LEES
Data

Waarom data kwaliteit belangrijk is voor elke organisatie 

Datum:17 december 2022

Je weet dat je een sterk huis alleen kunt bouwen op sterke funderingen, en zo is het ook in het bedrijfsleven: je kunt alleen sterke beslissingen nemen op sterke data.Hoe kun je ooit zeker zijn van je strategische beslissingen als je niet vertrouwt op je data? 

Bij Projective Group waarderen en begrijpen we dat data kwaliteit altijd van primair belang is voor uw bedrijf.Denk er maar eens over na; u kunt te maken hebben met data uit meerdere bronnen, data gemaakt op verschillende systemen of data geïmporteerd door meerdere gebruikers. Elk van deze factoren zal alarmbellen doen rinkelen wanneer u beslissingen moet nemen op basis van data die mogelijk vol zitten met fouten.  

Sir Tim Berners Lee benadrukte meer dan tien jaar geleden al dat "data kostbaar is en langer meegaat dan de systemen zelf"1 - nog een reden waarom je zou moeten streven naar de best mogelijke data kwaliteit. 

data van slechte kwaliteit, inclusief data die onnauwkeurig, onvolledig of verouderd is, is data die niet geschikt is voor het beoogde doel en die u uiteindelijk tijd en geld kan kosten.

Om het belang van data kwaliteit voor elke organisatie aan te tonen, bekijken we eerst elk van de hoofddimensies die data kwaliteit definiëren.   

Zes dimensies van Data kwaliteit 

  1. Data Volledigheid gaat over de beschikbaarheid van je data. Als je bijvoorbeeld kijkt naar de boekingen van klanten op data , verwacht je dat de naam van de klant bij elke boeking staat, en dit maakt deel uit van elke controle op volledigheid.   
  1. Data Conformiteit is ervoor zorgen dat je data voldoet aan een standaard formaat.Als je bijvoorbeeld kijkt naar data met betrekking tot het salaris van een werknemer, verwacht je een numerieke, niet alfabetische invoer.   
  1. Data Consistentie is ervoor zorgen dat data waarden geen tegenstrijdige informatie bevatten.Elke gebruiker moet een consistente weergave van de data zien, inclusief alle zichtbare wijzigingen die door de eigen transacties van de gebruiker of de transacties van andere gebruikers zijn aangebracht.  
  1. Data Nauwkeurigheid wordt over het algemeen bereikt door data te vergelijken met een goedgekeurde bron. Je kunt bijvoorbeeld een adres en postcode vergelijken met een adresdatabase van Royal Mail.  
  1. Data Duplicaten kunnen voorkomen wanneer je herhaalde data hebt in je data set.Het gebruik van een uniekheids- of duplicaatcontrole kan ervoor zorgen dat dit wordt vermeden. 
  1. Data Tijdigheid is waarschijnlijk het moeilijkst te controleren en is meestal gekoppeld aan data functionaliteit.Als je bijvoorbeeld een rapport moet genereren over een specifieke data set, verwacht je dat je data die dag vroeg beschikbaar is zodat je het rapport kunt maken.Als het er niet is, is dat een tijdigheidsprobleem.  

Naast deze 'Grote Zes' zijn er nog andere dimensies die je mogelijk moet overwegen, afhankelijk van hoe je data is opgeslagen.Een daarvan is een integriteitscontrole, waarbij data tussen meerdere tabellen wordt vergeleken om er zeker van te zijn dat ze er zouden moeten zijn en aan te tonen dat de primaire standaardrelaties binnen een data set bestaan.Ook traceerbaarheid, waarmee je kunt controleren of je data helemaal terug te leiden is naar de bron. 

Waarom heb je data van hoge kwaliteit nodig?  

De bovenstaande DQ-dimensies laten duidelijk zien hoe integraal de kwaliteit van uw data is voor het succes van uw bedrijf.Iedereen binnen uw organisatie moet toegang hebben tot data van goede kwaliteit om weloverwogen beslissingen te kunnen nemen, zodat ze hun werk efficiënt kunnen doen en het bedrijf meer in het algemeen ten goede kunnen komen.Een nauwkeurige voorspelling van het rendement op investeringen is alleen mogelijk door deze te baseren op een data set van goede kwaliteit.   

Wat zijn de problemen en risico's van slechte kwaliteit data?  

Het vertrouwen op data van slechte kwaliteit levert tal van problemen op.Er kunnen zich problemen voordoen op het gebied van regelgeving en compliance .Het gevaar bestaat dat SLA's (service level agreements) niet worden nagekomen wanneer data van slechte kwaliteit wordt gebruikt en dat een rapport opnieuw moet worden uitgevoerd vanwege ontbrekende of onjuiste data waarden.    

Data Kwaliteit is van groot belang voor uw bedrijf omdat het goede beslissingen onderbouwt, u helpt ervoor te zorgen dat u voldoet aan uw wettelijke en compliance verplichtingen en u erop kunt vertrouwen dat u uw data kunt gebruiken om het best mogelijke rendement op uw investering te behalen.

data van slechte kwaliteit, inclusief data die onnauwkeurig, onvolledig of verouderd is, is data die niet geschikt is voor het beoogde doel en die u uiteindelijk tijd en geld kan kosten. Dit is een vermijdbare risk die u zich niet kunt veroorloven.

Hoe beheer je de kwaliteit van data ? 

Het beheren van data kwaliteit gebeurt via een cyclus van vier stappen - ontdekken, definiëren, standaardiseren en controleren.Je doorloopt elke stap van de cyclus en herhaalt deze.     

  1. Ontdekken en analyseren.Dit is de eerste stap bij het laden en profileren van je bron data om de kwaliteit ervan te beoordelen.Het profileren van uw data is het leren kennen van de details en kenmerken op systeemniveau.U moet dit eerst doen om eventuele inconsistenties of vreemde patronen te ontdekken. 
  1. Definiëren.Als je accepteert dat 100% perfectie niet bestaat, is je volgende stap het definiëren van je data kwaliteitsdoel en drempelniveaus.Een data kwaliteitsdoel is het kwaliteitsniveau dat u wilt bereiken - als u wilt dat uw data kwaliteit 95% is, dan is dat uw doel.De drempel is het minimale data kwaliteitsniveau dat u accepteert. Alles tussen de drempel en de doelstelling is acceptabel.Nu definieert u de regels.   
  1. Toepassen. In dit stadium van het proces pas je de regels toe om je data te standaardiseren en op te schonen. Hoe complex deze fase is, hangt af van hoe goed je data is en hoeveel wijzigingen er moeten worden aangebracht om je data te verrijken. Als je deze fase hebt afgerond, kun je besluiten om de data op het bronsysteem te overschrijven, of om hem ergens anders op te slaan ter vergelijking.  
  1. Monitor. Hopelijk worden de stappen die je in deze cyclus al hebt genomen weerspiegeld in een opwaartse data prestatietrend.In deze fase controleert u de impact van deze veranderingen en bent u klaar om elke data set waar de trend daalt in plaats van stijgt, aan te pakken en te repareren. Meten en monitoren gaat over het begrijpen van uw data trends en ze in de gaten houden om ervoor te zorgen dat ze voldoen aan uw data kwaliteitsregels.    

Data Kwaliteit is van groot belang voor uw bedrijf omdat het goede beslissingen onderbouwt, u helpt ervoor te zorgen dat u voldoet aan uw wettelijke en compliance verplichtingen en u erop kunt vertrouwen dat u uw data kunt gebruiken om het best mogelijke rendement op uw investering te behalen.    

Door de DQ-dimensies te implementeren die nodig zijn om data kwaliteit te bereiken en de kwaliteit van uw data te blijven bewaken door de cyclus van ontdekken, definiëren, standaardiseren en bewaken te volgen, kunt u ervoor zorgen dat uw bedrijf in de best mogelijke vorm blijft.   

Zie het als een regelmatige gezondheidscontrole voor je data.   

Wilt u weten hoe uw data ervoor staat? Neem vandaag nog contact met ons op om uw data uitdagingen te bespreken en de oplossingen die we kunnen implementeren om het beste uit uw data te halen. We werken graag met u samen aan een eerste Data Maturity Assessment.  

Over Projective Group

Projective Group is opgericht in 2006 en is een toonaangevende veranderspecialist voor de financiële sector. Met diepgaande expertise op practices in Data, Payments, Transformatie en Risk & Compliance.

We worden binnen de sector erkend als een provider van complete oplossingen, die samenwerkt met klanten in de financiële dienstverlening om oplossingen te bieden die zowel holistisch als pragmatisch zijn. We hebben ons ontwikkeld tot een betrouwbare partner voor bedrijven die willen gedijen en bloeien in een steeds veranderend landschap van financiële dienstverlening.