Uniserv GmbH

Uniserv GmbH

Rastatter Strasse 13
75179 Pforzheim
Tel.: +49 (0) 72 31/9 36 - 0
Fax: +49 (0) 72 31/9 36 - 25 00
E-Mail: [email protected]
Web: www.uniserv.com

Uniserv ist mit seinen Customer Data Management- und Data Quality-Lösungen Experte für das erfolgreiche Management von Geschäftspartnerdaten.

Gute Kundenkommunikation, aussagekräftige BI-Analysen, zuverlässige Identifizierung von Betrugsversuchen – für all das ist das professionelle Management von Geschäftspartnerdaten die grundlegende Voraussetzung. Die zertifizierten Uniserv-Produkte setzen genau hier an. Sie lösen die Problematik inkonsistenter Daten in SAP-Systemen. Durch die langjährige Expertise im SAP-Umfeld erfüllen wir Ihre individuellen Anforderungen mit erprobten Produkt- und Servicelösungen. Als NetWeaver- und HANA-zertifizierter SAP Software Partner bietet Uniserv Integrationen in SAP-Systeme an, die von Anfang an für konsistente Daten als Grundlage für eine 360-Grad-Sicht auf jeden einzelnen Geschäftspartner sorgen. Zusätzlich unterstützt der DQ Steward die Bereinigungsprozesse von Geschäftspartnerdaten in SAP und vereinfacht die Datenpflege. Das Caution- and Compliance Framework für SAP berücksichtigt die Anforderungen besonderer Compliance-Vorschriften wie Geldwäschegesetz und Terrorismusgesetze.


Dokumente

Uniserv Lösungen für die SAP Business Suite

Download als PDF

Uniserv unterstützt Unternehmen dabei, die besonderen Anforderungen eines effektiven Datamanagements in allen Phasen eines SAP-Projekts zu meistern. Daher ist es wichtig zu verstehen, um welche Herausforderungen es sich handelt und wie sie sich auf das Geschäft auswirken.

Lean Data Check for SAP

Download als PDF

Sind Ihre Daten fit für SAP S/4HANA? Können Sie Ihren Geschäftspartnerdaten wirklich vertrauen? Überprüfen Sie Ihre Daten.

Maschineller Lernerfolg

Download als PDF

Ziehen Sie den größtmöglichen Nutzen aus unstrukturierten und semistrukturierten Geschäftspartnerdaten.

Success Story: Compliance bei Volkswagen Financial Service

Download als PDF

Uniserv integrierte ein Caution and Compliance Framework (CCF) in die Zentrale Geschäftspartneranwendung im SAP-System. Die tatsächliche Zahl der Betrugsfälle konnte signifikant gesenkt werden.


Links



Videos

Data Driven Marketing - In 4 Schritten zu perfekten Kundendaten

Um das Beste aus Ihren Daten in SAP herauszuholen, müssen die Daten qualitativ hochwertig kanalübergreifend zur Verfügung stehen. In unserem Video zeigt Tom Ihnen, wie Sie das in 4 einfachen Schritten schnell und zuverlässig organisieren.


Digitale Transformation - Daten bestimmen unser Leben

Daten bestimmen unser Leben und das Wissen um Ihre Kunden wird zum Erfolgsfaktor. Begleiten Sie uns auf die spannende Reise ins Zeitalter der digitalen Transformation mit dem Ground Truth.


Branchen

Automobilindustrie
Banken
Beratung /Consulting
Chemie
Dienstleistungen
E-Commerce
Energiewirtschaft
Fertigungsindustrie
Finanzdienstleistungen
Gesundheitswesen, Medizintechnik, Forschungseinrichtungen
Handel, Großhandel, Genussmittel- und Konsumgüterindustrie
IT-Dienstleistung
Life Sciences
Marketing/Werbung/PR
Maschinen-/Anlagenbau
Medien
Medizin-/Pharmaindustrie
Öffentliche Verwaltung
Sport und Entertainment
Telekommunikation
Touristik
Transport- und Logistikdienstleister, Zoll- und Außenhandel
Versicherungen
Versorgungswirtschaft
Zoll & Außenhandel

Produkte

Add-Ons
Cloud Computing
Compliance
CRM (Customer Relationship Management)
ERP (Enterprise Resource Planning)
ERP und Business Suite
NetWeaver
Prozess- und IT-Beratung
Risikomanagement & Compliance
S/4 Hana
Web-Services

Dienstleistungen

(Internationale) Roll-Outs
Cloud-Services
Consulting, Planung, Services, Customizing, Wartung, Support
Customizing
Daten- und Technologieservice
Datenanalyse-/prüfung
Einführungsanalyse
Einführungsvorbereitung
Harmonisierung Stammdaten
Hochverfügbarkeit
Implementierungsservice
Integrations-, Implementierungsservice
Konzeption
Kunden-/Mitarbeiterschulungen
Managed Service (Entscheidungshilfen)
Migration von Altdaten, Harmonisierung Stammdaten
Neueinführungen
Organisation und Prozessberatung
Planung
Programmierung/Zusatzrealisierung
Projektleitung, Projektmanagement
Prototyp-Erstellung
Prozessdesign
Rechenzentrenoptimierung
Rechenzentrentransformation
Reviews und Compliance
Reviews/Qualitätssicherung
Services
Softwareentwicklung
Support
Systemanalyse, Systemharmonisierung, Systemrestrukturierung
Testinstallationen
Wartung
Web-Services


Autoren

Holger Stelz, Uniserv (3 Artikel)


Alle E-3 Artikel der Autoren:




1

KI rettet Kunden

Momentan setzen Unternehmen KI und Machine Learning (ML) zur vor allem Kundenbindung und für ein verbessertes Kundenerlebnis ein. Erwartungen wecken ML-basierte Churn-Prediction-Lösungen, die Kundenabwanderung verhindern sollen.

SAP wolle nach Aussage von Firmenchef McDermott der führende Anbieter von maschinellem Lernen im Firmenkundengeschäft werden. Das Unternehmen investiere daher stark in KI und hat mit dem Innovations-System Leonardo eine Grundlage für Anwendungen für maschinelles Lernen und Software für künstliche Intelligenz geschaffen. Sowohl anbieterseitig als auch auf der Nachfrageseite investieren Unternehmen zunehmend in KI und ihrem Teilgebiet, dem Machine Learning. 73 Prozent der Unternehmen erwarten sich vom Einsatz von KI-Technologien eine höhere Kundenzufriedenheit und 65 Prozent, dass sie so die Abwanderung von Kunden reduzieren können laut Beratungsunternehmen Capgemini. Prädestiniert sind ML-Lösungen in diesem Umfeld, um Abwanderungsprognosen zu ermitteln, auch Churn Prediction oder Customer Retention genannt. Mithilfe von Customer Retention können Kunden frühzeitig Identifiziert werden, die kurz davor stehen zum Wettbewerb […]

2

Die vier Musketiere der Datenqualität

Einer für alle, alle für einen – dieses Motto der vier Musketiere, es hat sich mittlerweile im allgemeinen Sprachgebrauch durchgesetzt, wenn es darum geht, deutlich zu machen, dass „Alleingänge“ nichts nützen und ein Erfolg sich nur einstellt, wenn mehrere Komponenten reibungslos ineinandergreifen. Das gilt auch für die Datenqualität.

Athos, Porthos, Aramis und D’Artagnan – so heißen die vier Musketiere in der Literatur und im Film. Auf den Bereich Datenqualität bezogen lauten ihre Namen Datenanalyse, Datenbereinigung, Datenschutz und Datenüberwachung. Datenanalyse: Status quo der Datenqualität Bevor Unternehmen sich überhaupt mit der Steigerung der im Unternehmen verfügbaren Kundendaten beschäftigen können, müssen sie sich zuerst einmal einen Überblick über den aktuellen Zustand ihrer Daten verschaffen. Für viele Unternehmen stellt dieser erste Schritt bereits eine große Herausforderung dar, denn in der Regel liegen die zu analysierenden Daten in unterschiedlichen, im gesamten Unternehmen verteilten Systemen.     Die wichtigste Aufgabe im Bereich der Datenanalyse ist es, verlässliche Aussagen zur Beschaffenheit und Qualität der Kundendaten zu treffen, selbst wenn es sich dabei um ein großes […]

3

Guter Lehrer für Mining-Algorithmen

Die Annahme, dass Prognosen nur so gut sein können wie die Daten, auf denen sie basieren, klingt plausibel. Im Rahmen einer Bachelorarbeit an der Hochschule der Medien (HdM) Stuttgart wurde dieser Zusammenhang nun erstmals empirisch untersucht und anhand einer konkreten Testreihe bestätigt.

Die Vergabe der Bachelorarbeit erfolgte im Rahmen der im Frühjahr vereinbarten Zusammenarbeit der HdM mit der Firma Uniserv aus Pforzheim, einem spezialisierten Anbieter von Lösungen für das Kundendatenmanagement. Der Autor der Arbeit, Paul Titze, Student am Fachbereich Information und Kommunikation des Studiengangs Wirtschaftsinformatik und digitale Medien an der HdM, überprüfte mithilfe verschiedener Testszenarien, in denen Datenanalysen mithilfe von Stammdaten verschiedener Qualität durchgeführt wurden, den Zusammenhang zwischen qualitativ hochwertigen Stammdaten und den Ergebnissen der Analyse via Supervised Machine Learning. Ergebnis: Vor allem beim Supervised Learning, bei dem die Stammdaten die Grundlage für das Lernen des Algorithmus bilden, konnten mit einer durch Stammdatenmanagement qualitativ hochwertig aufbereiteten Datengrundlage deutlich bessere Vorhersagen erzielt werden als beim Machine Learning mit einem unbehandelten Datenset.     […]