Ein Marathon: Datenqualität bei PUMA – Vorbild?

Ein Lob vorweg. Datenqualität bei PUMA mit eigenem Tool: PUMA verfolgt einen innovativen und pragmatischen Data Governance-Ansatz, der auf Agilität, Automatisierung und Integration moderner Tools setzt, um Geschäftsdaten sicher und effizient zu verwalten.

Eine hohe Adress- und Datenqualität ist mit Standardwerkzeugen nicht zu erreichen. Das kann ich gut nachvollziehen: Das selbst entwickelte Workflow- und Datenmanagement-Tool ARGOS und die Zusammenarbeit mit einem Dienstleister ermöglichen es PUMA, Datenqualität und Compliance weltweit sicherzustellen.

Der Fokus liegt dabei auf einer ausgewogenen Global-Local-Governance-Strategie, die flexible Anpassungen ermöglicht, sowie auf einem schrittweisen, langfristigen Qualitätsverbesserungsprozess.

Denn Adress- und Datenqualität ist KEIN Kostenfaktor,
sondern ein Wertschöpfungsfaktor – und eine vertrauensbildende Maßnahme.

Die 5 wichtigsten Aspekte zum Thema Datenqualität bei PUMA mit eigenem Tool:

1. Pragmatischer Ansatz – der Marathon:
   • PUMA setzt auf eine schrittweise Datenbereinigung und verbessert die Datenqualität mit jeder Interaktion, anstatt sofortige Perfektion anzustreben.
2. Automatisierung und Effizienz:
   • ARGOS automatisiert Datenvalidierungs- und Standardprozesse, reduziert manuelle Eingriffe und vermeidet Dubletten.
3. Integration von Diensten und Dienstleistern:
   • PUMA nutzt einen Dienstleister für Echtzeit-Datenvalidierung, Betrugserkennung und die Sicherstellung einer hohen Datenqualität, angepasst an die unternehmensspezifischen Anforderungen.
4. Globale und lokale Governance:
   • Durch eine “Layer Cake”-Architektur erreicht PUMA eine Balance zwischen globalen Standards und regionaler Anpassungsfähigkeit, um lokale Besonderheiten zu berücksichtigen.
   • Gerade für global agierende Unternehmen ist die “kontrollierte Mischung von zentralen und lokalen Maßnahmen bzw. Qualitätsstrategien” so wichtig.
5. Langfristige Datenqualität:
   • PUMA betrachtet Data Governance als einen kontinuierlichen Prozess, bei dem Automatisierung und intelligente Werkzeuge zu einer schrittweisen und nachhaltigen Verbesserung der Datenintegrität beitragen.

Tipp: Was vielleicht noch fehlt (wir wissen es (noch) nicht, weil niemand gerne darüber redet)

Die Verankerung aller Maßnahmen und Ziele im Steuerungs- und Managementsystem.

Ist PUMA anders als die meisten Unternehmen? Vielleicht!

Datenqualität bei PUMA mit eigenem Tool: PUMA verfolgt im Bereich Data Governance einen pragmatischen und agilen Ansatz, der sich durch folgende Besonderheiten auszeichnet:

1. Eigenentwicklung von Tools:
   • Mit ARGOS hat PUMA ein eigenes Workflow- und Datenmanagement-Tool entwickelt, das speziell auf die Bedürfnisse des Unternehmens zugeschnitten ist.
   • Mit diesem Tool können Datenprozesse effizient automatisiert und manuelle Eingriffe reduziert werden.
   • Jede Zielgruppe, jedes Geschäftsmodell ist anders. Deshalb ist Standard Gift für die Qualität.
2. Integration externer Dienstleistungen:
   • Durch die Zusammenarbeit mit CDQ integriert PUMA externe Datenqualitätsdienste in seine Systeme.
   • Dazu gehören Funktionen wie Steuer-ID-Prüfung, Bankdatenvalidierung und Dublettenprüfung, die zur Sicherstellung der Datenintegrität beitragen.
   • Auch, wenn man viel selbst entwickelt, gibt es Tools, die einem da sLeben leichter machen.
3. Balance zwischen globaler und lokaler Governance:
   • PUMA setzt auf eine “Layer Cake”-Architektur, die es ermöglicht, globale Datenstandards zu definieren und gleichzeitig regionale Anpassungen vorzunehmen.
   • Dies gewährleistet Flexibilität und Effizienz in unterschiedlichen Märkten.
   • Ob Sprachen oder unterschiedliche Zeichensätze, ob Postleitzahlen vor- oder nachgestellt, es gibt international so viele Besonderheiten, die einen Standardweg nicht zulassen.
4. Schrittweise Verbesserung der Datenqualität:
   • Anstatt eine sofortige vollständige Datenbereinigung anzustreben, verfolgt PUMA einen iterativen Ansatz.
   • Mit jeder Interaktion wird die Datenqualität verbessert, was zu einer kontinuierlichen und nachhaltigen Optimierung führt.
   • Es macht keinen Sinn, von Anfang an 100% zu erreichen. Auch 100% anzustreben macht keinen Sinn. Deshalb ist diese schrittweise Entwicklung der richtige Weg.

Fazit zu: Datenqualität bei PUMA mit eigenem Tool

Mit diesen Strategien unterscheidet sich PUMA von anderen Unternehmen, die stärker auf standardisierte Lösungen setzen oder weniger flexibel im Datenmanagement sind.

Standard ist meist Durchschnitt, und damit Gift für hohe Ansprüche.

Text-Quelle: CDQ; Bild-Quelle: www.Puma.com