, DAALA Berlin: Veränderungen digital analytics in 2013
 

Mehr von Precisely

Best Practices for Preventing and Recovering from Ransomware
Best Practices for Preventing and Recovering from RansomwareBest Practices for Preventing and Recovering from Ransomware
Best Practices for Preventing and Recovering from Ransomware
Precisely
 
Automatisierte Prozesse für SAP Kundenstammdaten.pdf
Automatisierte Prozesse für SAP Kundenstammdaten.pdfAutomatisierte Prozesse für SAP Kundenstammdaten.pdf
Automatisierte Prozesse für SAP Kundenstammdaten.pdf
Precisely
 
Automate Studio Training: Easy Loop Creation for Greater Efficiency.pdf
Automate Studio Training: Easy Loop Creation for Greater Efficiency.pdfAutomate Studio Training: Easy Loop Creation for Greater Efficiency.pdf
Automate Studio Training: Easy Loop Creation for Greater Efficiency.pdf
Precisely
 
Making Your Data and AI Ready for Business Transformation.pdf
Making Your Data and AI Ready for Business Transformation.pdfMaking Your Data and AI Ready for Business Transformation.pdf
Making Your Data and AI Ready for Business Transformation.pdf
Precisely
 
Getting a Deeper Look at Your IBM® Z and IBM i Data in ServiceNow
Getting a Deeper Look at Your IBM® Z and IBM i Data in ServiceNowGetting a Deeper Look at Your IBM® Z and IBM i Data in ServiceNow
Getting a Deeper Look at Your IBM® Z and IBM i Data in ServiceNow
Precisely
 
Predictive Powerhouse - Elevating AI ML Accuracy and Relevance with Third-Par...
Predictive Powerhouse - Elevating AI ML Accuracy and Relevance with Third-Par...Predictive Powerhouse - Elevating AI ML Accuracy and Relevance with Third-Par...
Predictive Powerhouse - Elevating AI ML Accuracy and Relevance with Third-Par...
Precisely
 
Predictive Powerhouse: Elevating AI Accuracy and Relevance with Third-Party Data
Predictive Powerhouse: Elevating AI Accuracy and Relevance with Third-Party DataPredictive Powerhouse: Elevating AI Accuracy and Relevance with Third-Party Data
Predictive Powerhouse: Elevating AI Accuracy and Relevance with Third-Party Data
Precisely
 
Predictive Powerhouse: Elevating AI Accuracy and Relevance with Third-Party Data
Predictive Powerhouse: Elevating AI Accuracy and Relevance with Third-Party DataPredictive Powerhouse: Elevating AI Accuracy and Relevance with Third-Party Data
Predictive Powerhouse: Elevating AI Accuracy and Relevance with Third-Party Data
Precisely
 
Digital Banking in the Cloud: How Citizens Bank Unlocked Their Mainframe
Digital Banking in the Cloud: How Citizens Bank Unlocked Their MainframeDigital Banking in the Cloud: How Citizens Bank Unlocked Their Mainframe
Digital Banking in the Cloud: How Citizens Bank Unlocked Their Mainframe
Precisely
 
信頼できるデータでESGイニシアチブを成功に導く方法.pdf How to drive success with ESG initiatives with...
信頼できるデータでESGイニシアチブを成功に導く方法.pdf How to drive success with ESG initiatives with...信頼できるデータでESGイニシアチブを成功に導く方法.pdf How to drive success with ESG initiatives with...
信頼できるデータでESGイニシアチブを成功に導く方法.pdf How to drive success with ESG initiatives with...
Precisely
 
AI-Ready Data - The Key to Transforming Projects into Production.pptx
AI-Ready Data - The Key to Transforming Projects into Production.pptxAI-Ready Data - The Key to Transforming Projects into Production.pptx
AI-Ready Data - The Key to Transforming Projects into Production.pptx
Precisely
 
Building a Multi-Layered Defense for Your IBM i Security
Building a Multi-Layered Defense for Your IBM i SecurityBuilding a Multi-Layered Defense for Your IBM i Security
Building a Multi-Layered Defense for Your IBM i Security
Precisely
 
Optimierte Daten und Prozesse mit KI / ML + SAP Fiori.pdf
Optimierte Daten und Prozesse mit KI / ML + SAP Fiori.pdfOptimierte Daten und Prozesse mit KI / ML + SAP Fiori.pdf
Optimierte Daten und Prozesse mit KI / ML + SAP Fiori.pdf
Precisely
 
Chaining, Looping, and Long Text for Script Development and Automation.pdf
Chaining, Looping, and Long Text for Script Development and Automation.pdfChaining, Looping, and Long Text for Script Development and Automation.pdf
Chaining, Looping, and Long Text for Script Development and Automation.pdf
Precisely
 
Revolutionizing SAP® Processes with Automation and Artificial Intelligence
Revolutionizing SAP® Processes with Automation and Artificial IntelligenceRevolutionizing SAP® Processes with Automation and Artificial Intelligence
Revolutionizing SAP® Processes with Automation and Artificial Intelligence
Precisely
 
Navigating the Cloud: Best Practices for Successful Migration
Navigating the Cloud: Best Practices for Successful MigrationNavigating the Cloud: Best Practices for Successful Migration
Navigating the Cloud: Best Practices for Successful Migration
Precisely
 
Unlocking the Power of Your IBM i and Z Security Data with Google Chronicle
Unlocking the Power of Your IBM i and Z Security Data with Google ChronicleUnlocking the Power of Your IBM i and Z Security Data with Google Chronicle
Unlocking the Power of Your IBM i and Z Security Data with Google Chronicle
Precisely
 
How to Build Data Governance Programs That Last - A Business-First Approach.pdf
How to Build Data Governance Programs That Last - A Business-First Approach.pdfHow to Build Data Governance Programs That Last - A Business-First Approach.pdf
How to Build Data Governance Programs That Last - A Business-First Approach.pdf
Precisely
 
Zukuntssichere SAP Prozesse dank automatisierter Massendaten
Zukuntssichere SAP Prozesse dank automatisierter MassendatenZukuntssichere SAP Prozesse dank automatisierter Massendaten
Zukuntssichere SAP Prozesse dank automatisierter Massendaten
Precisely
 
Unlocking the Potential of the Cloud for IBM Power Systems
Unlocking the Potential of the Cloud for IBM Power SystemsUnlocking the Potential of the Cloud for IBM Power Systems
Unlocking the Potential of the Cloud for IBM Power Systems
Precisely
 

Mehr von Precisely (20)

Best Practices for Preventing and Recovering from Ransomware
Best Practices for Preventing and Recovering from RansomwareBest Practices for Preventing and Recovering from Ransomware
Best Practices for Preventing and Recovering from Ransomware
 
Automatisierte Prozesse für SAP Kundenstammdaten.pdf
Automatisierte Prozesse für SAP Kundenstammdaten.pdfAutomatisierte Prozesse für SAP Kundenstammdaten.pdf
Automatisierte Prozesse für SAP Kundenstammdaten.pdf
 
Automate Studio Training: Easy Loop Creation for Greater Efficiency.pdf
Automate Studio Training: Easy Loop Creation for Greater Efficiency.pdfAutomate Studio Training: Easy Loop Creation for Greater Efficiency.pdf
Automate Studio Training: Easy Loop Creation for Greater Efficiency.pdf
 
Making Your Data and AI Ready for Business Transformation.pdf
Making Your Data and AI Ready for Business Transformation.pdfMaking Your Data and AI Ready for Business Transformation.pdf
Making Your Data and AI Ready for Business Transformation.pdf
 
Getting a Deeper Look at Your IBM® Z and IBM i Data in ServiceNow
Getting a Deeper Look at Your IBM® Z and IBM i Data in ServiceNowGetting a Deeper Look at Your IBM® Z and IBM i Data in ServiceNow
Getting a Deeper Look at Your IBM® Z and IBM i Data in ServiceNow
 
Predictive Powerhouse - Elevating AI ML Accuracy and Relevance with Third-Par...
Predictive Powerhouse - Elevating AI ML Accuracy and Relevance with Third-Par...Predictive Powerhouse - Elevating AI ML Accuracy and Relevance with Third-Par...
Predictive Powerhouse - Elevating AI ML Accuracy and Relevance with Third-Par...
 
Predictive Powerhouse: Elevating AI Accuracy and Relevance with Third-Party Data
Predictive Powerhouse: Elevating AI Accuracy and Relevance with Third-Party DataPredictive Powerhouse: Elevating AI Accuracy and Relevance with Third-Party Data
Predictive Powerhouse: Elevating AI Accuracy and Relevance with Third-Party Data
 
Predictive Powerhouse: Elevating AI Accuracy and Relevance with Third-Party Data
Predictive Powerhouse: Elevating AI Accuracy and Relevance with Third-Party DataPredictive Powerhouse: Elevating AI Accuracy and Relevance with Third-Party Data
Predictive Powerhouse: Elevating AI Accuracy and Relevance with Third-Party Data
 
Digital Banking in the Cloud: How Citizens Bank Unlocked Their Mainframe
Digital Banking in the Cloud: How Citizens Bank Unlocked Their MainframeDigital Banking in the Cloud: How Citizens Bank Unlocked Their Mainframe
Digital Banking in the Cloud: How Citizens Bank Unlocked Their Mainframe
 
信頼できるデータでESGイニシアチブを成功に導く方法.pdf How to drive success with ESG initiatives with...
信頼できるデータでESGイニシアチブを成功に導く方法.pdf How to drive success with ESG initiatives with...信頼できるデータでESGイニシアチブを成功に導く方法.pdf How to drive success with ESG initiatives with...
信頼できるデータでESGイニシアチブを成功に導く方法.pdf How to drive success with ESG initiatives with...
 
AI-Ready Data - The Key to Transforming Projects into Production.pptx
AI-Ready Data - The Key to Transforming Projects into Production.pptxAI-Ready Data - The Key to Transforming Projects into Production.pptx
AI-Ready Data - The Key to Transforming Projects into Production.pptx
 
Building a Multi-Layered Defense for Your IBM i Security
Building a Multi-Layered Defense for Your IBM i SecurityBuilding a Multi-Layered Defense for Your IBM i Security
Building a Multi-Layered Defense for Your IBM i Security
 
Optimierte Daten und Prozesse mit KI / ML + SAP Fiori.pdf
Optimierte Daten und Prozesse mit KI / ML + SAP Fiori.pdfOptimierte Daten und Prozesse mit KI / ML + SAP Fiori.pdf
Optimierte Daten und Prozesse mit KI / ML + SAP Fiori.pdf
 
Chaining, Looping, and Long Text for Script Development and Automation.pdf
Chaining, Looping, and Long Text for Script Development and Automation.pdfChaining, Looping, and Long Text for Script Development and Automation.pdf
Chaining, Looping, and Long Text for Script Development and Automation.pdf
 
Revolutionizing SAP® Processes with Automation and Artificial Intelligence
Revolutionizing SAP® Processes with Automation and Artificial IntelligenceRevolutionizing SAP® Processes with Automation and Artificial Intelligence
Revolutionizing SAP® Processes with Automation and Artificial Intelligence
 
Navigating the Cloud: Best Practices for Successful Migration
Navigating the Cloud: Best Practices for Successful MigrationNavigating the Cloud: Best Practices for Successful Migration
Navigating the Cloud: Best Practices for Successful Migration
 
Unlocking the Power of Your IBM i and Z Security Data with Google Chronicle
Unlocking the Power of Your IBM i and Z Security Data with Google ChronicleUnlocking the Power of Your IBM i and Z Security Data with Google Chronicle
Unlocking the Power of Your IBM i and Z Security Data with Google Chronicle
 
How to Build Data Governance Programs That Last - A Business-First Approach.pdf
How to Build Data Governance Programs That Last - A Business-First Approach.pdfHow to Build Data Governance Programs That Last - A Business-First Approach.pdf
How to Build Data Governance Programs That Last - A Business-First Approach.pdf
 
Zukuntssichere SAP Prozesse dank automatisierter Massendaten
Zukuntssichere SAP Prozesse dank automatisierter MassendatenZukuntssichere SAP Prozesse dank automatisierter Massendaten
Zukuntssichere SAP Prozesse dank automatisierter Massendaten
 
Unlocking the Potential of the Cloud for IBM Power Systems
Unlocking the Potential of the Cloud for IBM Power SystemsUnlocking the Potential of the Cloud for IBM Power Systems
Unlocking the Potential of the Cloud for IBM Power Systems
 

Digitale Transformation Braucht Starke und Verlässliche Daten

  • 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
  • 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.
  • 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
  • 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

Hinweis der Redaktion

  1. And you can certainly find any number of articles and surveys in the press, or analyst reports, that dig into this issue of data integrity. Here you see just a few stats from Forbes, the Harvard Business Review, and Precisely’s own Data Trends Survey. When two-thirds of organizations say siloed data negatively impacts their data initiatives and almost half of newly created data records have at least one critical error, it is no wonder that 84% of CEOs doubt the integrity of the data on which they make decisions!