Datakwaliteit meten
en verbeteren

Hoge datakwaliteit vormt het fundament waarop zakelijke beslissingen worden genomen. Slechte datakwaliteit kan leiden tot 20% omzetverlies. In dit artikelen bespreken we de hoe je datakwaliteit kunt meten en dit kunt verbeteren in 4 stappen.
Vrijblijvend contact

Wat is datakwaliteit?

De definitie van datakwaliteit

Datakwaliteit is de nauwkeurigheid, volledigheid en tijdigheid van gegevens. Het is belangrijk om over gegevens van hoge kwaliteit te beschikken, omdat ze van invloed zijn op zakelijke beslissingen, productontwikkeling en klantenservice.

Datagedreven werken begint met een hoge datakwaliteit

Een organisatie kan pas echt datagedreven werken als de data van hoge kwaliteit is. Goede data vormen het fundament waarop zakelijke beslissingen worden genomen. Datagedreven werken begint met goede data, maar dat is niet genoeg. De data moeten ook toegankelijk en bruikbaar zijn.

Dit vereist dat een organisatie beschikt over goede processen en tools om gegevens effectief te beheren. Datakwaliteit is een van de fundamentele bouwstenen van een datagedreven organisatie.

 

Dit behandelen we:

Wat is goede datakwaliteit en hoe meet je dat?

Wat is slechte en goede datakwaliteit?

Een slechte datakwaliteit kan leiden tot fouten, verspilling en verlies van klanten, terwijl een hoge datakwaliteit de efficiëntie en besluitvorming kan verbeteren en organisaties kan helpen hun klanten beter van dienst te zijn.

Om als hoge kwaliteit te worden beschouwd, moet data voldoen aan bepaalde normen die door organisaties of bedrijven zijn vastgesteld.

Datakwaliteit criteria voor een accurate meting

Hieronder vind je de zeven criteria om datakwaliteit te meten:

De 7 criteria om datakwaliteit te meten door Dick Pouw

1. Nauwkeurigheid

Ervoor zorgen dat de gegevens correct en actueel zijn.

2. Volledigheid

Ervoor zorgen dat alle relevante gegevens zijn opgenomen.

3. Actueel

Ervoor zorgen dat de gegevens actueel en accuraat zijn.

4. Consistent

Ervoor zorgen dat dezelfde gegevens worden gebruikt in verschillende afdelingen en op verschillende platforms.

5. Juistheid

Kloppen de verschillende gegevens wel en is bijvoorbeeld de naam juist gespeld.

6. Semantiek

Is de juiste waarde toegekend zoals lead of klant.

7. Businessrules

Zijn die juist toegepast en kloppen de waarden tussen velden.

Slechte datakwaliteit komt vaak voor in CRM systemen

Datakwaliteit issues kom je vooral tegen in operationele systemen, zoals CRM systemen die worden gebruikt om klantengegevens te beheren. Deze systemen bevatten vaak een grote hoeveelheid dubbele gegevens, onvolledige gegevens en verouderde gegevens.

Daarom is het voor organisaties belangrijk om hun operationele gegevens regelmatig op te schonen en bij te werken. 

Hoge datakwaliteit betekent
meer winst

Datakwaliteit heeft een duidelijk rendement

Als een organisatie datakwaliteit serieus neemt, dan is dat voor een organisatie zeer lucratief. Het rendement van de organisatie verbetert zienderogen en als gevolg daarvan wordt de organisatie meer waard en maakt natuurlijk ook meer winst. Het wordt ook rendabeler om je bedrijf te financieren.

Datakwaliteit heeft dus een duidelijk rendement, alleen is het lastig om daar een heldere ROI op zetten. Onjuiste gegevens kunnen bijvoorbeeld bestaan uit dubbele records, wat verwarring en chaos kan veroorzaken. Daar kan veel geld mee verloren gaan.

Slechte datakwaliteit in de praktijk

Volgens Gartner kost slechte datakwaliteit bedrijven gemiddeld 12,9 miljoen dollar per jaar.

Volgens de MIT Sloan Management Review kost slechte datakwaliteit bedrijven gemiddeld maar liefst 15% tot 25% van de omzet. Een niet te verwaarlozen bedrag, maar de vraag is dan wel, waarom is daar dan zo weinig aandacht voor?

4 stappen om datakwaliteit te verbeteren

Er zijn een aantal manieren om de datakwaliteit te verbeteren. 

1. Identificeer de datakwaliteitsproblemen

De belangrijkste stap is het identificeren van de specifieke datakwaliteitsproblemen die moeten worden aangepakt.

2. Definieer de huidige datakwaliteit met metadata management

Maar al te vaak voeren organisaties en afdelingen verbeterprogramma’s rond datakwaliteit uit zonder te bepalen wat de datakwaliteit eigenlijk zou moeten zijn en of het attribuut in kwestie daadwerkelijk in de organisatie wordt gebruikt. 

Daarom is het essentieel om de kwaliteit van gegevens vooraf te definiëren. Dit wordt gedaan binnen het DAMA DMBOK data governance proces genaamd metadata management.

Dit proces omvat de ontwikkeling van een model voor datakwaliteit, dat zal helpen vaststellen wat wordt bedoeld met “goede” data.

Het metadata management proces

Metadata management is eigenlijk het proces van het beschrijven van de data over de data. De data steward is de rol die ervoor moet zorgen dat metadata management en datakwaliteit met elkaar in overeenstemming zijn.

Door de kwaliteit van data vooraf te definiëren, kunnen organisaties kostbare fouten vermijden en ervoor zorgen dat hun data van de hoogste kwaliteit is.  

2. Bepaal de juiste verbetermethode voor de organisatie

Op basis van die stap kan dan gekeken wordende verschillende mogelijkheden om de datakwaliteit te verbeteren, waaronder data cleansing, data mining en data governance. Vaak zijn problemen met de datakwaliteit de reden waarom BI-initiatieven mislukken.

4. Verbeter de datakwaliteit met data governance

Eén van de manieren om datakwaliteit te verbeteren is data governance te introduceren in een organisatie en daarmee beleid en procedures te creëren voor het beheren van data.

Dit omvat het definiëren van wie verantwoordelijk is voor het beheer van data, welke processen zullen worden gebruikt om data te beheren en hoe data zal worden gemonitord. 

Datakwaliteit en data governance gaan daarbij hand in hand.

Waarom is data governance zo belangrijk?

Datagovernance houdt zich bezig met het beheer van gegevens gedurende de gehele levenscyclus van data, met inbegrip van de verzameling, de verwerking en het gebruik van die gegevens. Om dit doeltreffend te doen, moet ervoor worden gezorgd dat de gegevens van hoge kwaliteit zijn.

Dit vereist een consequente monitoring en beoordeling van de datakwaliteit in verschillende systemen, alsook inspanningen om de kwaliteit daarvan in de loop van de tijd te verbeteren.

De datakwaliteit verbeteren binnen jouw organisatie?

Dick heeft ruim 30 jaar ervaring als implementator en datacoach. Wil jij ook de datakwaliteit verbeteren in de organisatie maar weet niet waar je moet beginnen?
  • Data governance implementatie
  • Datakwaliteit meting
  • Datakwaliteit verbetertraject
Vrijblijvend contact

Data stewards en data owners zorgen samen voor hoge datakwaliteit

Data ownership is essentieel voor hoge datakwaliteit

Data eigenaarschap of data ownership is het nemen van verantwoordelijkheid voor het beheer en de beveiliging van data. Data ownership is belangrijk omdat het helpt ervoor te zorgen dat data effectief en efficiënt worden beheerd en gebruikt. Het helpt er dus voor te zorgen dat data van hoge kwaliteit is en kan worden gebruikt om de besluitvorming te ondersteunen.

Lees hier meer over de data governance rollen

De beste manier om data ownership in een organisatie in te voeren en te borgen is om duidelijke rollen en verantwoordelijkheden te introduceren voor data owners en data stewards.

Data owners en data stewards werken samen

Data owners moeten verantwoordelijk zijn voor het beheer en de beveiliging van data, terwijl Data Stewards ervoor moeten zorgen dat data accuraat, consistent en betrouwbaar is. Met een duidelijke rolverdeling kunnen organisaties ervoor zorgen dat data effectief en efficiënt worden beheerd en, misschien nog wel belangrijker, veilig is.

Samen werken de data owners en de data stewards aan een hoge data kwaliteit.

3 meest voorkomende misvattingen over datakwaliteit

Datakwaliteit is omgeven door allerlei misverstanden. In de praktijk kom ik de volgende drie misvattingen het vaakst tegen bij bedrijven:

Misverstand 1: Datakwaliteit gaat over juistheid en volledigheid

Bij gegevenskwaliteit gaat het niet alleen om juistheid en volledigheid. Het gaat ook om nauwkeurigheid, actualiteit en relevantie. Dit betekent dat de gegevens correct en volledig moeten zijn, maar ook actueel en relevant voor de organisatie.

Je ziet vaak dat organisaties die een datakwaliteitsproject uitvoeren alleen gefocust zijn op de vraag of een veld wel ingevuld is (volledigheid) of kijken naar de juistheid van een veld. De vraag of er niet meer aspecten zijn, of dat andere velden misschien wel veel belangrijker zijn voor de bedrijfsvoering komt niet aan de orde. 

Misverstand 2: Datakwaliteit is ‘een probleem van de data-club of IT afdeling’

Vaak wordt het probleem van data gezien als een ‘probleem van de dataclub of de IT afdeling’. Dit is niet het geval: datakwaliteit is de verantwoordelijkheid van iedereen. Het begint met het verzamelen van eisen voor nieuwe systemen processen.

Wie zijn de gebruikers van het systeem? Waar willen ze het voor gebruiken? Welke informatie hebben zij nodig? Uit onderzoek blijkt dat datakwaliteitsproblemen een van de belangrijkste oorzaken is van een niet succesvolle implementatie van een datawarehouse omgeving.

Misverstand 3: Meten is weten

Controles en dashboards lijken een populaire verslaving onder ons allemaal te zijn. We geloven erin en voelen ons “de baas” op het moment dat we een kleurrijk taartdiagram op een dashboard zien. Schijn bedriegt echter. In de praktijk ontbreekt vaak cruciale informatie.

We besteden vaak meer tijd aan het mogelijk maken en presenteren van datakwaliteit dan dat we de wijzigingen toepassen op bestanden en verschillende databases. Focus vooral op het oplossen, meten komt later wel. Meten is geen excuus om datakwaliteitsverbetering toch maar niet te gaan doen! 

Dé datakwaliteit FAQ

Wat is integere data?

Integere data is lastig te definiëren, omdat het van persoon tot persoon kan verschillen. Wat voor de één belangrijk is, kan voor de ander minder belangrijk zijn. Ook in de data kunnen bepaalde groepen oververtegenwoordigd zijn, waardoor discriminatie op basis van data op de loer kan liggen.

Met het gebruik van een specifiek framework, als het ‘data ethiek framework’, is iedereen zich daarvan bewust en kunnen ook de juiste maatregelen worden genomen. Organisaties moeten ook een duidelijk inzicht hebben in welke gegevens zij bewaren, waar ze vandaan komen en hoe ze worden gebruikt. Dit staat bekend als metadata. Metadata kan de kwaliteit van gegevens helpen verbeteren door context en betekenis te bieden. Het kan ook helpen dubbel werk en fouten te voorkomen. 

Wat is data profiling?

Data profiling is het proces waarbij gegevens worden geanalyseerd om de inhoud en de structuur ervan vast te stellen. Dit wordt gedaan om te bepalen hoe goed de gegevens voldoen aan de bedrijfsvereisten. Profilering helpt ook om eventuele kwaliteitsproblemen met de gegevens te identificeren. 

Wat is klantprofilering?

Klantenprofilering is het proces waarbij gegevens over klanten worden geanalyseerd om hun behoeften en voorkeuren te bepalen. Dit helpt organisaties om hun marketinginspanningen te richten en een betere klantervaring te bieden. Klantenprofilering kan organisaties ook helpen potentiële klanten te identificeren. Let er daarbij wel op dat je daarmee blijft voldoen aan de AVG of GDPR wetgeving. 

Waarom is datakwaliteit belangrijk bij data analyses?

Data analysis is het proces waarbij gegevens worden onderzocht om trends en patronen te vinden. Dit kan manueel gebeuren of met behulp van software worden uitgevoerd. Het doel is uiteindelijk om beter inzicht te krijgen in het gedrag van klanten, werknemers of andere belanghebbenden.

Data analyse wordt alleen mogelijk gemaakt door gegevens van hoge kwaliteit. De nauwkeurigheid, volledigheid en tijdigheid van gegevens zijn allemaal essentieel voor een doeltreffende analyse. Daarnaast is het goed begrijpen van de data het andere essentiële aspect om tot een juiste data analyse te kunnen komen. 

3 tips voor het verbeteren van datakwaliteit

Tip 1: Ga van meten naar verbeteren

Meten moet eerst gebeuren. Je moet weten wat het huidige niveau van de onderzochte data is en wat het moet zijn.

De tweede fase vereist verbetering van de data. Dit vereist een juiste methode, competenties en een team om die verbeteringen door te kunnen voeren en de resultaten te kunnen borgen. Door het te blijven meten zie je in één oogopslag wat de datakwaliteit is weet je waar je nog kunt verbeteren. 

Tip 2: Formuleer doelen voor je datakwaliteit niveau!

Formuleer een helder en smart doel op elk data element, bepaal de prioriteit van de verbetering en stel KPI’s in. Een bekend doel is dat 98% van de contactgegevens juist moet zijn. In dit artikel wordt ook nader ingegaan op de verschillende aspecten van datakwaliteit.

Zorg er dus voor dat je alleen die doelen formuleert die ook echt onder aan de streep een bijdrage leveren aan de overall doelstellingen van de organisatie. Soms is dat niet direct zichtbaar, maar er naar zoeken maakt het meten en communiceren daarover zoveel eenvoudiger. 

Tip 3: Zie het als een proces en niet als een project

Organisaties moeten datakwaliteit niet benaderen als een project, maar als een continu proces. Dit komt omdat datakwaliteit nooit echt “af” is. Er zijn altijd manieren om de nauwkeurigheid, volledigheid en tijdigheid van gegevens te verbeteren en er worden bij de invoer ook weer steeds nieuwe fouten gemaakt.

Datakwaliteitsproblemen kan je nooit voorkomen, maar wel verminderen. Om die reden is het eigenlijk een continu verbeterproces (PDCA). Organisaties starten vaak nieuwe projecten op om specifiek de datakwaliteit te verbeteren. Hoe vaak krijg je dan niet te horen van ‘dat project hebben we drie jaar terug ook al een keer gedaan’. 

SCHAKEL DE IMPLEMENTATOR VAN VERANDERING IN

Maak vrijblijvend een afspraak om
jouw datakwaliteit uitdagingen te bespreken

Vrijblijvend contact