Data-analyse: kwaliteit boven kwantiteit

Waarschijnlijk bekruipt het gevoel je dat jij ook iets met data analytics moet. Je wilt tenslotte niet de boot missen en met het oog op de concurrentie is snel handelen vereist. Daarom wordt er analyse-tooling aangeschaft. Maar niet zelden blijven de resultaten achter bij de verwachtingen. De kwaliteit van de data, of liever gezegd de gebrekkige kwaliteit van de data, is hier dikwijls debet aan.

Tekst: Margje de Groot

Data-analyse is hot. In de media struikel je over verhalen van wat er allemaal mogelijk is met data en de analyse van data. Denk maar aan bedrijven die hun operationele processen hebben geoptimaliseerd of preventief onderhoud plegen op hun machinerie. Andere bedrijven realiseren een betere dienstverlening naar klanten of ontwikkelen een compleet nieuw businessmodel op basis van data-analyse. 

Veel bedrijven hebben data verzameld, met hun ERP- of CRM-systeem. Ze gaan ervan uit dat ze, als er maar voldoende gegevens verzameld zijn, hier waardevolle inzichten uit kunnen halen. Dit is een veelgehoorde misvatting. Misschien nog wel meer dan de kwantiteit is de kwaliteit hiervoor de bepalende factor. Of anders gezegd, garbage in is garbage out. Analysesoftware kan namelijk alleen maar zinnige informatie leveren wanneer ze met de goede data wordt gevoed.

Datakwaliteit

Datakwaliteit is de mate waarin data geschikt zijn voor het doel waarvoor ze gebruikt worden. De gegevens moeten zich lenen als informatiebron waarop allerhande beslissingsprocessen kunnen worden gebaseerd. Bij datakwaliteit gaat het om veel meer dan de afwezigheid van fouten. Om een waarheidsgetrouw beeld te scheppen, moeten de gegevens bijvoorbeeld ook actueel, volledig en accuraat zijn. En de meest waardevolle data is uniek. Dan is er ook nog zoiets als de systeemtechnische kwaliteit. Hierbij gaat het om zaken als beschikbaarheid en toegankelijkheid. Ook integriteit en performance zijn onder deze noemer te scharen. Verder dienen data onderhoudbaar en controleerbaar te zijn.

Gegevensbeheer

Om een goede kwaliteit van data te realiseren, is structureel gegevensbeheer nodig. Hieronder valt onder meer het actueel houden van datamodellen en de procedures en richtlijnen voor het gebruik en beheer ervan. Het gaat om vragen als 'welke gegevens moeten worden opgeslagen en welke niet?' en 'op welke wijze data wordt geselecteerd en gestructureerd?'. Maar bijvoorbeeld ook hoe de dataprivacy wordt gewaarborgd en wie de informatie mag inzien en gebruiken.

Verantwoordelijkheid

Bij veel bedrijven en organisaties is echter niemand specifiek verantwoordelijk voor het gegevensbeheer. En wat krijg je dan in het beste geval? Iedereen gaat naar eer en geweten met data om, maar wel op zijn eigen manier. Hierdoor treedt er vervuiling op. Gegevens worden in eigen lijstjes opgeslagen, met fragmentatie en dubbele informatie als gevolg. En bovenal worden data vaak niet onderhouden als er niemand écht verantwoordelijk is.

Kansen

Data-analyse begint daarom met het aanstellen van iemand die verantwoordelijk is voor het gegevensbeheer en de kwaliteit van data. Wat dat betreft vind ik het super om te zien dat, afgaande op de vele data-managmentvacatures, ook steeds meer bedrijven ervan doordrongen lijken. Een snelle zoekopdracht leert dat onder meer bedrijven zoals Deloitte, Elsevier AkzoNobel en Nationale Nederlanden zo’n soort functie uit hebben staan.

Bedrijven hoeven overigens niet per se zelf een datamanager in dienst te nemen. Ze kunnen ook kwalitatieve data inkopen bij en laten beheren door een gespecialiseerde partij. Maar welke keuze er ook wordt gemaakt, kwaliteit moet altijd boven kwantiteit gaan. Zeker als een bedrijf met data-analyse begint, geldt wat mij betreft: liever wat minder data, maar wel van goede kwaliteit dan een enorme hoeveelheid data, maar van gebrekkige kwaliteit. Want de kwaliteit van je data bepaalt in belangrijke mate hoe goed je beslissingen zijn.

Margje de Groot is direct marketeer bij Computer Profile.