Het belang van goede datakwaliteit

Data quality
Je wilt je data op een effectieve manier inzetten voor de verbetering van de prestaties van je organisatie. Maar welke data is nu echt bruikbaar? We leggen het je uit.

​De wereld om ons heen verandert in rap tempo. Met name digitaal. Organisaties zien steeds vaker het belang van betrouwbare data en willen data gedreven werken. Logisch, want de beschikbare data van tegenwoordig is enorm. En er komt alleen maar meer en meer bij. Fijn!
Want hoe meer data er beschikbaar is, hoe beter de analyse en de daarop gebaseerde beslissing. Toch?

Nou, niet helemaal…

Het lijkt namelijk een stuk eenvoudiger dan het is: data op een effectieve manier inzetten voor de verbetering van de prestaties van een organisatie. Want welke data is nu echt bruikbaar? En wat maakt data nou eigenlijk van goede of juist van slechte kwaliteit?

Laten we beginnen bij het begin.

Wat is datakwaliteit eigenlijk?

Datakwaliteit, ook wel Data Quality (DQ) genoemd, is een veelgebruikte term in business intelligence trajecten.

Het gaat om de mate waarin data geschikt is voor het doel waarvoor het gebruikt wordt.
Een voorbeeld. Stel je wilt starten met een retargeting campagne rondom een bepaald product. Dan is het in dit geval erg belangrijk dat de nieuwe orders hiervoor direct worden verwerkt in de database.

Het is namelijk erg vervelend voor klanten om nog een week lang getarget te worden op een product dat inmiddels al is aangeschaft.

Door orders direct te verwerken (bijvoorbeeld op basis van datum en soort product) kun je klanten die hierop hebben geconverteerd excluden uit je campagne. Zo voorkom je frustratie aan de klantzijde en verspil je niet langer budget aan de verkeerde mensen.

Daarnaast dienen de gegevens overeen te komen met de werkelijke situatie.
Ofwel: in hoeverre klopt het als een klant als adres straatje 1, 1234AA in Timboektoe heeft ingevoerd?

Goede datakwaliteit is dus van cruciaal belang om tot goede analyses te komen en daar mooie campagnes omheen te bouwen.

Voorbeelden van slechte data

Als we bij een nieuwe klant binnenkomen starten we daarom het traject altijd eerst met een data assessment waarbij we de databeschikbaarheid en datakwaliteit gestructureerd in kaart brengen. Daarbij stuiten we zo nu en dan op slechte datakwaliteit. Een aantal voorbeelden:

• Data wordt niet conform AVG opgeslagen waardoor het niet bruikbaar is;
• Er worden verschillende omschrijvingen gebruikt voor dezelfde (product) code;
• Of omgekeerd: exact dezelfde omschrijving is terug te vinden onder verschillende (product) codes;
• Er wordt onjuist ‘gemapped’ waardoor er zwevende orders ontstaan.
• Er ontbreekt eenduidigheid in de data tussen verschillende databronnen;
• Processen voor het beheren (maken, bijwerken, verwijderen) van data zijn niet gestandaardiseerd en gebeuren op een ad-hoc basis;
• Er wordt geen rekening gehouden met tijdverschillen. Denk aan verschillende updates op verschillende tijden die daarmee niet zijn gesynchroniseerd waardoor er inconsistentie ontstaat.

Slechte data kost je geld

Wat nou als de datakwaliteit bij jou erg laag is? Dat kost je onnodig geld. Hoeveel exact? Dat is lastig te zeggen. Buiten eventuele opgelegde boetes om, zijn de kosten die voortkomen uit slechte datakwaliteit indirect en daardoor moeilijk te meten. Kosten kunnen onder andere voortkomen uit:

Verloren inkomen

Door slechte data kun je inkomsten verliezen. Denk bijvoorbeeld aan invalide klantgegevens, waardoor je een (potentiële) klant niet die te gekke aanbieding of interessante upsell kan sturen.

Gemiste kansen

Als organisatie kun je ook kansen laten liggen doordat je data niet inzet om je klanten beter te begrijpen. Check periodiek hoe klanten jouw product / dienst gebruiken. Wat zou je ze als bijpassende upsell kunnen aanbieden waardoor ze nóg meer uit je product / dienst kunnen halen?

Reputatieschade

Reputatieschade kan elke organisatie, groot of klein, overkomen. Lang niet elke ondernemer is zich daarvan bewust. Toch is dat belangrijk, want de gevolgen kunnen desastreus zijn.

Zo kan een organisatie door slechte data onbedoeld een samenwerking aangaan met een malafide organisaties die op een zwarte lijst staan. Denk bijvoorbeeld aan drie grote Nederlandse banken die tussen 2010 en 2018 voor minstens 4,9 miljard euro hadden geïnvesteerd in een groot aantal palmoliebedrijven die betrokken waren bij 118 misstanden in negen landen.

Heftig, right?

Naast veel negatieve publiciteit kunnen toezichthouders je ook torenhoge boetes opleggen. Zorg er daarom altijd voor dat je data up-to-date en volledig is.

De voordelen van optimale datakwaliteit

We hopen dat we met bovenstaande voorbeelden al een beetje duidelijk hebben gemaakt wat het belang is van optimale datakwaliteit. Je kunt er op verschillende facetten een voordeel mee behalen:

Concurrentievoordeel

Je kunt als organisatie concurrentievoordeel behalen door business, financiële, externe en niet-financiële data te combineren en (in realtime) te gebruiken.

Het levert je beter inzicht in je klanten en hun behoeften, maar bijvoorbeeld ook opkomende trends waardoor je sneller marktkansen kunt waarnemen.

Wetgeving

Organisaties die de nieuwe wet- en regelgeving onvoldoende serieus nemen, riskeren niet alleen hoge geldboetes maar ook reputatieschade. Het is dan ook cruciaal om mogelijke gaten in de naleving hiervan te evalueren en tijdig aan te pakken.

Het gaat hierbij niet enkel om het identificeren en beschermen van persoonsgegevens. Ook dient de afkomst van data volledig traceerbaar te zijn.

Marketing

Met name binnen marketing speelt datakwaliteit een grote rol. Want: hoe beter de kwaliteit, hoe gerichter je kunt targeten en des te hoger het aantal conversies zal zijn. Goede data zorgt voor effectieve klantcommunicatie.

Daarnaast reduceert het je operationele kosten. Klantgegevens zijn up-to-date en volledig waardoor je niet langer onnodig posts en emails stuurt naar de verkeerde personen.

Besluitvorming

In plaats van je strategie te baseren op een onderbuikgevoel of eerdere ervaringen, zorgt een data gedreven besluitvorming ervoor dat je zakelijke beslissingen neemt op basis van beschikbare data.

Denk je erover na om een extra functionaliteit toe te voegen aan een online tool? Kijk dan eerst naar eerdere lanceringen van een nieuwe functionaliteit. Wat werkte er wel en wat juist niet? Herhaal dit en impliceer niets wat toen ook niet werkte.

Productiviteit

Met de komst van nieuwe technieken als Machine Learning (ML) en steeds betere software is het mogelijk een groot deel van het menselijk werk te vervangen. Hierdoor zal de data ook veel minder foutgevoelig worden.

In plaats van uren te besteden aan het valideren en herstellen van fouten, kunnen medewerkers zich richten op hun kerntaken. Goede data dragen op deze manier bij aan de productiviteit waarbij ook nog eens lagere kosten worden gemaakt.

Verbeteren van datakwaliteit

We horen je denken: “dat is allemaal leuk en aardig, maar hoe kan ik de datakwaliteit binnen mijn organisatie verhogen?”. Well, we’re here to lead you the way….

Data assessment

Het begint bij meten. Onderwerp je data aan een uitgebreide audit om te achterhalen wat er goed gaat en waar nog eventuele verbeterpunten liggen. Een aantal kwaliteitscriteria die wij zelf hanteren zijn:

• Privacy: voldoen alle data aan alle privacy regel-/ wetgeving?
• Juistheid: in hoeverre is alle data juist en up-to-date?
• Consistentie: is de data tussen verschillende databronnen eenduidig?
• Beschikbaarheid: is het beschikbaarheid op het moment dat daar behoefte aan is?
• Tijdigheid: wat is de snelheid waarmee wijzigingen worden doorgezet?
• Volledigheid: in hoeverre zijn alle gegevensrecords gevuld?
• Data maturity: zijn big data en geavanceerde analytics geïntegreerd in het bedrijfsmodel of worden zaken ad hoc opgepakt zonder strategie en beleid?
• Bedrijfsregels: wat is de mate waarin processen voor invoer en controle voldoen aan de interne regels?

Data optimalisatie

Op basis van de uitkomsten van het assessment en de mate van datavolwassenheid bepaal je welke vervolgstappen nodig zijn om de kwaliteit te verbeteren.

Het gaat daarbij niet enkel om wat tools die je eventjes snel inzet. Om de datakwaliteit effectief te verbeteren, dient er intern voldoende draagvlak aanwezig te zijn. Eigenaarschap van data en het maken van (individuele) afspraken met alle medewerkers rondom het verzamelen en verwerken van data zijn hierbij belangrijke randvoorwaarden.

Stel daarnaast een data manager verantwoordelijk voor de kwaliteit van de data en de security eromheen. Ontwikkel gezamenlijk standaarden rondom het vastleggen en verwerken van alle klantgegevens en het oplossen van eventuele problemen.

Waarborgen

Is de kwaliteit van je data op orde? Dan wil je natuurlijk dat dit zo blijft. Voer periodiek kwaliteitscontroles uit, zorg dat de resultaten en leermomenten worden geborgd en deel de behaalde successen intern.

Korte samenvatting

• Datakwaliteit gaat om de mate waarin data geschikt is voor het doel waarvoor het gebruikt wordt en moet overeenkomen met de werkelijke situatie.
• Slechte datakwaliteit kost je geld, tijd, kansen en soms zelfs je reputatie.
• Goede datakwaliteit levert je beter inzicht in je klanten, reduceert je operationele kosten en draagt bij aan de productiviteit van je medewerkers.
• Het optimaliseren en bewaken van de kwaliteit van je data is een continu proces.

Datakwaliteit verbeteren?

Wil je meer weten over hoe je de datakwaliteit ook binnen jouw organisatie kunt verbeteren? Vraag een vrijblijvend gesprek aan.

Op de hoogte blijven?
Schrijf je in voor de nieuwsbrief
Thank you! Your submission has been received!
Oops! Something went wrong while submitting the form.
Ik ga akkoord met de Privacy Policy