In veel organisaties wordt datakwaliteit nog steeds gezien als een onderwerp van IT.
Daar bevinden zich immers de systemen, de dashboards en de rapportages waarin data wordt verwerkt. Wanneer cijfers niet overeenkomen of analyses vragen oproepen, wordt daarom vaak automatisch naar IT gekeken.
Toch is dat een hardnekkige misvatting. Datakwaliteit ontstaat namelijk zelden in technologie. Het ontstaat in inconsistente processen, in onduidelijke definities en in de manier waarop verschillende afdelingen met informatie omgaan.
Data wordt helaas nog vaak gezien als iets technisch en complex, iets waar specialisten zich mee moeten bezighouden. Maar datakwaliteit raakt te veel aan de kern van hoe een organisatie werkt om bij één afdeling te beleggen.
Slechte data blijft vaak onzichtbaar
Een belangrijke reden dat datakwaliteit zo lang onder de radar blijft, is dat slechte data zelden direct zichtbaar is. Er ligt geen fysieke puinhoop op de werkvloer en medewerkers voelen het probleem meestal pas wanneer de data actief wordt gebruikt.
Zolang informatie in systemen blijft staan zonder dat er actief op wordt gestuurd, lijkt er weinig aan de hand. Het risico ontstaat wanneer organisaties dashboards, rapportages en KPI’s gaan gebruiken om beslissingen te nemen.
Op dat moment krijgt data invloed op strategie, operatie en financiële resultaten. En daarmee wordt de betrouwbaarheid ervan ineens een stuk belangrijker.
Professionele dashboards geven niet automatisch betrouwbare inzichten
Steeds meer organisaties sturen op dashboards en managementrapportages. Visualisaties maken complexe informatie overzichtelijk en helpen bestuurders sneller beslissingen te nemen.
Het risico ontstaat wanneer de kwaliteit van de onderliggende data nauwelijks ter discussie wordt gesteld.
Een dashboard kan er professioneel uitzien, terwijl de data waarop het gebaseerd is onvolledig, inconsistent of verouderd is. De vorm wekt vertrouwen, terwijl de inhoud daar niet altijd aanleiding toe geeft.
Bestuurders sturen dan op cijfers die betrouwbaar lijken, maar waarvan de kwaliteit onvoldoende duidelijk is.
De gevolgen van slechte data blijven doorwerken
In de datawereld wordt vaak gesproken over het principe garbage in, garbage out. Wanneer de input onjuist is, zullen de uitkomsten dat ook zijn.
Maar het probleem stopt daar niet.
De output van vandaag vormt de input voor nieuwe besluiten, nieuwe processen en nieuwe rapportages. Verkeerde aannames werken daardoor langere tijd door in een organisatie.
Besluiten die gebaseerd zijn op onbetrouwbare data vergroten het risico op verkeerde investeringen, strategische fouten of reputatieschade.
Datakwaliteit ontstaat in processen
Wanneer organisaties twijfelen aan hun data, wordt vaak gezocht naar technologische oplossingen. In de praktijk ligt het probleem eerder in processen en sturing.
Data ontstaat namelijk op het moment dat medewerker en tegenwoordig ook klanten informatie registreren: wanneer een order wordt ingevoerd, een klant wordt toegevoegd of een deal wordt vastgelegd. Als die processen niet eenduidig zijn ingericht of definities per afdeling verschillen, ontstaan vanzelf inconsistenties.
Wanneer is een deal daadwerkelijk gesloten?
Wanneer telt een klant als actief?
Welke omzet wordt meegenomen in rapportages?
Datakwaliteit wordt complexer wanneer afdelingen op verschillende doelstellingen worden afgerekend.
Sales wordt vaak beloond op het aantal afgesloten deals. Finance kijkt naar marges en betaaltermijnen. Marketing richt zich op groei en leads. Deze belangen zijn begrijpelijk, maar kunnen in de praktijk botsen.
Een deal kan bijvoorbeeld uitstekend lijken in een salesrapportage, terwijl de financiële voorwaarden voor de organisatie ongunstig zijn. Sales behaalt zijn target, maar Finance moet later de gevolgen opvangen.
Datakwaliteit vraagt leiderschap en eigenaarschap
Het verbeteren van datakwaliteit begint daarom niet met nieuwe technologie, maar met leiderschap.
Leiderschap betekent dat bestuurders niet alleen erkennen dat data belangrijk is, maar ook aandacht houden voor de betrouwbaarheid ervan. Dat vraagt om duidelijke afspraken over definities, processen en eigenaarschap binnen de organisatie.
Een praktische stap kan zijn om in boardrapportages niet alleen KPI’s te tonen, maar ook inzicht te geven in de kwaliteit van de onderliggende data. Niet als eenvoudig oordeel zoals “goed” of “slecht”, maar wel als context: hoeveel data ligt onder een rapportage, welke controles zijn uitgevoerd en hoe betrouwbaar is de informatie naar verwachting.
Dat helpt bestuurders om niet alleen naar de uitkomst te kijken, maar ook naar de betrouwbaarheid ervan.
Datakwaliteit begint in de boardroom
De vraag wanneer data “goed genoeg” is, heeft zelden één universeel antwoord. Dat hangt af van het doel, het type besluit en het risico dat een organisatie bereid is te nemen.
Wat wel duidelijk is, is dat datakwaliteit alleen verbetert wanneer organisaties expliciet eigenaarschap organiseren. Zolang niemand verantwoordelijk is voor definities, controles en afspraken, blijft het onderwerp tussen afdelingen hangen.
En precies daarom is datakwaliteit uiteindelijk geen IT-thema.
Het is een onderwerp dat thuishoort op het niveau waar keuzes worden gemaakt over strategie, risico en continuïteit.
In de boardroom dus.