Datagedreven werken en sterke data-analyseprogramma’s: je kunt er als onderneming niet omheen. Ze leveren je heel veel op: betere inzichten in het reilen en zeilen van je onderneming en sneller kunnen reageren op ontwikkelingen in je onderneming en je omgeving. Het betekent ook dat je steeds meer data verzamelt en dat data een steeds prominentere rol inneemt in je onderneming. En dan komt de kwaliteit van die data al snel om de hoek kijken. Waarom precies die datakwaliteit zo belangrijk is dat je er nu echt tijd voor moet gaan vrijmaken (als je dat al niet deed), lees je in dit blog.
Datakwaliteit: waar gaat het dan over?
Datakwaliteit klinkt enigszins vaag, en weer een element waar je bij het ondernemen rekening mee moet houden. Maar datakwaliteit is eigenlijk heel concreet. In het kort gaat het hierom:
- Zijn je gegevens actueel, worden databases met een bepaalde regelmaat aangevuld?
- Zijn je gegevens volledig, pak je alle relevante bronnen mee?
- Zijn je gegevens een goede weergave van de werkelijkheid, bijvoorbeeld wanneer je werkt met verschillende valuta?
- Zijn je gegevens consistent, werk je in verschillende systemen met bijvoorbeeld dezelfde coderingen?
- Zijn je gegevens begrijpelijk voor iedereen die ermee werkt?
- Zijn je gegevens uniek, staan bijvoorbeeld klanten en medewerkers niet dubbel in een systeem?
Het begrip datakwaliteit is dus niet zo complex als het lijkt, en dat maakt het ook zo interessant om er meer aandacht aan te besteden. Vooral omdat datakwaliteit zo veel impact op je onderneming heeft. De redenen hiervoor heb ik hieronder op een rijtje gezet.
1. Steeds meer grote beslissingen op basis van data
Waar is de tijd dat jullie puur op basis van een PowerPoint en heel veel e-mailtjes en overleggen als onderneming samen belangrijke beslissingen namen? Waarbij jullie kennis van en ervaring in de branche de leidende factoren waren bij de grote beslissingen. Misschien doe je het nog steeds zo of baseren jullie de beslissingen op Excel-sheets met tabellen en diagrammen. Of werken jullie inmiddels al jaren met een business-intelligence tool. In ieder geval heeft data langzaamaan een steeds belangrijkere plaats ingenomen aan de bestuurs- en overlegtafels.
Dashboards met prognoses op basis van de verzamelde data geven input die de basis vormen voor je beslissingen. Beslissingen over grote onderwerpen als doelstellingen, focuspoints, het toekennen van budgetten of het openen van vestigingen. Dat gaat vaak goed, maar wanneer je niet scherp bent op de kwaliteit van de data, neem je belangrijke beslissingen die een grote impact hebben op je bedrijfsvoering, die heel anders uitpakken dan je voorspeld had.
2: Garbage in, garbage out
Bij alle analyses, rapportages, prognoses en beslissingen, of ze nou groot of klein zijn, wát je aan data in het softwareprogramma stopt, heeft effect op de uitkomst. Zijn factuurgegevens niet volledig of klantgegevens niet goed ingevoerd (een nulletje te veel of te weinig is zo gezet), dan werk je met onvolledige gegevensbronnen en krijg je niet een kloppende weergave van de werkelijkheid. De analyses die je dan maakt op basis van die klant- en/of factuurgegevens zorgen ervoor dat je op heel andere rapportages uitkomt, bijvoorbeeld van het uitstaande bedrag aan betalingen of het gemiddelde bestedingspatroon van je klanten.
3: Goed inzicht in je klanten
Hoe vaak zie je je klanten nog in de winkel, het filiaal of op een beurs? Nu er online steeds meer omzet gegenereerd wordt, is het steeds moeilijker om een “menselijke” band op te bouwen met je klanten. Dit hoeft ook niet altijd, het is afhankelijk van de producten of diensten die je aanbiedt. Maar contact met of over klanten verplaatst zich nu wel steeds vaker naar online, door middel van chatbots, e-mails, of - nog abstracter – via handige data over paginabezoeken, advertentieclicks, locaties en customer journeys.
Wanneer je volledig vertrouwt op de data die je over je klanten verzamelt en je steeds minder daadwerkelijke interactie met je klanten hebt, is het belang van de kwaliteit van de data die je over je klanten verzamelt, steeds groter om een goed beeld te krijgen en te behouden. Klanten die dubbel geregistreerd staan waardoor je geen volledig beeld hebt of nieuwe aankopen die niet (snel) verwerkt zijn: ze hebben impact op de feeling met je klantenbestand.
4: Voldoen aan compliance-eisen
Hoe meer data je verzamelt en opslaat, hoe groter de kans dat daar ook persoonsgegevens onderdeel van zijn. Persoonsgegevens waar je volgens de AVG (en volgens je klanten) zorgvuldig mee moet omgaan. Daarnaast heb je als onderneming te maken met de eisen die de Belastingdienst en verschillende toezichthouders stellen aan rapportages. Ook de accountant wil graag over de meest actuele en complete gegevens beschikken. Wanneer je aan deze partijen op tijd consistente en begrijpelijke gegevens kunt overhandigen, is het voldoen aan de verschillende compliance-eisen een stuk gemakkelijker.
5: Kosten besparen
Bovenstaande redenen leiden ook tot een flinke kostenbesparing. Wanneer je gemakkelijk de gegevens van een klant kunt terugvinden, updaten of verwijderen, of wanneer je de complete en actuele gegevens van het afgelopen kwartaal direct zó kunt overhandigen aan de accountant, scheelt dat veel tijd. Waardoor je dus ook veel geld bespaart. Vergeet ook niet de gevolgen van de grote beslissingen op basis van onvolledige of onjuiste gegevens. Je hebt natuurlijk checks & balances in je processen ingebouwd, maar met vertrouwen in je data, neem je jezelf onnodig extra werk uit handen.
Aan de slag met je datakwaliteit
Er zijn dus meer dan genoeg redenen om tijd te investeren in het managen van de kwaliteit van je data, te werken met bijvoorbeeld een Data Maturity Model, applicaties te integreren en data te migreren. Met goed opgeschoonde, complete en actuele databronnen pluk je nog meer de vruchten van datagedreven werken. Je blijft in de pas lopen met de ontwikkelingen op dit gebied, je haalt meer uit je business analyses en je bereidt je goed voor op de toekomst.
Ben je benieuwd wat de next steps zijn in data analytics? Download dan onderstaand eBook over Business Intelligence en Data Analytics.
