Datakwaliteit, een doel of een middel?

Dat datakwaliteit van belang is zal niemand ontkennen. Is datakwaliteit echter van belang om it-professionals het leven makkelijker te maken, of is het een middel waarmee organisaties hun toegevoegde waarde kunnen vergroten? Dit artikel bepleit een business gedreven aanpak van datakwaliteit initiatieven waarbij werken aan kwaliteit van data gekoppeld wordt aan de risico’s van gebrek aan datakwaliteit in de bedrijfsvoering van een organisatie.

In de markt voor dataintegratie, datamigratie en business intelligence neemt de roep om datakwaliteit steeds mee toe. De uitloop of zelfs het falen van initiatieven in deze markt wordt vaak toegeschreven aan het gebrek aan datakwaliteit. Ook de software voor datakwaliteit wordt steeds meer volwassen en geeft veel mogelijkheden voor het continu meten en verbeteren van datakwaliteit. Het lijkt wel of datakwaliteit de haarlemmerolie is geworden binnen data intensieve initiatieven.  Zo op het eerste oog lijken de drijfveren goed en de markt volwassen voor het verbeteren van datakwaliteit binnen organisaties. Toch is er reden tot enige terughoudendheid. 

Datakwaliteit is op zichzelf goed, maar geen doel op zich. Wat we soms dreigen te vergeten is waarom we eigenlijk kwaliteit van data nodig hebben. Of erger nog, we vinden dat we datakwaliteit nodig hebben omdat we dan onze dataintegratie, datamigratie en business intelligence projecten succesvoller kunnen uitvoeren. Vraag is of dit wel  de juiste motivatie is voor een datakwaliteit-initiatief en of een dergelijke motivatie wel leidt tot toegevoegde waarde voor een organisatie. Te veel datakwaliteit-initiatieven worden uitgevoerd met een it georiënteerde motivatie of achtergrond. Gevolg hiervan is dat deze initiatieven niet begrepen worden door de business en niet de verwachte toegevoegde waarde leveren die datakwaliteit wel degelijk kan hebben voor een organisatie. 

De motivatie voor een datakwaliteit-initiatief moet altijd in de business gezocht worden. Dat is tenslotte ook de plaats waar de toegevoegde waarde moet worden gerealiseerd. Hiervoor is het noodzakelijk om kennis te hebben van de businessprocessen waarbinnen de data gebruikt wordt. Dit begrip bepaald voor welke dataelementen kwaliteit echt belangrijk is en wat die kwaliteit dan moet zijn. 

Voor bijvoorbeeld een marketingcampagne is de actualiteit en juistheid van adresgegevens van groot belang, klanten met verouderde of niet correcte adresgegevens worden uitgesloten. In een financiële rapportage is de volledigheid en traceerbaarheid van alle financiële gegevens van groot belang en is bijvoorbeeld de actualiteit en juistheid van diezelfde adresgegevens veel minder relevant. Beide business processen maken gebruik van deels dezelfde data, maar stellen eigen kwaliteitseisen aan de data. Het gebruik van data door een organisatie in haar business processen bepaald het belang van de kwaliteit van dataelementen en daarmee dus het risico profiel per dataelement.

Voor het richten van een datakwaliteit-initiatief zou het dan ook goed zijn om gebruik te maken van de goede ervaringen met 'Risk Based Testing' binnen organisaties. In deze methodiek wordt uitgegaan van maximale risicodekking met beperkte middelen door de teststrategie te richten op die delen van het systeem die het meest kritiek zijn voor de business. Een soortgelijk proces kan worden gevolgd bij het inrichten van een datakwaliteit-initiatief. Door het richten van datakwaliteit-monitoring en verbetering op de meest kritische dataelementen voor de uitvoering van de specifieke businessprocessen in een organisatie wordt maximale toegevoegde waarde bereikt met beperkte middelen. 

Voor een dergelijke 'Risk Based Data Quality'-aanpak is een integraal samenspel van een drietal componenten van groot belang. Ten eerste de inzet van datakwaliteit-software om selectie en het monitoren van de bedrijfskritische gegevens efficiënt te kunnen uitvoeren. Ten tweede de datamanagement-expertise en ervaring om de juiste datakwaliteit-maatregelen te initiëren en te managen. Ten derde, maar zeker net zo belangrijk als voorgaande, de kennis van de businessprocessen die gebruik maken van de data. Door op deze wijze met datakwaliteit in een organisatie om te gaan is datakwaliteit geen doel op zich, maar een middel met een duidelijke toegevoegde waarde voor een organisatie.