ERP & KI-READINESS
OUTCOME
TYPICAL DERIVABLES
Wann Kunden zu uns kommen
KPIs sind je Bereich unterschiedlich
Zahlen passen nicht zusammen
Stammdatenqualität bremst Prozesse
Dubletten, fehlende Felder, Korrekturen
Forecast- und Margendruck
Transparenz über Kosten und Working Capital fehlt
Wachstum/M&A
Mehrere Systeme, uneinheitliche KPI-Logik
Self-Service BI
scheitert an Standards und Governance
KI-Initiativen starten
Daten sind nicht zugreifbar/verlässlich
Audit-/Compliance-Druck
Nachvollziehbarkeit, Data Lineage, Berechtigungen
Typisch enthalten
End-to-end
KPI-Definitionen, Datenmodell- und Datenfluss-Design
Single Source of Truth
Aufbau eines konsistenten Reporting-/Semantic-Layers
Datenqualitätsregeln, Verantwortlichkeiten (RACI) und Governance-Setup
Integrations- und Transformationslogik
im Kundentenant / Kundensystemen
Dokumentation und Enablement
für Betrieb und Weiterentwicklung
Priorisierung
via Roadmap/Backlog (Use Cases & Quellen)
Explizit nicht enthalten*
*(außer separat beauftragt)
Data-Science-/Model-Building als Hauptleistung
Hosting/Betrieb eigener Datenplattformen außerhalb des Kundentenants
Vollumfängliche Datenbereinigung „per Hand“ ohne DQ-Prozess
Unbegrenzte Quellensystem-Anbindungen ohne priorisierten Backlog
TYPISCHE TIMEBOXES
ASSESSMENT
1-2 Wochen
UMSETZUNGS-SPRINT
4-6 Wochen
HYPERCARE
2 Wochen
TYPICAL DELIVERABLES
Data Assessment + Zielbild
Architektur, Datenflüsse, Prioritäten
Power BI Semantic Model
Single-Source-of-Truth-Schicht (stackabhängig)
KPI-/Metric-Katalog
inkl. Definitionen, Ownern und Berechnungslogik
Governance-Paket
Rollen, Prozesse, Standards + technische Doku
Canonical Data Model / Domänenmodell + Datenqualitätsregeln
inkl. Definitionen, Ownern und Berechnungslogik
Roadmap/Backlog für Ausbau
Use-Case- und Quellen-Priorisierung