Data quality opgehelderd: alles wat je moet weten over het continu verbeteren van je datakwaliteit

Goede data quality is cruciaal. Veel organisaties beamen dat. Maar slechts weinig organisaties zorgen er actief voor dat hun data quality van hoog niveau is. Dat komt wellicht omdat nog niet voor iedereen duidelijk is wiens ‘probleem’ data quality nu is. Daarom legt Pim Wennekes, managing consultant, in dit blog precies uit hoe dat zit.

De gouden regel rondom dataplatformen luidt als volgt: stop je er troep in, dan komt er ook troep uit. Heel simpel. Wil je een rapportage van je B2C-omzet, maar zitten er verkoopcijfers van een grote B2B-klant tussen? Dan krijg je een compleet verkeerd beeld van je B2C-prestaties. En dat heeft grote gevolgen voor de beslissingen die daaruit voortkomen. Om dit soort situaties te voorkomen, moet je proactief en continu een goede data quality nastreven.

Het belang van goede data quality

Goede data quality biedt vertrouwen, bespaart kosten en creëert kansen. Als jouw medewerkers het gevoel krijgen dat de data niet klopt, laten ze bijvoorbeeld rapportages links liggen en nemen ze weer beslissingen op onderbuikgevoel. Ook met het oog op voldoen aan wetgeving moet je kunnen vertrouwen op de actualiteit en volledigheid van je data. Daarnaast bespaar je kosten doordat je minder tijd kwijt bent aan het lokaliseren en oplossen van dataproblemen. Wanneer je data klopt, worden ook je marketingcampagnes efficiënter. Tot slot biedt goede data quality concrete kansen op omzetverhoging, doordat je klanten specifieke cross- of upsellvoorstellen kan doen op basis van jouw klantdata.

 

Ga af op het beoogde gebruik

Wanneer is je data quality dan goed genoeg? Er zijn verschillende kenmerken waaraan je jouw data kan toetsen, namelijk: actualiteit, compleetheid, correctheid, uniekheid, betrouwbaarheid, tijdigheid, controleerbaarheid, relevantie en traceerbaarheid. Staar je echter niet blind op deze eigenschappen, maar ga vooral na of jouw data goed genoeg is voor het beoogde gebruik. Je gebruikt jouw data namelijk voor een bepaald doel, bijvoorbeeld voor het verzenden direct mails. Zijn alle verzendingen goed aangekomen? Dan is jouw klantdata op het gebied van adresgegevens pico bello in orde.

 

BI vs. business

Dan nu de grote vraag: wie is verantwoordelijk voor goede data quality? De businessmanager heeft vaak het meeste last van slechte data quality, maar heeft niet de kennis om zelf datavraagstukken te signaleren en op te lossen. Daarom kijkt de businessmanager naar de BI-manager. Maar die laatste ervaart het probleem vaak minder, waardoor het geen prioriteit is. Zo ontstaat een impasse. Het is belangrijk dat de managers gezamenlijk tot een oplossing komen. Dat begint met het begrijpen van het data quality-proces en het erkennen van de rollen daarin. De onderstaande afbeelding helpt daarbij.

DQ Cycle

Het vaststellen van de uitdaging, het bepalen aan welke indicatoren (Data Quality Indicators) de data quality moet voldoen én het opzetten van de organisatie, is een taak van zowel de BI- als de businessmanager. Het meten van de data quality en het rapporteren over issues ligt bij de afdeling BI. Het analyseren van de oorzaken en het daadwerkelijk verbeteren van de data zijn verantwoordelijkheden van de business. Kort gezegd, BI faciliteert de business om de data te verbeteren.

 

Wat levert goede data quality op?

Investeren in het verbeteren van je data quality lijkt wellicht een dure en tijdrovende investering. Wat het je daadwerkelijk oplevert, hangt af van de mate waarin slechte data quality je in de weg zit. Maar ook van de manier waarop je jouw data quality management insteekt. Een paar punten om rekening mee te houden, zodat data quality een vruchtbare investering wordt:

  1. Beperk je tot het meten en verbeteren van de Data Quality Indicators (DQI’s) die van meerwaarde zijn voor de business, zoals dataverbeteringen die zorgen voor meer conversies.
  2. Focus daarbinnen vooral op issues waarop de business zelf invloed kan uitoefenen, zoals áltijd het e-mailadres van een klant in het systeem vermelden.
  3. Gebruik een tool die past bij de omvang van je data quality uitdaging. Schaf geen grote en peperdure tool aan als je slechts vier of vijf Data Quality Indicators gebruikt.
  4. Maak de waarde van goede data quality inzichtelijk. Bereken bijvoorbeeld wat een correct e-mailadres van een klant je op jaarbasis oplevert.

 

Zet de stap naar betere data quality

Hoe meer jouw organisatie leunt op data voor dagelijkse beslissingen en operationele processen, hoe belangrijker het niveau van je data quality is. Dus, business- en BI-managers: steek de koppen bij elkaar, definieer de problemen, ken rollen toe en ga aan de slag. Begin zo groot of klein als nodig is, want iedere stap naar een betere data quality is een stap in de juiste richting.

Ook aan de slag met data quality? Neem gerust contact op voor een vrijblijvende afspraak:

Robert Mansour

Meer weten? Neem vrijblijvend contact op met

Pim Wennekes

Manager Data science

pim.wennekes@riviq.nl
+31 621 964 963
linkedin.com/in/pimwennekes

meer over dit onderwerp

Send this to a friend