Wat zijn de kosten van slechte data?

Tentive / Blog / Blog / Wat zijn de kosten van slechte data?

In een van mijn vorige blogs heb ik geschreven dat data door organisaties steeds meer als een “asset” wordt beschouwd. Als data management en data governance expert kan ik natuurlijk niet anders dan deze ontwikkeling toejuichen. En het is ook waar: kwalitatief goede data waarop je als organisatie kan vertrouwen bij het nemen van strategische beslissingen ís buitengewoon waardevol. Al blijft het lastig een financiële waarde toe te kennen aan de (kwaliteit van de) data. De belangrijkste reden hiervoor is dat organisaties het vaak digitale karakter van hun data lastig vinden te duiden. Dit in tegenstelling tot de traditionele, tastbare “assets”, zoals machines en gebouwen, waarvan de financiële waarde wél tot uitdrukking komt op de balans. En hier wringt op dit moment nog de schoen. Mijn ervaring als consultant is dat organisaties wél het belang van datakwaliteit onderschrijven, maar dat de bereidheid om hierin te investeren momenteel nog beperkt is. Waarom geld uitgeven aan iets ongrijpbaars?

Data van slechte kwaliteit kost geld. Punt.

Organisaties trekken lering uit hun data en gebruiken nieuw vergaarde inzichten om toegevoegde waarde te kunnen leveren. Voorbeelden hiervan zijn het begrijpen van klantgewoonten om een product of dienst te verbeteren of het in kaart brengen van trends in de markt om een betere bedrijfsstrategie te ontwikkelen, enzovoorts. Data van slechte kwaliteit heeft een negatieve invloed op deze beslissingen. Bovendien kost data van slechte kwaliteit elke organisatie simpelweg geld (DAMA International, 2017).

Aan wat voor bedragen moet je dan denken? De schattingen lopen uiteen, maar in de regel kan worden gesteld dat organisaties een substantieel deel omzet mislopen als gevolg van problemen met de datakwaliteit. Ovum Research stelt dat inferieure data voor organisaties resulteert in een inkomstenderving van minstens 30% (Geiger, 2014). Slechte datakwaliteit vernietigt dus bedrijfswaarde. Gartner-onderzoek (2018) wijst uit dat organisaties van mening zijn dat slechte datakwaliteit verantwoordelijk is voor een verlies van gemiddeld $ 15 miljoen per jaar. IBM (2016) schat dat de kosten van slechte datakwaliteit in de Verenigde Staten in 2016 $ 3.1 triljoen bedroegen.

Dit wordt veroorzaakt door….

Op opgelegde boetes na, zijn veel van de kosten die voortkomen uit slechte datakwaliteit verborgen, indirect en daardoor moeilijk meetbaar (Redman, 2016). Kosten komen onder andere voort uit:

Gemiste kansen: Een organisatie kan een unieke kans laten liggen om een nieuw product te ontwikkelen of in te spelen op hernieuwde klantbehoeften, die door een concurrent met meer volwassen datakennis wél wordt gekapitaliseerd.
Reputatieschade: Dit kan variëren van kleine, alledaagse schade tot een heuse PR-ramp. Zo kan slechte data bijvoorbeeld bij banken leiden tot het onbedoeld zaken doen met organisaties of groeperingen die op een zwarte lijst staan, alleen omdat de betreffende instelling onvoldoende accurate informatie heeft over de partijen waarmee wordt gehandeld. Naast torenhoge boetes opgelegd door toezichthouders, levert het vaak veel negatieve publiciteit op. Een zorgvuldig opgebouwde reputatie kan daarmee grotendeels om zeep worden geholpen.
Verloren inkomsten: Slechte data kan op verschillende manier leiden tot verloren inkomsten. Bijvoorbeeld mailings die niet worden omgezet in verkoop, omdat onderliggende klantgegevens niet correct zijn.

De voordelen van hoge datakwaliteit

Hoog tijd daarom om als organisatie de focus te leggen op het verbeteren van de datakwaliteit. De voordelen van goede datakwaliteit zijn onder meer te behalen op het terrein van:

Besluitvorming: Hoe beter de datakwaliteit, des te meer vertrouwen medewerkers hebben in de resultaten die ze voortbrengen, waardoor het risico in de uitkomsten afneemt en de efficiëntie toeneemt. Het is waar dat “garbage in, garbage out” is. Het omgekeerde geldt gelukkig ook. Wanneer resultaten betrouwbaar zijn, kunnen giswerk en risico’s bij de besluitvorming worden beperkt.
Productiviteit: Data van goede kwaliteit maakt medewerkers meer productiever. In plaats van tijd te besteden aan het valideren en herstellen van datafouten, kunnen zij zich richten op hun kerntaken.
Naleving: In sectoren waarin de wetgever bepaalt hoe relaties en/of bedrijfsactiviteiten met klanten mag plaatsvinden, kan goede datakwaliteit het verschil zijn tussen naleving (“compliance”) enerzijds en miljoenen euro’s aan boetes anderzijds.
Marketing: Betere data maakt nauwkeurige targetting en effectieve klantcommunicatie mogelijk, vooral in omni-channel omgevingen waar veel organisaties naar streven.
Concurrentievoordeel: Goede datakwaliteit kan leiden tot een concurrentievoordeel doordat een organisatie betere inzicht krijgt over klanten, producten, processen en het sneller marktkansen kan waarnemen.

Tot slot

Bovengenoemde  kosten en voordelen impliceren dat datakwaliteitsbeheer geen eenmalige activiteit is, maar een voortdurend proces. Data van hoge kwaliteit vereist planning, betrokkenheid en een mindset om die kwaliteit blijvend te borgen in de processen en systemen. Het verbeteren van datakwaliteit zal dus niet gaan zonder de nodige inspanningen, maar uiteindelijk plukt de organisatie er wel de vruchten van.


Tentive  Solutions biedt organisatie ondersteuning bij het oplossen van hun Data Governance en Data Management vraagstukken. Meer weten? Neem gerust contact op met ons Data Management Team.


Jacco Oudeman

Geraadpleegde bronnen:

– DAMA International (2017), DAMA-DMBOK, Data Management Body Of Knowledge, Seconc Edition, Technics Publications, Basking Ridge, New Jersey
– IBM (2016)
Gartner (2018)
– Redman, Thomas C. (2016)