Het belang van data kwaliteit!
'Ik ben ervan overtuigd dat mijn data kwaliteit niet goed is, wat nu?'
Lees onze nieuwsbrief van maart hieronder!
Menu
Introductie:
“In 1872 konden beleggers hun geluk niet op; een Duitse bank zou 15.000 Mark per aandeel aan dividend gaan uitkeren wat ervoor zorgde dat iedereen het aandeel wilde hebben en de prijs omhoog schoot. Maar wat bleek… er was een ‘kleine’ fout gemaakt wat zorgde voor grote gevolgen. Er was in plaats van een komma een punt gebruikt, waardoor men dacht 150.00 Mark te krijgen in plaats van 150,00 Mark. Een klein verschil van invoer wat ervoor zorgde dat vele beleggers grote bedragen verloren op hun belegging.
Dit is slechts één voorbeeld van hoe lage datakwaliteit een negatief effect kan hebben op je organisatie. Organisaties denken vaak, wat maakt het uit of er een punt of komma staat, of het aan elkaar is geschreven of niet. De gedachte is daarin dan ook vaak ‘Je snapt toch wat ik bedoel’. En dat klopt in veel gevallen ook, alleen wat men hierin vergeet is dat computers deze taal niet spreken en dat bijvoorbeeld jouw BI-tool niet begrijpt dat een punt en komma hetzelfde horen te zijn.
Shit in = Shit out. Dus waarom niet vanaf moment één – of wanneer je erachter komt dat je data niet kwalitatief is – ervoor zorgen dat je data kwaliteit goed is.” – Aldus Bernd Lok, data consultant bij Techspread.
Ik denk dat mijn datakwaliteit niet klopt, wat nu?
Je hebt een vermoeden dat je te maken hebt met een lage datakwaliteit binnen jouw organisatie, bijvoorbeeld doordat je inzichten op een dashboard ziet waarvan je op basis van onderbuik gevoel denkt dat ze niet kloppen. Of je bent er tijdens een validatie achtergekomen dat de data niet klopt. Wat te doen?
Wanneer men werkt met data is het essentieel om te begrijpen dat het hebben van inzicht niet automatisch betekent dat de data ook van hoge kwaliteit is. Zo zijn er twee verschillende type fouten die je kunt hebben, namelijk:
| Format fouten: Dit gebeurt wanneer bijvoorbeeld tekst wordt ingevoerd in velden waar cijfers vereist zijn, of vice versa.
| Proces technische fouten: Deze fouten zijn onmogelijk binnen het proces. Denk aan een bestelling plaatsen met een leverdatum in het verleden, of het ontvangen van een negatief aantal producten.
Stap 1: Implementeer een kwaliteitsdashboard en krijg inzicht
Previous
Next
Een van de meest effectieve manieren om grip te krijgen op de kwaliteit van je data is door het implementeren van een kwaliteitsdashboard.
Dit instrument biedt praktisch inzicht in de omvang van het probleem en identificeert precies waar problemen zich voordoen. Zie hiernaast een voorbeeld.
Toelichting kwaliteitsdashboard:
Het kwaliteitsdashboard toetst de data uit verschillende systemen (databronnen) van een organisatie op allemaal verschillende vlakken. De resultaten worden weergegeven in een overzicht met rode en groene kleurmarkering (zie afbeelding 1).
Rood geeft aan hoeveel en waar de fouten liggen, terwijl groen staat voor 0 fouten en dus kwalitatieve data. Deze fouten worden – in overleg met de organisatie – onderverdeeld in cruciaal, belangrijk en minder belangrijk (zie rechtsboven afbeelding 1).
| Waarbij cruciaal betekent dat de data direct moet worden aangepast, omdat deze bijvoorbeeld gebruikt wordt in berekeningen;
| Terwijl minder belangrijk inhoud dat het op lange termijn belangrijk is dat deze wordt aangepast, doordat de organisatie deze data nu nog niet als prioriteit beschouwd. Bijvoorbeeld de organisatie focust zich nu op Nederlandse klanten en wil wellicht over 5 jaar uitbreiden naar het buitenland. Het is daardoor nu geen noodzaak om alle data van klanten uit het buitenland goed te hebben staan, maar wel op lange termijn.
Door te klikken op specifieke getal krijg je de definities per waarde te zien (zie afbeelding 2). Oftewel in welk format hoort bepaalde data geschreven te zijn, of welke vereiste hangen er aan.
Wanneer men verder klikt (zie afbeelding 3) is de onderligger per ‘fout’ te zien. Dit is een overzicht van – in dit geval – klantopdrachten met de bijbehorende fouten, zoals onjuiste leverdata, of ordernummer. Op basis van dit kwaliteitsdashboard weet je dus welke data foutief is en hoe deze aan te passen.
Toelichting kwaliteitsdashboard:
Na het implementeren van een kwaliteitsdashboard en het verkrijgen van inzicht in de staat van je data, is het tijd om de kwaliteit daadwerkelijk te verbeteren.
Zo zijn er twee verschillende manieren waarop je data kunt verbeteren. Elk heeft zijn eigen voor- en nadelen. Deze zijn:
| Door invoerder laten aanpassen, oftewel een medewerker corrigeert handmatig onjuiste data. Kijk hiernaast voor de voor- en nadelen.
Previous
Next
| Bij data transformaties aanpassen, oftewel de aanpassingen worden automatisch uitgevoerd tijdens het transformatieproces van de data, in plaats van handmatig door de invoerder. Kijk hiernaast voor de voor- en nadelen.
Previous
Next
Welke optie kiezen?
Het cruciale is dat zodra niet-kwalitatieve data wordt geconstateerd, deze zo snel mogelijk wordt verbeterd (tenzij deze data wordt gezien als minder-belangrijk). De keuze tussen optie 1 en optie 2 hangt af van verschillende factoren, zoals hoever van te voren je wilt dat de data goed hebt staan (6 maanden, 2 of 10 jaar?), de omvang en complexiteit van het probleem, en het aantal betrokken regels.
Het is belangrijk om hierin samen – met je strategisch data partner – te bepalen wat wordt beschouwd als ‘weinig regels’ en ‘hoge complexiteit’, aangezien dit afhankelijk is van de omvang van de organisatie.
Wil jullie organisatie ook stappen zetten op het gebied van data (kwaliteit)?
Als strategisch data partner denken wij graag mee in het creëren van een datagedreven bedrijfsDNA. Zo helpen wij bij het implementeren van een kwaliteitsdashboard en denken wij op strategische wijze mee in wat voor impact data kwaliteit heeft op jouw organisatie.
Geïnteresseerd? Neem dan snel contact met ons op voor een Bakkie pleur met Fleur!
Contact:
Adres:
Techspread is gevestigd in Enschede, Twente, Netherlands.
Privacybeleid