Kun et fåtal af virksomhederne foretager jævnligt test af datakvaliteten. Selv om nye lovgivningsmæssige krav som bl.a. Basel II, SOX og Solvency II øger presset på virksomhederne for at kontrollere data og kvaliteten af disse, er det langt de færreste, som kvalitetstester deres data.
Ifølge en svensk undersøgelse fra Business Intelligence-firmaet Affecto er det kun 20 pct. af virksomhederne, der foretager test af datakvaliteten – og det er selv om 85 procent siger, at de prioriterer DQM (Data Quality Management) højt.
I Affecto Denmark vurderes det, at situationen er den samme blandt danske virksomheder.
”Vi ser desværre ofte, at virksomheder ikke har styr på deres datakvalitet. De tror blindt på, at deres investeringer i ERP- og BI-systemer automatisk fører til bedre data. Men uanset hvor avanceret et BI-system er, så vil input af lav datakvalitet altid medføre et forringet output til rapporteringen,” siger datakvalitetsekspert Henrik Andersen fra Affecto.
Han mener at de manglende test af datakvaliteten betyder at virksomhederne risikere at træffe forkerte beslutninger med fatale økonomiske følger.
”Lav datakvalitet giver et forringet grundlag for vigtige beslutninger, og det resulterer i mislykkede processer, fejlagtige projekter, spildt arbejdstid og utilfredse kunder. Og det koster,” siger han.
Affecto anbefaler virksomhederne at følge fem skridt for at nå frem til bedre datakvalitet.
1. Det første skridt mod en valid datakvalitetsløsning er naturligvis at indse, at man som virksomhed har et datakvalitetsproblem og dernæst erkende den forretningsmæssige betydning af data for virksomheden.
2. Andet skridt er at finde en nøgleperson i virksomheden, som personligt har erfaret konsekvensen af datakvalitetsproblemerne. Denne person skal være sponsor for projektet og kende data ind og ud, set fra forretningens synspunkt.
3. Det tredje skridt er nu at gennemføre omfattende målinger af datakvaliteten, hvorefter man er i stand til bedre at specificere problemet. Uden målinger har man intet grundlag for at vurdere, om den nuværende datakvalitet er i orden, om der skal nogle mindre justeringer til, eller om man sidder med et forretningskritisk problem.
4. Fjerde skridt er at estimere, hvad god datakvalitet betyder for virksomheden – i kroner/ører. Hold det på et praktisk niveau og beregn, hvad et data-element med lav datakvalitet koster virksomheden.
5. Og endelig, det femte skridt: find de rigtige værktøjer til at håndtere datakvalitet og nedsæt en projektgruppe til at løse opgaven ”God datakvalitet i virksomheden”.
Henrik Andersen erkender at et datakvalitetsprojekt for mange kan virke stort og omkostningsfuldt – også selv om man egentlig er klar over, at det kan have en betragtelig positiv effekt på virksomhedens bundlinje at gennemføre et sådant projekt. Det er heller ikke nødvendigvis godt at starte stort ud i et datakvalitetsprojekt. Start på et veldefineret område, for eksempel et afgrænset forretningsområde som salg, og tænk fremad.
”Med moderne datakvalitetsværktøjer kan man dele resultater af dataprofiler, metadata og valideringsregler. Dermed kan forretningsbrugere, som kender data og deres funktion, og it-udviklere, som kender databaserne og processerne for dataintegration, i fællesskab løse virksomhedens datakvalitetsproblemer. Det vil uden tvivl afspejle sig positivt på bundlinjen. Kimen til lav datakvalitet i mange virksomheder er netop, at forretningsbrugere mener, at it-medarbejderne har ansvaret for DQM – og omvendt,” siger han.
Ifølge forskeren og forfatteren Thomas Redman sætter virksomheder med lav datakvalitet 10 procent af deres omsætning til.
