Hero imageMobile Hero image
  • LinkedIn
  • Facebook

August 28, 2015

Datamanagement staat meer dan ooit hoog op de agenda. Uiteraard ingegeven door alle kansen om data te benutten voor het verbeteren van producten, diensten en klantervaring.

Datakwaliteit

Maar ook zonder alle gouden beloftes voor het behalen van meer bedrijfssucces, zijn organisaties genoodzaakt de kwaliteit van data op orde te hebben. Banken moeten voldoen aan de BASELIII en ECB richtlijnen voor wettelijke eisen aan de kwaliteit en transparantie van data. Datzelfde geldt voor verzekeringsmaatschappijen met de SolvencyII wet- en regelgeving. Ook energiebedrijven en overheden ontkomen er niet aan. Het belang van de burger staat centraal. Dat vraagt om de juiste inzichten. Maar hoe waarborg je datakwaliteit terwijl de databerg tot ver in de hemel groeit, technologie voortdurend veroudert en informatiebehoeften en processen blijven veranderen? Start met een projectmatige aanpak waarna de datamanagementfunctie ingebed kan worden in de bestaande operatie.

Het probleem van het huidige datalandschap

Veel organisaties hebben last van verkeerde keuzes uit het verleden. Niet de informatiebehoefte maar processen waren leidend. De bekende zogenaamde spaghettilandschappen waren het gevolg. Een brei aan applicaties gekenmerkt door een vervlechting van grote hoeveelheden interfaces. Beheerskosten rijzen de pan uit. Flexibiliteit om snel aanpassingen te doen is in zo’n landschap ver te zoeken. Ook het overzicht ben je dan volledig kwijt.

In deze situatie zijn managers nauwelijks nog in staat te beoordelen of investering in nieuwe informatiesystemen een goede zaak is. Na verloop van tijd wordt geconstateerd dat de kwaliteit van de data slecht is. Dat vraagt om actie. In eerste instantie is een datagerichte aanpak noodzakelijk bij de ontwikkeling van informatiesystemen. Niet het proces maar de data staat centraal. Immers, data is de stabiele component. Als dat eenmaal goed geregeld is qua definities, opslag en modellering kun je weer jaren vooruit. Maar hoe verbeter je vervolgens de kwaliteit van de data?

Voorwaarden voor succes datakwaliteit

De stappen naar structureel goede datakwaliteit vragen wel om een aantal voorwaarden. Zo moet de aanpak uiteraard passen bij de werkwijze en cultuur van een organisatie. Niet ieder bedrijf is een datagedreven organisatie. Echter, aan de slag gaan met datakwaliteit vereist een zekere mate van bewustzijn voor het belang van data.

Verder moet de business in de lead zijn. Niet de IT-afdeling. Die speelt vooral een faciliterende rol. Het verbeteren van datakwaliteit is geen eenmalige ofwel projectactiviteit. Er moet blijvend aandacht voor zijn. Anders bestaat het gevaar dat de datakwaliteit na verloop van tijd weer verslechtert. Dit vergt dus een datagovernancestructuur die de datamanagementfunctie blijvend aanstuurt. Gericht op het verbeteren van datakwaliteit. Datagovernance moet belegd worden op (senior-) management niveau. Daarmee ontstaat draagvlak voor gewenste veranderingen. Op deze manier is er ook sprake van een goed escalatie-mechanisme bij geschillen.

Een laatste belangrijke voorwaarde voor succes is helder eigenaarschap. Het moet duidelijk zijn wie aangesproken kan worden op de kwaliteit van de data. Zonder belegde verantwoordelijkheid heeft het geheel geen kans van slagen.

Drie stappen naar structureel goede datakwaliteit

Weg naar datakwaliteit in 3 stappen


Zodra voldaan is aan de succesvoorwaarden, is het tijd om het stappenplan uit te rollen om tot structureel goede datakwaliteit te komen. In de aanpak onderscheiden we drie stappen:

1. Stel de uitgangssituatie vast van gewenste datakwaliteit

Voor het vaststellen van de gewenste datakwaliteit zijn ‘business requirements’ nodig. Marketeers of andere datagebruikers moeten helder maken waar de data aan moet voldoen. Via een datakwaliteitsscan kan vervolgens bekeken worden wat de huidige status is van de kwaliteit. Binnen deze stap worden per domein datakwaliteit assessments opgesteld. De kwaliteit van de onderzochte data wordt afgezet tegen de eisen die de business collega’s stellen aan de data. Deze assessments worden veelal uitgevoerd met standaard quick scan vragenlijsten. Tegelijkertijd inventariseer je welke data issues aan de orde zijn.

2. Werk aan verbetering

Bij deze tweede stap worden de verbeteracties bepaald met dataleveranties via een dataleveringsovereenkomst. Daarmee worden afspraken gemaakt met betrokkenen over de inhoud en de wijze waarop data wordt geleverd. Het kwaliteitsaspect tijdigheid of volledigheid kunnen onderdeel zijn van deze overeenkomst. Voor de issues is een databudget nodig. Daarmee kunnen issues snel worden opgelost. Zorg ervoor, dat resultaten en leermomenten worden geborgd.

3.Organiseer de data managementfunctie

Daar waar de eerste twee stappen vooral initiele projectmatige stappen zijn, wordt deze derde stap een structureel onderdeel van de dagelijkse operatie. Bij deze stap moet de aanpak voor datamanagement helder zijn. Datagoverance is georganiseerd waarbij het zaak is een datagovernance board in te stellen op senior managementniveau. Per datadomein is duidelijk wie de eigenaar is. Dus betrokkenen weten wie aangesproken kan worden op de kwaliteit van een bepaald datadomein.

De activiteiten die binnen deze drie stappen nodig zijn, kunnen uiteraard per organisatie verschillen. Nadat het initiele project van uitgangssituatie vaststellen en verbeteracties realiseren, is afgerond en de eerste resultaten behaald zijn, wordt de datamanagementfunctie georganiseerd. Daarbij ligt een sterk accent op besturing in de vorm van datagovernance.

Van project naar structurele operatie

Het werken aan structureel goede datakwaliteit is niet makkelijk. Daarom is het van belang in eerste instantie niet al te hoog in te zetten. Richt je pijlen op snel te behalen resultaten waarmee ook relevante lessen te leren zijn. Dit leereffect moet dan blijvend voelbaar zijn. Zowel in de inhoudelijke data management aanpak als de datagovernance-aanpak.

Ten aanzien van datakwaliteit kan een soort spiraalaanpak worden aanbevolen, waarbij gelaveerd wordt tussen inhoud en besturing. Start bij de aanpak van datakwaliteit met een issue dat relatief snel en makkelijk kan worden opgelost. De bijbehorende governance voor het behalen van de oplossing dient hiermee dan in de pas te lopen: niet te veel maar net genoeg om de inhoudelijke activiteiten te ondersteunen en aan te sturen. Uiteindelijk dienen inhoud en governance dan naar elkaar toe te groeien waarbij het managen van leereffecten erg belangrijk is.

Hierbij is het van belang dat net voldoende sturend vermogen wordt ingericht. Daarmee kunnen de eerste inhoudelijke problemen aangepakt worden. Het heeft geen zin te starten met de opzet van een zware datagovernance organisatie zonder dat inhoudelijke vraagstukken worden aangepakt. Hierin moet een balans bestaan. Start met een project. En ga dan over naar een staande organisatie. Daarbij kan het geen kwaad een proces in te voeren om alle stappen jaarlijks weer eens te doorlopen.

Aan de slag met het verbeteren van datakwaliteit?

Wilt je meer weten over hoe je datakwaliteit kan verbeteren? Kijk op dan eens op onze data management pagina.