Naar inhoud

De ongekende waarde van goede data quality voor organisaties

De gouden regel rondom dataplatformen is alom bekend: stop je er troep in, dan komt er ook troep uit. Heel simpel. Wil je een rapportage van je omzet in business-to-consumer (B2C), maar zitten er verkoopcijfers van een grote klant in business-to-business (B2B) tussen? Dan krijg je een compleet verkeerd beeld van je B2C-prestaties. En dat heeft grote gevolgen voor de beslissingen die daaruit voortkomen. Om dit soort situaties te voorkomen, moet je proactief en continu een goede data quality nastreven.

Goede data quality is namelijk cruciaal. Veel organisaties beamen dat. Maar slechts weinig bedrijven en instellingen zorgen er actief voor dat hun data quality van hoog niveau is. Dat komt wellicht omdat nog niet voor iedereen duidelijk is wiens probleem data quality nu is, wiens verantwoordelijkheid het is. Daarom is het zaak dat voor eens en altijd uit leggen hoe dat precies zit.

Het belang van goede data quality

Goede data quality biedt vertrouwen, bespaart kosten en creëert kansen. Als jouw medewerkers het gevoel krijgen dat de data niet kloppen, laten ze bijvoorbeeld rapportages links liggen en nemen ze weer beslissingen op het onderbuikgevoel. Ook met het oog op het voldoen aan de wetgeving moet je kunnen vertrouwen op de actualiteit en volledigheid van je data. Daarnaast bespaar je kosten doordat je minder tijd kwijt bent aan het lokaliseren en oplossen van dataproblemen. Wanneer je data kloppen, worden ook je marketingcampagnes efficiënter. Verder biedt goede data quality concrete kansen op omzetverhoging, doordat je klanten specifieke voorstellen voor cross-selling of up-selling kunt kan doen op basis van jouw klantdata.

Ga af op het beoogde gebruik

Wanneer is je data quality dan goed genoeg? Er zijn verschillende kenmerken waaraan je jouw data kunt toetsen: actualiteit, compleetheid, correctheid, uniekheid, betrouwbaarheid, tijdigheid, controleerbaarheid, relevantie en traceerbaarheid. Staar je echter niet blind op deze eigenschappen, maar ga vooral na of jouw data goed genoeg zijn voor het beoogde gebruik. Je gebruikt jouw data namelijk voor een bepaald doel, bijvoorbeeld voor het verzenden van direct mails. Zijn alle verzendingen goed aangekomen? Dan zijn jouw klantdata op het gebied van adresgegevens pico bello in orde.

Datamanager versus businessmanager

Dan nu de grote vraag: wie is verantwoordelijk voor goede data quality? De businessmanager heeft vaak het meeste last van slechte data quality, maar heeft niet de kennis om zelf datavraagstukken te signaleren en op te lossen. Daarom kijkt de businessmanager naar de datamanager. Maar die datamanager ervaart het probleem vaak minder, waardoor het geen prioriteit is. Zo ontstaat een impasse. Het is belangrijk dat de managers gezamenlijk tot een oplossing komen. Dat begint met het begrijpen van het data quality-proces en het erkennen van de rollen daarin.

Het vaststellen van de uitdaging, het bepalen van de indicatoren – data quality indicators – waaraan de data quality moet voldoen én het opzetten van de organisatie vormen een taak van zowel de datamanager als de businessmanager. Het meten van de data quality en het rapporteren over issues ligt bij de data-afdeling. Het analyseren van de oorzaken en het daadwerkelijk verbeteren van de data zijn verantwoordelijkheden van de business. Kort gezegd, het datateam faciliteert de business om zijn eigen data te verbeteren.

Opbrengsten van goede data quality

Investeren in het verbeteren van je data quality lijkt wellicht een dure en tijdrovende investering. Wat het je daadwerkelijk oplevert, hangt af van de mate waarin slechte data quality je in de weg zit, maar ook van de manier waarop je jouw data quality management insteekt. Een paar punten om rekening mee te houden, zodat data quality een vruchtbare investering wordt:

  • Beperk je tot het meten en verbeteren van de data quality indicators die meerwaarde bieden aan de business, zoals dataverbeteringen die zorgen voor meer conversies.
  • Focus daarbinnen vooral op issues waarop de business zelf invloed kan uitoefenen, zoals áltijd het e-mailadres van een klant in het systeem vermelden.
  • Gebruik een tool die past bij de omvang van je data quality-uitdaging. Schaf geen grote en peperdure tool aan als je slechts vier of vijf data quality indicators gebruikt.
  • Maak de waarde van goede data quality inzichtelijk. Bereken bijvoorbeeld wat een correct e-mailadres van een klant je op jaarbasis oplevert.

Zet de stap naar betere data quality

Hoe meer jouw organisatie leunt op data voor dagelijkse beslissingen en operationele processen, des te belangrijker het niveau van je data quality is. Dus businessmanagers en datamanagers, steek de koppen bij elkaar, definieer de problemen, ken rollen toe en ga aan de slag. Begin zo groot of klein als nodig is, want iedere stap naar een betere data quality is een stap in de juiste richting.

Pim Wennekes is manager data science bij dataspecialist Riviq.

Tip: Wil je weten hoe je insights en data omzet naar een strategie en concrete acties? Dan is de opleiding Customer Insight & Data Driven Marketing wat voor jou!

  • Tijdens de opleiding leer je hoe je met data en inzichten zowel de waarde voor de klanten als de waarde voor de organisatie kunt verhogen.
  • Naast de opleiding stel je een managementplan op over customer insights voor je eigen organisatie, direct geschikt voor implementatie.
Lees meer over deze opleiding ►
Bron: CustomerTalk
0
Logo CustomerTalk

Cookie-instellingen

CustomerTalk maakt gebruik van cookies voor een optimale gebruikerservaring.

Graag vragen wij je toestemming voor het plaatsen van deze cookies.

Accepteren Meer informatie