Blog
Datakwaliteit
Hoe verbeter je blijvend je datakwaliteit?
Als het economisch minder goed gaat, neemt de aandacht voor datakwaliteit toe. Ook bij QuaData krijgen we er weer vaker vragen over. Hoe maak je werk van een blijvend betere datakwaliteit?
Het valt echt op. Wanneer de economie het minder goed begint te doen, zoals nu weer blijkt uit de najaarsprognoses van de Nationale Bank, hebben bedrijven duidelijk meer aandacht voor datakwaliteit. Ze willen dan namelijk vaak een duidelijker zicht krijgen op hun kosten.
Misschien voelt jouw organisatie ook weer meer die nood. Op zich is dat uiteraard goed, al willen we er meteen ook een kanttekening bij plaatsen. Vermijd dat je je louter focust op de verbetering van bestaande data, tot het budget daarvoor op is. Of tot de kwaliteit van die data weer helemaal op peil is, waarna de drive wegebt om er ook structureel werk van te maken. Want dat is nu eenmaal wat je moet doen als je op lange termijn resultaten wil behalen: ook tijd en resources vrijmaken om structurele verbeteringen door te voeren.
Technologie lost niet alles op
Nogal wat bedrijven geloven dat technologie hun probleem van matige datakwaliteit als bij toverslag zal oplossen. Zeker in tijden van generatieve artificiële intelligentie – die trouwens kwaliteitsvolle data nodig heeft om betrouwbare voorspellingen en uitspraken te doen – neemt het geloof in technologie sterk toe.
Voor een deel is dat terecht. Technologie kan je sneller op weg zetten naar betere datakwaliteit, daar komen we zo meteen op terug. Maar technologie kan op zich niet zomaar data governance vervangen. Daar moet je nog altijd werk van blijven maken. Welke data heb je nodig voor welke doeleinden? En hoe kwaliteitsvol moeten die data zijn? Welke regels voor datakwaliteit helpen je die kwaliteit te bereiken? Die vragen moet je blijven beantwoorden, los van wat voor technologie je ook gebruikt.
Technologie als hulpmiddel
Eenmaal de regels voor datakwaliteit vastliggen, kan je die omzetten in technische, maar toch eenvoudig te volgen regels en workflows. Daarna moeten de medewerkers die regels natuurlijk nog toepassen, wat niet altijd goed lukt. Misschien omdat er wat verloop is onder het personeel en de nieuwe medewerkers de regels minder goed kennen? Of omdat de collega’s onvoldoende begrijpen hoe belangrijk hun omgang met data is voor de medewerkers verderop in de processen?
Om de correcte toepassing van de regels voor datakwaliteit te helpen verzekeren, kan je technologische hulpmiddelen inzetten. Zoals Soda, een platform voor datakwaliteit, gestuwd door AI, waarmee je de kwaliteit van je data gebruiksvriendelijk monitort op inconsistenties en anomalieën. Of Great Expectations, een opensourceframework voor datavalidatie en -documentatie. De tool kun je heel gedetailleerd configureren, voor wie meer controle wil over de datakwaliteitsprocessen.
Volgende stappen
Als je medewerkers de regels voor datakwaliteit beginnen toe te passen, verbeter je structureel de kwaliteit van je data. Het best hanteer je daarbij een agile, iteratieve aanpak. Je begint met specifieke cases en legt daarbij een zo licht mogelijke, op ownership gebaseerde data governance op, ondersteund door data stewards.
Daarbij pak je niet alle issues met datakwaliteit tegelijk aan. Nee, je voert eerst een grondige discussie over welke kwaliteitsproblemen het meeste geld kosten. Die los je het eerst op. Bovendien meet je vanaf dag één de voordelen voor de business, zodat je meteen kan aantonen wat een betere datakwaliteit nu precies oplevert.
En last but not least: spreek af dat je het bedrag aan kosten dat je zult besparen, mag spenderen om de data governance en structurele maatregelen voor betere datakwaliteit verder uit te rollen. Want op die manier zul je nog veel meer kostenbesparingen realiseren, dankzij betere businessbeslissingen op basis van accuratere data.
Benieuwd hoe we de datakwaliteit van jouw organisatie kunnen verbeteren? Contacteer ons.
Ben je benieuwd naar onze diensten? Ontdek ze hier.