Generic selectors
Exact matches only
Search in title
Search in content
Post Type Selectors
Search in posts
Search in pages
dslc_downloads
events_agenda
klanten
dslc_projects
vacature
Parfum tegen stinkende data

Parfum tegen stinkende data?

  • 20 augustus 2019

De waarde van reukloze, zuivere data.

Mijn collega Ronald Kok schreef kort geleden een blog met de titel ‘Onze data stinkt. Wat nu?’. Een databron moet zuiver én betrouwbaar zijn om te kunnen dienen als basis voor goede informatievoorziening. Maar wat doe je als er een luchtje zit aan de data waarmee je moet werken? Recent internationaal onderzoek van Gartner laat zien dat slechte datakwaliteit een groot issue is en daadwerkelijke economische schade tot gevolg heeft.

Hoe maskeer je stinkende data?

Als data- of informatie professional moet je vaak de kwaliteitsissues van data zien op te lossen. De ontvanger van je rapportage ziet meestal alleen het eindresultaat en kijkt jou aan als veroorzaker van slechte en onbetrouwbare informatie. Frustrerend, want jij bent niet de veroorzaker. Jij moet het doen met de data die je aangeleverd krijgt en hebt zelf geen directe invloed op de kwaliteit ervan.

Je kunt natuurlijk doen alsof je neus bloedt en hopen dat de stank van data niet wordt opgemerkt. Maar omdat je je verantwoordelijk voelt, ga je aan de slag met het wegpoetsen van de problemen en ga je sleutelen aan de data om het ogenschijnlijk bruikbaar te maken. Je kunt gebruik maken van verschillende soorten ‘parfum’ om de geur van stinkende data te maskeren. Zo zijn er tools om de data te profileren waardoor je een beter beeld krijgt van de kwaliteit van de data en kunt besluiten wat je met die data gaat doen. Je kunt ook overzichten maken van de ‘stinkende’ data. Deze overzichten geef je terug aan degenen die de data hebben aangeleverd zodat deze personen de data kunnen gaan aanpassen. In het gunstigste geval worden deze rapporten gebruikt en verschijnen de problemen die je eerder hebt geconstateerd dan niet weer opnieuw in de data.

Opgelost! Of toch niet?

Het toepassen van al deze oplossingen helpt wel voor even, maar het zijn oplossingen op de verkeerde plek in het proces van informatievoorziening. Stinkende data blijft stinken, alleen ruik je het tijdelijk niet meer doordat je parfum hebt gebruikt. Wanneer je niet structureel iets aan de kwaliteit van data doet, valt de geur van stinkende data helaas niet meer te maskeren. Die wordt alleen maar sterker. Omdat je de problemen niet bij de databron oplost, blijven er nieuwe problemen ontstaan.

Kosten & baten van het zuiveren van data

Het wordt tijd om datakwaliteit structureel aan te pakken. Alleen dan kun je zorgen voor betrouwbare informatievoorziening. Ook financieel is het op de lange termijn veel voordeliger om voor een structurele aanpak te kiezen. Stel dat het 20 duizend euro per jaar kost om de data op te poetsen, ofwel om parfum tegen stinkende data aan te schaffen. Het structureel aanpakken van datakwaliteit kost in eerste instantie misschien wel een veelvoud hiervan, bijvoorbeeld 60 duizend euro. Op de lange termijn pluk je hier echter de vruchten van. Je krijg betrouwbare informatie voor het succesvol besturen van je organisatie én uiteindelijk minder kosten.

Sparren met je vakgenoten over datakwaliteit

Op 3 oktober organiseren we een Expert meets Expert sessie over datakwaliteit. In 4 uur tijd doe je inspiratie op bij onze expert gastsprekers die een succesvol voorbeeld met je delen, neem je deel aan de discussie waarin je ook jouw vragen kunt inbrengen en ontvang je een schat aan tips & tricks om het tij te keren. Ben jij ook van de partij? Schrijf je dan hier in.

Richard Slingerland
Senior BI Consultant

Deel dit met uw volgers

De waarde van reukloze, zuivere data.

Mijn collega Ronald Kok schreef kort geleden een blog met de titel ‘Onze data stinkt. Wat nu?’. Een databron moet zuiver én betrouwbaar zijn om te kunnen dienen als basis voor goede informatievoorziening. Maar wat doe je als er een luchtje zit aan de data waarmee je moet werken? Recent internationaal onderzoek van Gartner laat zien dat slechte datakwaliteit een groot issue is en daadwerkelijke economische schade tot gevolg heeft.

Hoe maskeer je stinkende data?

Als data- of informatie professional moet je vaak de kwaliteitsissues van data zien op te lossen. De ontvanger van je rapportage ziet meestal alleen het eindresultaat en kijkt jou aan als veroorzaker van slechte en onbetrouwbare informatie. Frustrerend, want jij bent niet de veroorzaker. Jij moet het doen met de data die je aangeleverd krijgt en hebt zelf geen directe invloed op de kwaliteit ervan.

Je kunt natuurlijk doen alsof je neus bloedt en hopen dat de stank van data niet wordt opgemerkt. Maar omdat je je verantwoordelijk voelt, ga je aan de slag met het wegpoetsen van de problemen en ga je sleutelen aan de data om het ogenschijnlijk bruikbaar te maken. Je kunt gebruik maken van verschillende soorten ‘parfum’ om de geur van stinkende data te maskeren. Zo zijn er tools om de data te profileren waardoor je een beter beeld krijgt van de kwaliteit van de data en kunt besluiten wat je met die data gaat doen. Je kunt ook overzichten maken van de ‘stinkende’ data. Deze overzichten geef je terug aan degenen die de data hebben aangeleverd zodat deze personen de data kunnen gaan aanpassen. In het gunstigste geval worden deze rapporten gebruikt en verschijnen de problemen die je eerder hebt geconstateerd dan niet weer opnieuw in de data.

Opgelost! Of toch niet?

Het toepassen van al deze oplossingen helpt wel voor even, maar het zijn oplossingen op de verkeerde plek in het proces van informatievoorziening. Stinkende data blijft stinken, alleen ruik je het tijdelijk niet meer doordat je parfum hebt gebruikt. Wanneer je niet structureel iets aan de kwaliteit van data doet, valt de geur van stinkende data helaas niet meer te maskeren. Die wordt alleen maar sterker. Omdat je de problemen niet bij de databron oplost, blijven er nieuwe problemen ontstaan.

Kosten & baten van het zuiveren van data

Het wordt tijd om datakwaliteit structureel aan te pakken. Alleen dan kun je zorgen voor betrouwbare informatievoorziening. Ook financieel is het op de lange termijn veel voordeliger om voor een structurele aanpak te kiezen. Stel dat het 20 duizend euro per jaar kost om de data op te poetsen, ofwel om parfum tegen stinkende data aan te schaffen. Het structureel aanpakken van datakwaliteit kost in eerste instantie misschien wel een veelvoud hiervan, bijvoorbeeld 60 duizend euro. Op de lange termijn pluk je hier echter de vruchten van. Je krijg betrouwbare informatie voor het succesvol besturen van je organisatie én uiteindelijk minder kosten.

Sparren met je vakgenoten over datakwaliteit

Op 3 oktober organiseren we een Expert meets Expert sessie over datakwaliteit. In 4 uur tijd doe je inspiratie op bij onze expert gastsprekers die een succesvol voorbeeld met je delen, neem je deel aan de discussie waarin je ook jouw vragen kunt inbrengen en ontvang je een schat aan tips & tricks om het tij te keren. Ben jij ook van de partij? Schrijf je dan hier in.

Richard Slingerland
Senior BI Consultant