[Projekte](https://meeva.de/projekte)/CRM Modernisierung als Grundlage für den Börsengang 2010CRM & IPO READINESS # CRM Modernisierung als Grundlage für den Börsengang Ein wachsendes Unternehmen mit über 2.000 Mitarbeitenden bereitete seinen Börsengang vor. Das bestehende CRM System, eine Eigenentwicklung aus den frühen 2000er Jahren, erfüllte weder die Reporting Anforderungen der Wirtschaftsprüfer noch die Skalierungsbedürfnisse des Vertriebs. Wir haben das CRM grundlegend modernisiert, ein lückenloses Reporting und Data Warehouse aufgebaut und die Datenqualität auf ein Niveau gebracht, das den Anforderungen einer Due Diligence standhielt. ## AUSGANGSLAGE Das CRM war als interne Webanwendung in den frühen 2000er Jahren entstanden und über die Jahre organisch gewachsen. Vertriebsdaten lagen teilweise im CRM, teilweise in Excel Tabellen und teilweise nur in E-Mail Postfächern. Duplikate in den Kundenstammdaten waren die Regel, nicht die Ausnahme. Das Management konnte keine belastbaren Umsatzprognosen erstellen, weil die Datenqualität dies nicht erlaubte. Für den anstehenden Börsengang forderten die Wirtschaftsprüfer ein revisionssicheres Reporting, das auf dem bestehenden System nicht realisierbar war. ## ZIELE - Revisionssicheres Reporting für Wirtschaftsprüfer und Due Diligence - Bereinigung und Deduplizierung der Kundenstammdaten (über 500.000 Datensätze) - Aufbau eines Data Warehouse für Management Reporting und Umsatzprognosen - Modernisierung der CRM Oberfläche für den Vertrieb (Akzeptanz und Effizienz) - Automatisierte Datensynchronisation zwischen CRM, ERP und Finanzbuchhaltung ## LÖSUNG ### Architektur Das bestehende CRM wurde in einer Zwischenschicht gekapselt, die als Adapter zwischen alter Datenhaltung und neuer Geschäftslogik fungierte. Neue Module wurden auf einem modernen Application Server implementiert und schrittweise eingeführt. Ein dediziertes Data Warehouse aggregiert Daten aus CRM, ERP und Finanzbuchhaltung und stellt sie über eine BI Schicht für Reporting zur Verfügung. ### Datenfluss ETL Prozesse extrahieren nächtlich Daten aus allen Quellsystemen, transformieren sie gemäß eines einheitlichen Datenmodells und laden sie in das Data Warehouse. Tägliche Datenqualitäts Checks identifizieren Anomalien und Inkonsistenzen. Die BI Schicht stellt vorgefertigte Reports und Ad-hoc Analysen für verschiedene Nutzergruppen bereit. Vertriebsdaten aus dem CRM werden in Echtzeit an das ERP synchronisiert. ### Sicherheit Revisionssichere Audit Trails dokumentieren jede Änderung an Kundenstammdaten und Vertriebschancen. Rollenbasierte Zugriffssteuerung stellt sicher, dass Vertriebsmitarbeiter nur ihre eigenen Kunden sehen. Sensible Finanzdaten im Data Warehouse sind zusätzlich verschlüsselt. Alle Reporting Exporte werden protokolliert und versioniert. ### Betrieb Die ETL Prozesse laufen als geplante Jobs mit Fehler Monitoring und automatischer Benachrichtigung bei Anomalien. Das Data Warehouse wird täglich inkrementell aktualisiert, mit vollständigen Refreshes am Wochenende. Datenbankwartung und Indexoptimierung erfolgen automatisiert. Ein Datenqualitäts Dashboard zeigt dem Management den aktuellen Stand der Datenbereinigung. ## AI UND DATEN Ein regelbasiertes Matching System identifizierte und konsolidierte Duplikate in den Kundenstammdaten. Fuzzy Matching Algorithmen erkannten auch ähnliche, aber nicht identische Einträge und präsentierten sie zur manuellen Prüfung. Statistische Modelle auf dem Data Warehouse ermöglichten erstmals belastbare Umsatzprognosen auf Basis historischer Vertriebsdaten. Diese Prognosen waren ein zentrales Element der Investorenkommunikation im Rahmen des Börsengangs. ## HERAUSFORDERUNGEN Die Datenqualität im Bestand war deutlich schlechter als erwartet. Über 30% der Kundendatensätze enthielten Duplikate oder inkonsistente Informationen. Die Anforderungen der Wirtschaftsprüfer an die Revisionssicherheit waren strenger als typische Software Anforderungen und erforderten ein Umdenken bei der Datenhaltung. Der Vertrieb war an die alte Oberfläche gewöhnt und stand Veränderungen skeptisch gegenüber. Change Management war mindestens so aufwendig wie die technische Umsetzung. Die Synchronisation zwischen CRM und ERP musste bidirektional funktionieren, wobei beide Systeme unterschiedliche Datenmodelle und Validierungsregeln hatten. ## UMSETZUNG Drei Entwickler, ein DBA/ETL Spezialist und ein Business Analyst. Kundenseitig waren der Vertriebsleiter, ein Controller und ein Vertreter der Wirtschaftsprüfung als Anforderungsgeber eingebunden. 8 Monate von Projektstart bis IPO Readiness Zertifizierung PHASE 1 ### Datenanalyse und Bereinigung Bestandsaufnahme der Datenqualität, Entwicklung der Deduplizierungslogik, erste Bereinigungswelle mit manueller Qualitätskontrolle. PHASE 2 ### Data Warehouse und Reporting ETL Entwicklung, Datenmodellierung, Aufbau der BI Schicht mit Standardreports für Management und Wirtschaftsprüfer. PHASE 3 ### CRM Modernisierung Neue Vertriebsoberfläche, automatische Datensynchronisation mit ERP, Audit Trail Implementierung. PHASE 4 ### IPO Readiness Endvalidierung mit Wirtschaftsprüfern, Performance Optimierung der Reports, Schulungen und Dokumentation für das IPO Booklet. ## ERGEBNISSE Datenqualität Kundenstamm ~65% \>98% Duplikate bereinigt ~160.000 Datensätze Reporting Erstellung 3-5 Werktage (manuell) <5 Minuten (automatisiert) Umsatzprognose Genauigkeit ± 25% ± 7% Audit Konformität 100% (Wirtschaftsprüfer Zertifizierung) Vertriebsakzeptanz 89% Zufriedenheit nach 3 Monaten ## TECH STACK JavaSpring FrameworkOracle DBPL/SQLInformaticaBusiness ObjectsjQueryApache TomcatSVNJenkinsJUnitSelenium ## MEINE ROLLE Technische Architektur und Projektleitung. Entwurf der Modernisierungsstrategie mit Kapselungsschicht, um Risiken für den laufenden Betrieb zu minimieren. Direkte Mitarbeit am Data Warehouse und der ETL Entwicklung. Schnittstelle zu den Wirtschaftsprüfern für die technische Dokumentation der Revisionssicherheit. Verantwortung für die termingerechte Lieferung im Rahmen des IPO Zeitplans. ## LESSONS LEARNED 1. 01 Datenqualität ist kein technisches Problem, sondern ein organisatorisches. Ohne klare Verantwortlichkeiten und Prozesse für Datenpflege verfällt die Qualität nach der Bereinigung schnell wieder. 2. 02 Revisionssichere Systeme erfordern eine andere Denkweise als klassische Softwareentwicklung. Löschen und Überschreiben sind keine Optionen, jede Änderung muss nachvollziehbar sein. 3. 03 Change Management im Vertrieb braucht Champions: Einzelne Vertriebsmitarbeiter, die das neue System früh adoptieren und ihre Kollegen überzeugen. Top-Down Anordnungen funktionieren nicht. 4. 04 ETL Entwicklung wird chronisch unterschätzt. Die Transformation und Bereinigung von Daten aus gewachsenen Systemen ist zeitintensiver als die Entwicklung der eigentlichen Anwendung. [VORHERIGES PROJEKTVon 100.000 auf Millionen: Re-Architektur einer Foto Community](https://meeva.de/projekte/foto-community) [← ALLE PROJEKTE](https://meeva.de/projekte) NÄCHSTER SCHRITT ## Ähnliche Herausforderung? Erzähl uns von deinem Projekt. Wir melden uns innerhalb von 24 Stunden mit einer ersten Einschätzung. [PROJEKT ANFRAGEN](https://meeva.de/kontakt?topic=build)