Hoe data kwaliteit een steeds grotere rol gaat spelen.

Albert de Ruiter - Data kwaliteit is typisch zo’n begrip waarvan bedrijven al sinds decennia zeggen dat het belangrijk is, maar waar ze ook omheen zijn blijven draaien.

De pijn van een gebrek aan data kwaliteit was kennelijk niet hevig genoeg om er eens stevig op in te zetten. Als informatie manager kon je er dus niet echt lekker mee scoren. Inmiddels waait er een heel andere wind. Bedrijven beseffen dat data meerwaarde heeft:

  • organisaties geven kapitalen uit aan het beveiligen van data
  • organisaties geven enorm veel geld uit aan het zoeken en opslaan van data
  • organisaties en datamanagement spenderen tijd en energie aan het verzamelen, opslaan, verrijken en ter beschikking stellen van data

Data kwaliteit

Data vinden we dus belangrijk.

De kwaliteit van data bepaalt mede de waarde van data: waarom anders de investeringen in de data huishouding doen. Als data de juiste kwaliteit heeft dan kan het effectief worden ingezet voor de ondersteuning van het bereiken van organisatiedoelen. Dit belang is tweeledig: enerzijds is het gericht op het uitbreiden van verkoop of dienstverlening en anderzijds op risicobeperking. Data kwaliteit kent daarbij meerdere gezichten, zoals de kwaliteitsaspecten data definitie, inhoud, presentatie en logistiek. Een ander onderscheid kan gemaakt worden naar de eigenschappen accuratesse, compleetheid, consistentie, correctheid en uniciteit. Maar uiteindelijk geldt maar één definitie: Data kwaliteit is de mate waarin kenmerken en eigenschappen van gegevens voldoen aan de daarvoor vastgestelde behoeften.

Het Elektronisch Patiënten Dossier

Vanuit de overheid zijn bijvoorbeeld ontwikkelingen als het Elektronisch Patiënten Dossier (EPD) en het gebruik van basisregisters duidelijke voorbeelden: hierbij is het belang van een goede data kwaliteit met al zijn aspecten evident, waaronder bijvoorbeeld beschikbaarheid en, nauw daarmee verbonden, de beveiliging. Vragen zoals welke (persoonlijke) gegevens op welke plaatsen zijn opgeslagen, hoe deze gegevens zijn opgeslagen en voor wie deze gegevens toegankelijk zijn, lopen bijvoorbeeld als een rode draad door discussies over privacy. Ook ontwikkelingen als Big Data spelen hierin een sleutelrol en zullen dit naar verwachting op grote schaal blijven doen.

Hierboven gaf ik al aan dat het belang van data kwaliteit bij het realiseren van organisatiedoelen tweeledig is: groei en risicobeperking. Ik zal dat hieronder verder toelichten.

Meer focus op data kwaliteit: groei

Organisaties krijgen de beschikking over steeds meer data, niet alleen vanuit de organisatie zelf, maar ook veel data is extern beschikbaar (waaronder big data). De big data toepassingen die McKinsey onderkent voor retailers, zijn als volgt te groeperen: marketing, merchandising, operations, supply chain, en new business models. Als de data optimaal ingezet wordt, kan een veel hogere operationele marge worden gehaald (McKinsey spreekt van zo’n 60% voor retailers). Een optimale data kwaliteit geldt dan wel als één van de randvoorwaarden. Data kwaliteit draagt niet alleen bij aan groei, het helpt ook bij het voorkomen van verlies. Jaarlijks verandert zo’n 7% van de relatiegegevens. De effectiviteit van direct marketing campagnes zal alleen op peil blijven als organisaties de relatiegegevens op orde weten te houden.

Klantloyaliteit wordt behouden of verhoogd door de voor de klant meest relevante boodschap op het juiste moment te versturen. Als de klantdata kan worden verrijkt met bijvoorbeeld ook lifestyle informatie, zijn er ook meer contactmomenten met de klant mogelijk. Omgekeerd, als een klant maar steeds verkeerde mailingen ontvangt, kan dat in het ergste geval leiden tot het verlies van die klant.

Meer focus op data kwaliteit: risicobeperking

Een heel andere invalshoek met betrekking tot de klant betreft fraude. Dit kan zich op vele manieren voordoen, zoals bij verzekeraars die met frauduleuze schade afhandelingen en claims te maken krijgen, of fraude die kan plaatsvinden bij debit- of creditcard betalingen. Hierbij kan gedacht worden aan fraude naar aanleiding van verlies of diefstal van cards, niet ontvangen cards, identiteitsdiefstal, valse cards (door skimming of hacking) dan wel transacties met de gegevens van andermans card (door phishing, social engineering of hacking).

Fraude analyse

De analyse waarmee fraude aan het licht moet komen, kan zich richten op vragen als:

  • is de klant inderdaad wie hij zegt dat hij is (identiteitsfraude)?
  • zitten er tegenstrijdigheden in de klant gerelateerde gegevens?
  • zijn transacties die met één card zijn gedaan onwaarschijnlijk (afwijkend van het betaalprofiel van de klant)?
  • zijn transacties die met één card zijn gedaan onmogelijk (transacties met één card op verschillende locaties binnen een te kort tijdsbestek)?

Het is duidelijk dat een betere registratie van alle klant- en transactie gerelateerde gegevens zullen leiden tot een hogere kwaliteit van de data analyse die fraude aan het licht moet brengen. Naarmate het digitale betalingsverkeer blijft toenemen, ook voor wat de verschillende vormen betreft, zal data kwaliteit een steeds meer prominente rol gaan spelen.

Data kwaliteit met Basel II/III

Een externe factor die bijdraagt aan risicobeperking, is het toezicht op financiële instellingen. Basel II/III en Solvency  2 zijn bekende voorbeelden, waarbij data kwaliteit een grote rol speelt.

Basel III behelst het inperken van risico’s die banken lopen, bijvoorbeeld als gevolg van kredietrisico’s van tegenpartijen (hoeveel verliezen zijn te verwachten door financieel zwakke tegenpartijen) en de liquiditeit (hoe snel kan de bank over middelen beschikken om tegenvallers op te vangen). Door een juiste hoeveelheid kapitaal in de juiste vorm achter de hand te hebben, kunnen banken de risico’s inperken. Basel III stelt strikte eisen aan de wijze waarop de banken de kapitaaleisen moeten berekenen.

Single Supervisory Mechanism

Kleinere banken rapporteren hun kredietrisico en de liquiditeit aan de DNB. De grote (systeem) banken zullen binnenkort niet meer onder toezicht staan van de DNB, maar van de ECB (het zogenaamde Single Supervisory Mechanism.) Voordat het zover is, worden deze banken eerst  door de ECB beoordeeld, middels de Balance Sheet Assessment. Ook hierbij gelden omvangrijke en strenge eisen die aan de banken gesteld worden. De banken verzuchten overigens dat het steeds strengere toezicht een risico op zich gaat vormen. Als gevolg van dit assessment moeten banken wellicht (wederom) op zoek naar nieuw kapitaal.

De banken leveren zelf de rapportage aan de toezichthouder, maar deze zal de wijze waarop de rapportage tot stand komt wel auditen. De toezichthouder onderkent dat een goede data kwaliteit bijdraagt aan het juist vaststellen van de risico’s. Mocht blijken dat een bank de data kwaliteit onvoldoende op orde heeft, dan zit er dus veel ruis in de rapportage aan de toezichthouder. Deze zal dit compenseren door extra kapitaaleisen te stellen. Als het risico er feitelijk niet is, dan zal de bank dus onnodig kapitaal moeten reserveren of (duur) aantrekken.

Deze voorbeelden tonen dus aan dat banken het zich allang niet meer kunnen veroorloven om lichtzinnig met data kwaliteit om te gaan en dat het belang ervan alleen maar toeneemt.

Schade voor overheid, bedrijfsleven en de burger

Afsluitend kan dus gesteld worden dat besluiten en acties waaraan een gebrekkige data kwaliteit ten grondslag ligt, kan leiden tot (ernstige) schade bij overheid, bedrijfsleven en burger. Alle reden dus voor organisaties om data kwaliteit alle aandacht te geven die het verdient.

Groeien en risico's beperken?

Wilt uw organisatie groeien en risico's beperken? Vraag naar onze datakwaliteit diensten door Chris Vlaanderen een e-mail te sturen of bel hem T: +316 205 97 448