Mission ControlIhr Projekt live mitverfolgen, vom Kickoff bis zur Übergabe Meine CrewIhre Rollen je Projekt0 WarenkorbIhre Auswahl, die Checkliste und der Weg zur Kasse0 AnmeldenMit Ihrem Zugangscode zu Aufträgen und gespeicherten Plänen

Vorab gerechnet

Datenbestands-Putzkolonne

Dubletten, Karteileichen und Tippfehler in Kunden- und Artikelstammdaten finden und mit Beleg zusammenführen. Wir möchten das als internen Prototyp für unser Unternehmen umsetzen.

Gerechnet am 11.09.2026 um 22:18 Uhr

Ihr erster Prototyp · Festpreis netto
5.030 €
Prototyp Aufwand 42 / 100 · ca. 5 Wochen

So haben wir Sie verstanden

Interner Prototyp zur Erkennung und beleggestützten Zusammenführung von Dubletten in Kunden- und Artikelstammdaten.

Was der Prototyp enthält

Dublettenerkennung für Kundenstammdaten mit Regelbasis, bei unklaren Fällen mit KI-Bewertung und manueller Zusammenführung inkl. Protokoll.

Aufwands-Meter — 100 heißt maximaler Aufwand und maximaler Preis, keine Note.

Eine Datenquelle, aber Matching-Logik und Zusammenführungs-Workflow mit Nachvollziehbarkeit erfordern spürbaren Aufwand

Danach: Vollausbau

Vollausbau ab 55.000 € · indikativ bis 71.500 € · 5 Wochen · Team aus 3

Komponenten

  • Datenanbindung & Analyse Bestand4,25 PT
  • Dublettenerkennung (Regeln/Fuzzy-Matching)5,5 PT
  • Zusammenführungs-UI mit Beleg/Historie4,75 PT
  • Review-Workflow & Protokollierung3,25 PT
  • Test & Abnahme2,25 PT

Besetzung

  • Senior Developer (Senior .NET-Entwickler)
  • Lead Developer (Lead .NET-Entwickler)
  • Inventive Engineer (Architektur)

Annahmen hinter dem Preis

  • Zugriff auf bestehende SQL-Server-Datenbank ist gegeben
  • Zunächst nur Kundenstammdaten, Artikelstammdaten folgen später
  • Zusammenführung erfolgt manuell mit Vorschlag durch das System, nicht vollautomatisch

Was wir zu Beginn klären

  • Wie viele Datensätze und wie viele Systeme/Tabellen sind betroffen?
  • Gibt es bereits definierte Ähnlichkeits-/Match-Regeln oder Toleranzen?

Der Fahrplan — was in welcher Woche fertig ist

0
0
0
zu spät im Plan
0
  1. Woche 1 Kickoff Abstimmung, Zugänge, Feinschnitt des Umfangs
  2. Woche 2 Datenanbindung & Analyse Bestand 4,25 PT
  3. Woche 3 Dublettenerkennung (Regeln/Fuzzy-Matching) 5,5 PT
  4. Woche 4 Zusammenführungs-UI mit Beleg/Historie 4,75 PT
  5. Woche 4 Review-Workflow & Protokollierung 3,25 PT
  6. Woche 4 Test & Abnahme 2,25 PT
  7. Woche 5 Abnahme Übergabe nach Abnahme und Restzahlung

Verstärkung: Köpfe auf Abschnitte legen

  • 1 Woche früher, Abnahme in Woche 4 statt 5: „Datenanbindung & Analyse Bestand“ +1 Senior Developer (Senior .NET-Entwickler), „Dublettenerkennung (Regeln/Fuzzy-Matching)“ +1 Senior Developer (Senior .NET-Entwickler), „Zusammenführungs-UI mit Beleg/Historie“ +1 Senior Developer (Senior .NET-Entwickler) · +180 €
  • 2 Wochen früher, Abnahme in Woche 3 statt 5: „Datenanbindung & Analyse Bestand“ +4 Senior Developer (Senior .NET-Entwickler), „Dublettenerkennung (Regeln/Fuzzy-Matching)“ +4 Senior Developer (Senior .NET-Entwickler), „Zusammenführungs-UI mit Beleg/Historie“ +4 Senior Developer (Senior .NET-Entwickler), „Test & Abnahme“ +4 Tester · +510 € hilft am meisten

Legen Sie Köpfe auf die Abschnitte, die schneller fertig werden sollen: dieselben Stunden, mehr Köpfe, weniger Wochen — wie bei den Tempopaketen, ein Kopf mehr +5 %, zwei +8 %, drei +10 %, vier +12 % auf den Anteil des Abschnitts am MVP-Festpreis. Entwickler kommen nicht auf Abschnitte, die andere zusammenführen, und nicht auf, was erst im letzten Drittel beginnt — dort macht ein weiterer Entwickler ein Projekt langsamer. Auf den letzten Abschnitt vor der Abnahme legen Sie stattdessen Tester. Wer die Köpfe sind, wählen wir.

Lastenheft und Pflichtenheft

Ziel Dubletten und fehlerhafte Einträge in Kunden- und Artikelstammdaten sind erkannt und nachvollziehbar zusammengeführt.

Lösungsweg Ein ASP.NET-Core-Prototyp liest Stammdaten aus SQL Server, ermittelt per Ähnlichkeitslogik mögliche Dubletten und führt sie nach Bestätigung nachvollziehbar zusammen.

  1. Was gefordert istDas System muss Dubletten und Karteileichen in Kunden- und Artikelstammdaten erkennen.
    Wie wir es umsetzenFuzzy-Matching-Algorithmus (z. B. Levenshtein/Trigram) auf Kunden- und Artikelfeldern implementiert in C#
  2. Was gefordert istDas System muss Tippfehler und ähnliche Schreibweisen berücksichtigen.
    Wie wir es umsetzenNormalisierung und Ähnlichkeitsvergleich von Schreibweisen vor dem Matching
  3. Was gefordert istDas System muss gefundene Dubletten mit Beleg (Nachvollziehbarkeit) zusammenführen können.
    Wie wir es umsetzenReview-Oberfläche in Razor zeigt Dublettenpaare mit Feldvergleich und Zusammenführungs-Historie
  4. Was gefordert istDas System muss als interner Prototyp nutzbar sein.
    Wie wir es umsetzenBereitstellung als lauffähige interne Web-Anwendung mit Zugriff auf die bestehende Datenbank

Rahmenbedingungen

  • Interner Einsatz, keine externen Nutzer
  • Datenbasis: bestehende Kunden- und Artikelstammdaten im Unternehmen
  • Prototypischer Charakter, kein produktiver Vollausbau

Nicht im Umfang

  • Keine automatische, unbeaufsichtigte Zusammenführung ohne manuelle Prüfung
  • Keine Anbindung weiterer Fremdsysteme über den Bestand hinaus
  • Keine mobile Anwendung
  • Kein produktiver Rollout mit Schulung, Support oder Massendatenmigration

Woran Sie die Abnahme messen

  • Erkennung von mindestens 90 % der im Testdatensatz markierten bekannten Dubletten
  • Jede Zusammenführung erzeugt einen Protokolleintrag mit Vorher-/Nachher-Werten
  • Prototyp lauffähig auf interner Testumgebung mit realen Bestandsdaten
  • Review-Oberfläche erlaubt Bestätigen oder Ablehnen jedes Dublettenvorschlags

Meilensteine

  • Woche 2: Datenanbindung & Analyse Bestand
  • Woche 3: Dublettenerkennung (Regeln/Fuzzy-Matching)
  • Woche 4: Zusammenführungs-UI mit Beleg/Historie
  • Woche 4: Review-Workflow & Protokollierung
  • Woche 4: Test & Abnahme
  • Woche 5: Abnahme

Technologien, die wir einsetzen

  • .NET 10 LTS
  • ASP.NET Core MVC & Razor Pages
  • Entity Framework Core & Dapper
  • SQL Server 2025
  • Serilog & OpenTelemetry
  • Anthropic Claude & Azure OpenAI / OpenAI
  • .NET 10Laufzeitbasis der Anwendung
  • ASP.NET Core MVCWeb-Oberfläche für Review und Zusammenführung
  • Razor ViewsDarstellung der Dubletten-Vergleichsansicht
  • EF Core 10Zugriff auf bestehende Kunden-/Artikeldaten
  • SQL ServerDatenhaltung der Stammdaten
  • SerilogProtokollierung der Zusammenführungen als Beleg
  • Anthropic Claude & Azure OpenAI / OpenAIDas Sprachmodell, das Schreibweisen vergleicht und jede Dublette belegt
  • Entity Framework Core & DapperZugriff auf die Stammdaten und das belegte Zusammenführen

← Zurück zum Portfolio