6 tips om datakwaliteit duurzaam in uw organisatie te verhogen

29 augustus 2017
 6 tips om datakwaliteit duurzaam in uw organisatie te verhogen

 

(Bron: VNSG.nl)

Veel organisaties hebben te maken met uitdagingen op het gebied van kwaliteit van masterdata zoals klanten, leveranciers, artikelen en materialen. Niet dat het verhogen van de kwaliteit een doel op zich is, maar een groot aantal obstakels in de operationele bedrijfsprocessen is te wijten aan data die niet voldoet aan de gestelde eisen. Hieronder volgen een aantal tips om datakwaliteit duurzaam in een organisatie te verhogen. Een belangrijk aspect hierbij is de bedrijfscultuur: De volledige organisatie zal doordrongen moeten zijn van het feit dat met de juiste kwaliteit van data een efficiency verhoging wordt bewerkstelligd. Daarnaast zal duidelijk worden dat de term “continuous improvement” op zijn plaats is. Het verhogen van de datakwaliteit is niet iets dat in een project even geregeld kan worden: Meten, analyseren, verbeteren, implementeren en controleren zullen als stappen in een cyclus elkaar op blijven volgen.

Tip 1: Pas op voor de technische valkuil

Datakwaliteit omvat veel meer dan het prachtige dashboard met meters die groen, oranje of rood gekleurd zijn. Een dashboard geeft een goed overzicht van de status maar is slechts een onderdeel van het geheel. Zaken als datastandaarden, business rules, eigenaarschap van data en gebruikers van de data (mensen, systemen, processen) dienen ook aanwezig te zijn. Vaak wordt onder datakwaliteit verstaan in hoeverre de data correct, compleet en uniek is, maar dit zijn slechts onderdelen van het complete plaatje. Als datastandaarden niet gedocumenteerd zijn is het onmogelijk om objectief te toetsen of data juist is. Ontbreekt data-eigenaarschap, dan kan niemand de beslissing nemen om de definitie en/of inhoud van een data element te wijzigen. Dit zijn geen technische aspecten maar juist zaken waar de business mee aan de slag zal moeten.

 Tip 2: Bepaal de waarde van datakwaliteit

Het verhogen van kwaliteit van masterdata is geen doel op zich. Binnen een organisatie zal goed onderzocht moeten worden welke bedrijfsprocessen negatief beïnvloed worden door de kwaliteit van data en wat dan vervolgens de waarde van dit bedrijfsproces is op het bedrijfsresultaat. Een voorbeeld: Veel organisaties zullen onderkennen dat sommige klantgegevens meerdere keren in hun systemen bestaan. Dit kan erg vervelend zijn voor het boeken van een verkooporder op de juiste klant en ook omzetrapportages per klant zijn lastiger te creëren omdat er veelal nog een handmatige consolidatie plaats moet vinden. De afdeling “verkoop binnendienst” zal hier hinder van ondervinden en ook de accountmanagers zullen extra handelingen moeten verrichten om de verkopen aan hun klanten te kunnen blijven volgen. Het verwijderen van de duplicaten in de systemen is echter een tijdrovende klus, dus zal vooraf goed onderzocht dienen te worden wat de waarde is van deze kwaliteitsverbetering in het bedrijfsproces.

Als dezelfde organisatie ontdekt dat de betaaltermijnen aan hun leveranciers niet goed in het systeem staan, kan dit veel verstrekkender gevolgen hebben: Betalingen worden te laat geboekt waardoor aanmaningskosten in rekening gebracht worden of betalingen worden te vroeg uitgevoerd waardoor rente wordt misgelopen. Een accurater beeld van de betaaltermijnen heeft in dit voorbeeld direct invloed op het bedrijfsresultaat en zal een hogere prioriteit krijgen dan het ontdubbelen van de klantgegevens.

Tip 3: Weet wat je meet

Wanneer is de kwaliteit van data goed of slecht? Dat kan alleen bepaald worden als er een referentie is waar de data mee vergeleken kan worden. Een telefoonnummer kan aan elkaar geschreven worden, er kunnen spaties gebruikt worden, tussen kengetal en abonneenummer kan een streepje gezet worden, er kunnen voorloopnullen of een plus (+) teken gebruikt worden voor de landcode. Allemaal variaties die gebruikt kunnen worden binnen een organisatie. Hiervan dient in een datastandaard vastgelegd te worden wat het formaat van het telefoonnummer moet zijn. Op die manier is het duidelijk wanneer de kwaliteit van het ingevoerde telefoonnummer voldoende of onvoldoende is. Nu lijkt dit een irrelevant voorbeeld, want “iedereen weet toch wel hoe een telefoonnummer gelezen moet worden?”. Als alleen de menselijke factor in acht wordt genomen dan is dit waarschijnlijk correct maar er bestaan ook callcenter-applicaties die automatisch een ingevoerd telefoonnummer bellen. In dat geval is het formaat van het nummer weer wel van groot belang.

 Tip 4: Laat zien wat het oplevert

Als de kwaliteit van data als een belangrijk aspect van de bedrijfsvoering wordt ervaren, deel dan de resultaten van de inspanningen. Dit heeft alles met de bedrijfscultuur te maken. Als in een productiebedrijf het aantal dagen zonder verstoringen wordt getoond op een billboard in de fabriekshal, waarom zou de kwaliteit van de data dan niet gedeeld kunnen worden aan de betrokkenen. Er wordt immers tijd en energie gestoken in het verbeteren van de data, dus werkt het motiverend als de resultaten ook zichtbaar zijn. Dit is een voorbeeld van verandermanagement, wat een aspect is dat zeker niet vergeten mag worden.

 Tip 5: Leg processen en procedures vast

Wie is er verantwoordelijk voor de data, wie mag welke data invoeren, wie is de back-up, hoe lang mag het duren voordat nieuwe data is aangemaakt, wie mag welk type wijzigingen aanvragen, welke informatie moet er in een aanvraag staan, enzovoorts. Allemaal vragen die beantwoord worden in de beschrijving van processen en procedures. Als bekend is aan welke eisen de data moet voldoen is het van even groot belang dat het binnen een organisatie duidelijk is wie welke data onderhoudt en op basis waarvan de data onderhouden wordt. Op die manier wordt er geborgd dat het verbeteren van de datakwaliteit geen eenmalige actie is, maar een continu proces dat eenduidig wordt uitgevoerd.

 Tip 6: Pak het methodisch aan

Een methodologie is een goede manier om bepaalde zaken volgens een vast stramien uit te voeren. Omdat de stelling is dat datakwaliteit een continue verbeterproces is en geen eenmalig project, kan een eenvoudige en praktische methode veel houvast bieden in de totstandkoming van een structurele verbetering van de datakwaliteit.

 

Training Data Quality

Heliview organiseert samen met Transcriptum de praktische training “Data Quality”. Tijdens deze training leert u hoe u op gestructureerde wijze kwaliteitscriteria vastlegt en hoe u de feitelijke datakwaliteit van uw organisatie meet en analyseert. U ontvangt diverse handvatten voor het maken van een plan van aanpak, waarmee u direct in uw organisatie aan de slag kunt.

Wilt u uw datakwaliteit naar een hoger plan tillen en een datagedreven organisatie worden? Neem dan ook deel op 3 en 4 oktober. Bekijk hier het programma.