Hoe Data Governance datakwaliteit structureel verbetert

Als een product wordt geproduceerd, verpakt, gedistribueerd en vervolgens geconsumeerd, gaat het door een supply chain. Supply chain management houdt zich bezig met het beheer (strategieën/standaarden), verbeteren en verder optimaliseren van dit proces. Zo’n zelfde soort proces is ook van toepassing op data; ook data gaat parallel door ditzelfde proces binnen organisaties. Het is niet lastig je voor te stellen dat de hoeveelheid data waarmee bedrijven te maken hebben, steeds verder toeneemt. En door de exponentiële groei ervan is het belangrijk na te denken over het beheer ervan: data management.

Aan de basis van data management ligt data governance. Data governance betreft alle afspraken en spelregels waarmee vastgelegd wordt hoe een organisatie omgaat met data. Het helpt met het bereiken van efficiënte, gestructureerde en gestandaardiseerde data management processen. Ook rollen en verantwoordelijkheden maken hier onderdeel van uit. Want ongeacht of we het hebben over supply chain management of data management: het vastleggen van rollen en verantwoordelijkheden is zeer belangrijk voor succesvolle data governance. Hiermee kunnen zowel standaarden als het beleid rondom data management geborgd worden. Ergo, data governance en data management kunnen niet afzonderlijk van elkaar functioneren.
Binnen het domein van data management hebben we te maken met:

Master data management
Data Quality
Business Intelligence
Analytics
AI of Machine Learning

Het belang van goede datakwaliteit

In dit blog gaan we inzoomen op datakwaliteit. Datakwaliteit is het niveau van hoe accuraat, compleet, relevant en consistent met de eisen/business rules een data object is. Een data object kan bijvoorbeeld een artikel, een klant of een leverancier in het (ERP)systeem zijn.

Problemen gerelateerd aan data of informatie komen voort uit slechte datakwaliteit, wat voorkomen kan worden door data governance en data management. Om slechte data te voorkomen dienen er, als onderdeel van data governance, business rules (of afspraken) te worden opgesteld. Een voorbeeld van zo’n business rule is “een ingekocht artikel dient altijd een (alternatieve) hoeveelheidseenheid te bevatten, waarbij het gewicht altijd een waarde boven 0 bevat”. Dit kan aangevuld worden met een selecte groep hoeveelheidseenheden en welke rollen/verantwoordelijke medewerkers hieraan verbonden zijn.

Meten van datakwaliteit

Wanneer alle business rules zijn vastgelegd en gevalideerd (inclusief andere details zoals technische gegevens, rollen en verantwoordelijkheden, de processen waartoe een object behoort etc.) kan de datakwaliteit gemeten worden. De business rules zijn te vertalen naar operationele rapporten en management rapporten. Het is van belang dat de business rules compleet, duidelijk en gevalideerd zijn. De operationele rapporten kunnen één of meerdere overzichten bevatten die verwijzen naar inconsistenties van data op basis van de gevalideerde business rules.
De vertaalslag naar een dergelijke rapporten is niet eenvoudig, het vergt inzicht en expertise. Deze rapporten zijn vervolgens makkelijk te distribueren, aangezien binnen data governance ook de rollen en verantwoordelijkheden zijn vastgelegd. De management rapporten zijn gelinkt aan de operationele rapporten, waarbij de aantallen en totalen (eventueel in percentages) worden weergegeven. Op deze wijze zijn structurele problemen makkelijker op te sporen en te verbeteren en/of op te lossen hetgeen uiteindelijk resulteert in betere datakwaliteit.

Ook toe te passen bij data migraties

Een bijkomend voordeel is, wanneer de data kwaliteitsrapporten zijn opgezet, dat bij data migraties deze rapporten in te zetten zijn. Bijvoorbeeld bij een acquisitie dient de ERP gerelateerde data van het legacy systeem overgezet te worden. Voordat de data daadwerkelijk gemigreerd wordt, kan deze data eerst ingeladen worden in het data kwaliteit rapport om de nieuwe data te laten valideren op basis van de business rules die er al in staan, ook zijn de data kwaliteit scores gelijk in te zien. Dit is gewoon simpelweg een kwestie van het inladen van gegevens en dus enorm snel in te zetten. Zo kun je er zeker van zijn dat de nieuwe data direct/ gevalideerd is en first time right in het systeem staat.

Data Governance zorgt voor structurele verbetering datakwaliteit

Zonder data governance zullen problemen met de datakwaliteit ad-hoc in plaats van structureel worden opgelost. Dat kost op (lange) termijn onnodig tijd en geld. Daarnaast brengt het onnodige risico’s op het vastlopen van processen met zich mee. Samenvattend kunnen we zeggen dat data governance de datakwaliteit structureel helpt te verbeteren middels:

het vastleggen van standaarden en business rules en de validatie hiervan door de business (verantwoordelijke medewerkers/rollen);
het monitoren van datakwaliteit met behulp van operationele en management rapporten;
het aanpakken of benoemen van structurele problemen door slechte data kwaliteit.

Dit werkt twee kanten op. Door actief bezig te zijn met data governance kan gecontroleerd worden of de business rules nog valide zijn. Maar je merkt zo ook welke business rules er nog ontbreken. Wanneer deze ook toegevoegd worden, ontstaat nog meer inzicht in data met behulp van de eerder genoemde overzichten en management rapporten. Ditzelfde geldt voor de rollen en verantwoordelijkheden. In praktijk leidt dit vaak tot een synergie tussen de business en IT.

Tentive Data Management consultants

De data management consultants van Tentive hebben ervaring met het verbeteren van datakwaliteit, het helpen met het opzetten van rollen en verantwoordelijkheden (data governance), het opstellen en valideren van business rules en de vertaalslag ervan naar operationele overzichten en KPI’s met behulp van bijvoorbeeld PowerBI.

Kortom wil jouw organisatie hiermee aan de slag maar ontbreekt het aan mankracht of expertise op het gebied van data management? Neem contact met ons op wij komen graag – vrijblijvend – in gesprek.