In 5 stappen uw datakwaliteit verbeteren

Hoe krijgt u grip op uw datakwaliteit

Over het beheren van datakwaliteit bestaat onder bedrijven behoorlijk wat onduidelijkheid, laat staan dat helder is hoe een onderneming het optimaliseren van datakwaliteit het beste kan aanpakken.

Jack de Hamer, datamanagement specialist bij Type 2 Solutions, definieerde een vijftal eenvoudige stappen die praktische hulp bieden bij het verbeteren van de kwaliteit en het grip krijgen op datakwaliteit.

Met behulp van triviale voorbeelden probeert hij bovendien het nogal abstracte begrip data helder uit te leggen.

De definitie van datakwaliteit

Wie zoekt naar een definitie van datakwaliteit beheer, kan uitkomen bij techopedia.com. Op deze site is de volgende (vertaalde) definitie van datakwaliteit beheer te lezen:

‘Datakwaliteit beheer is een administratief proces. Daarbinnen zijn richtlijnen, verantwoordelijkheden en processen vastgesteld met betrekking tot het verzamelen van gegevens, het gebruik en het onderhoud van gegevens. Ook zijn in dit proces afspraken gemaakt over het verwijderen en het distribueren van gegevens. Een onderneming die datakwaliteit beheer goed wil inrichten en laten slagen, dient energie te steken in de samenwerking tussen de beheerder van de systeemprocessen (IT) en de beheerder van de bedrijfsprocessen (de business).’

Helaas geeft bovenstaande definitie geen antwoord op hoe je dat als bedrijf nu aanpakt.

In 5 stappen grip op uw data

Op basis van jarenlange ervaring definieerde De Hamer de volgende vijf eenvoudige stappen die praktische hulp bieden bij het optimaliseren van datakwaliteit:

Stap 1. Bepaal de gegevensverzameling en de elementen daarbinnen die u wilt optimaliseren

Stap 2. Bepaal per gegevenselement de regels die van toepassing zijn en automatiseer de controles

Stap 3. Stel per gegevensverzameling één persoon aan die verantwoordelijk is voor de optimalisatie

Stap 4. Controleer geautomatiseerd de gegevens op basis van de definitie en bewaar het resultaat

Stap 5. Corrigeer de uitzonderingen en pas waar en wanneer nodig de scope en definitie aan

Optimaliseer datakwaliteit in 5 stappen - Type 2 Solutions

Hoe ziet het datakwaliteit optimalisatie proces er uit?

Vanuit de datasource van de applicatie wordt de gegevensverzameling (stap 1) geëxtraheerd. Deze gegevens worden door de T2S Data Quality Monitor (stap 4) automatisch geanalyseerd op basis van de regels die volgen uit de definities (stap 2). De uitzonderingen op de regels worden gedetecteerd en gepresenteerd aan de data owner (stap 3). De data owner verzamelt de uitzonderingen en besluit op basis daarvan welke van onderstaande verbeteracties ondernomen moet worden.

  • Optimalisatie van de datakwaliteit door correctie van de uitzonderingen;
  • Optimalisatie of finetunen van de definities.

Door gebruik van dit proces wordt continu de datakwaliteit en het bestaande datakwaliteit optimalisatie proces verbeterd (stap 5).

Soms is het niet zo eenvoudig

In sommige situaties zult u ontdekken dat u achter de theoretische definitie van een element staat maar dat het door de bestaande bedrijfs- en systeemprocessen niet eenvoudig is om de uitzonderingen te corrigeren.

Ik herinner me een situatie waarbij er als definitie gesteld werd dat er geen zakelijke producten gekoppeld mochten zijn aan particuliere contracten en vice versa. Dit was op zich een logische keuze maar helaas waren er toch een aantal actieve particuliere contracten met zakelijke producten. Om dit te corrigeren waren er twee opties: het zakelijke product op het contract verwijderen en een nieuw product met andere voorwaarden koppelen of; het particuliere contract beëindigen en een nieuw zakelijk contract opvoeren. Beide keuzes hadden significante klantimpact. Om die reden is er toen besloten om niet de contracten aan te passen maar de definitie scherper te stellen. De contract startdatum werd bij de definitie betrokken en alle contracten afgesloten voor een bepaald moment werden niet beoordeeld op deze regel.

Definitie van een datakwaliteit regel

Voor de huiseigenaren onder u: vanaf 2013 wordt een dergelijke definitie ook voor aflossingsvrije hypotheken gehanteerd. Sloot u voor die datum een aflossingsvrije hypotheek af dan werd de kwaliteit daarvan door de Nederlandse overheid als goed beoordeeld althans u mocht in ieder geval de betaalde hypotheekrente aftrekken. Sloot u na die datum een aflossingsvrije hypotheek af dan is de rente opeens niet meer aftrekbaar en lijkt deze hypotheekvorm ongewenst geworden.

Dit voorbeeld geeft duidelijk weer dat de kwaliteit van gegevens en hypotheken sterk afhankelijk is van de marktomstandigheden en de bijbehorende definitie. Omdat u deze definitie voor uw gegevens op ieder moment zelf mag bepalen en wijzigen is het belangrijk om flexibel om te kunnen gaan met de definitie en de bijbehorende regels die de datakwaliteit van uw gegevens toetsen en kwantificeren.

Datakwaliteit Dashboard

Het is bijna onmogelijk om handmatig de kwaliteit van de grote hoeveelheden gegevens op een frequente basis te controleren. U heeft voor de automatische controle software nodig die de door u gedefinieerde regels uit kan voeren op de gegevens. De regels binnen deze datakwaliteit monitor software doorzoeken uw gegevens razendsnel en detecteren en presenteren alle uitzonderingen.

Daarnaast slaat de software de details van de uitzonderingen en de cumulatieve resultaten op in een centrale database. Dit stelt u in staat om, in een door u te kiezen periode, de trends in de verbetering of de verslechtering van de datakwaliteit vast te stellen.

Ontdek de Datakwaliteit Monitor.

 
“ Elk veld van onze artikeldata dient gevuld te zijn en iedereen moet naar dezelfde informatie kijken. Dat geldt voor zowel onze binnendienst medewerkers als de accountmanagers. Is er contact met een klant, dan willen we dat ze dezelfde boodschap doorgeven. De klant moet immers ook iets met onze info. En door het uitwisselen van informatie te automatiseren neemt het belang van de juiste data alleen maar verder toe. We willen voorkomen dat we heen en weer moeten bellen om data te corrigeren. Met de Datakwaliteit Monitor waarborgen we dit, het zorgt voor een continue monitoring van en inzicht in de datakwaliteit. ”
Roel Frissen CTO bij NedZink

Datakwaliteit geeft u strategisch voordeel

Het is niet eenvoudig om een prijskaartje te hangen aan ‘slecht’ onderhoud. Dit wordt volgens Jack de Hamer, data specialist bij T2S,  sterk beïnvloed door de gevolgen ervan. “De kosten kunnen variëren van enkele euro’s per klant als post retour komt tot duizenden of honderdduizenden euro’s schade ten gevolge van onjuiste gegevens op een factuur, douanedocument of etiket.”

Lees verder in het artikel geschreven door Jack de Hamer over ‘Datakwaliteit geeft bedrijven strategisch voordeel‘.

Wilt u de kwaliteit van uw data verbeteren?

Type 2 Solutions heeft veel ervaring met de optimalisatie van bedrijfsgegevens en heeft uiteenlopende master data management projecten begeleidt.

Op basis van de in praktijk opgedane kennis hebben wij een datakwaliteit scan ontwikkeld. De datakwaliteit scan helpt u op weg en biedt een uitstekende start voor ieder master data management project.