Vi förstår datakvalitet

Situationer som dessa leder till merarbete för IT-avdelningen och friktion i relationen mellan affärsenheterna och IT. I samtliga fall kan problemen härledas till brister i datakvaliteten i företaget. Tyvärr är de vanliga i många organisationer.  Så många som fyra av fem märker av bristande datakvalitet, enligt en undersökning som Affecto gjort bland 50 svenska företag. Nästan alltid beror problemen på någon av tre orsaker; Informationen saknas. Informationen är felaktig. Det finns dubbletter. 

Men det går att få till en fungerande datakvalitetsprocess. Nyckeln är att möjliggöra ett datakvalitetssamarbete tvärs igenom organisationen och att dela upp problemet i mindre bitar som kan lösas steg för steg. För att inte datakvalitetsprojektet ska bli ohanterligt är första steget en analys – att ta reda på var det gör det gör mest ont – och börja där.

Lösningen – en kombination av datakvalitetsverktyg och processer

På Affecto tar vi ett helhetsgrepp och utgår ifrån hur ni jobbar med datakvalitet ur alla aspekter i organisationen; IT-avdelningen, ekonomiavdelningen, affärsenheterna och ledningen. Att få verksamheten att se information som en värdefull tillgång och att tilldela tydligt ansvar för data, så att affärsenheterna och IT jobbar tillsammans, är oftast det allra viktigaste.

Nästan alltid består den lösning som vi föreslår av en kombination av IT-verktyg för datakvalitet och råd kring hur man bäst tar sig an datakvalitetsarbetet med hjälp av smarta arbetsprocesser och analysmodeller.

Eftersom Affecto är en oberoende leverantör kan vi alltid föreslå det datakvalitetsverktyg som passar er allra bäst, oavsett vilken av de ledande systemleverantörerna det kommer från. Många gånger räcker det att komplettera det system för beslutsstöd (BI) som redan finns. Har ni redan ett modernt datakvalitetsverktyg på plats hjälper vi er förstås att få ut den fulla nyttan av det.

Dålig datakvalitet påverkar besluten

Att datakvalitet har betydelse är inte svårt att förstå. Ett företags system för beslutsstöd baserar sina analyser på den information som finns i databaserna. Om beslutsunderlaget inte är tillförlitligt blir besluten därefter. Hela 86 procent av de tillfrågade i vår datakvalitetsundersökning ser sambanden och tror att bristande datakvalitet kan påverka företagets resultat negativt. Dessutom har kraven på exakthet i data ökat i och med de senaste årens processeffektiviseringar med mindre och mindre marginaler för exempelvis leveranstider och lagerhållning. Reglerna för hur mycket avvikelser i datakvaliteten som kan tolereras har dock inte utvecklats i samma takt. Faktum är att de flesta inte ens vet vilken kvalitet de har på sina data. Vår undersökning visar att bara var femte tillfrågad mäter datakvaliteten.

Billigare att åtgärda redan i källan

I många fall blir företag medvetna om att de har datakvalitetsproblem först när data från olika källsystem ska sammanföras, jämföras och stämma överens, t ex i ett gemensamt beslutstödssystem eller när data ska migreras till ett nytt affärssystem. I båda dessa fall går en stor del av tiden för att införa systemen åt till att istället hantera felaktiga data. De operativa användarna på olika håll har var och en tidigare endast sett sin del av verkligheten och använt olika definitioner och enheter för att lägga in data. Ju fler och komplexare system – desto större datakvalitetsproblem. Därför landar nästan varje dataintegrationsproblem i en datakvalitetsinsats för att undanröja fel och landa i gemensamma definitioner. Det är fem till sju gånger billigare att åtgärda problemen redan i källsystemen innan en migrering än att vänta till efteråt.

Först och främst handlar det om att sätta gränsvärden och regler för vilka krav som krävs på data för olika tillämpningar. Här måste affärsverksamheten samverka med IT för att definiera dessa. Kanske kan det vara OK att ta beslut utifrån en rapport där man vet att data från 90 procent av tillverkningsländerna finns med, om man bara vet vilka som saknas?

Fel i masterdata fortplantar sig

Särskilt viktigt blir kvaliteten beträffande masterdata, det vill säga dimensioner och data som är gemensamma tvärsöver hela företaget, såsom kunder, produkter, anställda eller adresser. Fel i masterdata slår igenom på många olika håll och fortplantar sig i företagets system. Det kanske är därför vi sett så många stora projekt kring masterdata management på senare år? Enligt Affectos erfarenhet är stora mastedataprojekt ofta fel att börja i. Istället är det den mer handgripliga datakvalitetshanteringen som bör komma allra först. För att inte datakvalitetsarbetet ska bli oöverstigligt gäller det att börja med att hitta och åtgärda de problem som har störst negativa konsekvenser. Det är inte alltid de som är svårast att åtgärda och de kan ge välbehövlig skjuts på vägen.

Ta tempen

För att kvalitetsbrister i data inte först ska upptäckas av användarna, som i exemplen i ingressen här ovan, råder vi våra kunder att ta tempen på sin datakvalitet regelbundet. Att använda verktyg för dataprofilering och datatvätt kan vara en del i detta löpande arbete. Det handlar om att hitta felkällor och avvikande data som exempelvis tomma fält, negativa tal eller misstänkta dubbletter. Ett modernt verktyg kan gå igenom stora datamängder på bara några veckor.

De nya verktygen gör det också enklare att involvera både affärsverksamheten och IT, något som är nödvändigt för att lösa problemen. Det går till så att användarna ser ett enkelt gränssnitt där de presenteras med den misstänkt felaktiga datan. Med hjälp av så kallade Wizards kan de sedan få hjälp att sätta regler för hur datan borde se ut, t ex genom att ta bort eller tillföra en ny kundkategori eller slå samman två snarlika kategorier som benämns på olika sätt. Förslagen överförs sedan automatiskt till experterna på IT som kan hantera dem för hela systemet genom sitt mer komplexa utvecklargränssnitt.

Samarbete viktigast

Återbetalningstiden för ett datakvalitetsprojekt kan vara så kort som ett halvår. Den största utmaningen är oftast att få affärsverksamheten och IT att arbeta tillsammans för att lösa problemen.  Därför ser Affecto det som sin viktigaste roll att facilitera detta samarbete för att få till ett lyckat projekt. Första steget mot en effektivare datakvalitetsprocess kan vara att ta kontakt med Affecto idag.