Datakwaliteit begint bij mensen

‘Wat voor de één goede data is, is voor de ander lage kwaliteitsdata.’

De belofte van data is helder: gedeelde inzichten en betere besluitvorming. De praktijk is minder eenduidig. Zodra verschillende afdelingen met dezelfde data werken, ontstaan vragen over kwaliteit, eigenaarschap en interpretatie. Niet omdat de techniek tekortschiet, maar omdat mensen verschillend denken en handelen. Twee experts aan het woord.  

Maximale waarde uit ‘data’ kunnen halen geldt in veel organisaties als grote belofte, maar tegelijk ook als terugkerende frustratie. De stap van theorie naar praktijk blijkt lastig. 

In dat spanningsveld bewegen Marit Peters en Gert-Jan Koren van Capgemini Academy. Beide experts zijn dagelijks met data bezig, maar hun invalshoek verschilt. Samen overzien ze alle belangrijke kanten van het data-vraagstuk. 

‘Data lost geen problemen op, data helpt je betere gesprekken te voeren en betere beslissingen te nemen.’ 

Marit Peters is opleidingscoördinator bij Capgemini Academy. In haar werk richt ze zich op training en adoptie bij grote organisatieveranderingen. In haar huidige opdracht begeleidt ze in een landelijke organisatie de overgang naar één SAP-omgeving. Zo denkt ze na welke doelgroepen wanneer worden opgeleid, en op welke manier, zodat mensen op het moment van livegang overtuigd met het nieuwe systeem kunnen werken. 

Gert-Jan Kooren is trainer en data-expert bij Capgemini Academy. Daarvoor werkte hij binnen Capgemini Insights & Data, waar hij als architect betrokken was bij het ontwerpen van data platforms en data-processen, en het inrichten van data governance en datakwaliteitsmanagement.  

Wanneer is data voor jullie van hoge kwaliteit? 

Gert-Jan: ‘Neem een webshop. Als klant maak je daar een account aan, je plaatst een bestelling, rekent af en krijgt het product geleverd. Vanuit het perspectief van de orderafhandeling is de datastroom prima geregeld wanneer de order zonder problemen door het systeem gaat, de betaling wordt verwerkt en het product wordt uitgeleverd.’ 

‘Maar de afdeling marketing kijkt daar anders naar. Die wil klanten kunnen identificeren en volgen. Hoe vaak komt iemand terug, wat koopt diegene, en hoe ontwikkelt dat zich over de tijd?’ 

‘Stel dat we de datakwaliteit nu puur afstemmen op de behoeften van de orderafdeling. Dan is de kans groot dat als eenzelfde persoon zich later met een ander e-mailadres opnieuw registreert, er twee klantprofielen ontstaan. Dat maakt voor de afhandeling niets uit. Maar voor marketing lijkt het alsof er twee klanten zijn, wat sturen op klantgegevens moeilijker maakt.’ 

‘Wat de een goede kwaliteit data vindt, is voor anderen dan lage kwaliteitsdata.’ 

‘Dat herken ik,’ zegt Marit. ‘Mensen vullen data altijd in vanuit hun eigen werkcontext.’ 

Kun je daar een voorbeeld van geven? 

Marit: ‘Als je mensen vraagt datavelden in te vullen en je leidt die mensen verder niet op, dan zullen ze alles invullen met wat voor hen logisch voelt op dat moment. Dat kan iets zijn dat nuttig is voor hen, maar denk ook aan een antwoord dat het systeem gewoon accepteert of met frasen als “niet van toepassing”. Formeel is de taak dan geklaard.’ 

‘Goed om toe te voegen,’ gaat Marit verder: ‘Dit is meestal geen onwil. Mensen doen wat binnen hun eigen werk logisch en begrijpelijk is. En dan zijn er ook nog persoonlijke verschillen: de een wil een IT-systeem door en door begrijpen, de ander wil er zo min mogelijk mee bezig zijn.’ 

Oké, hoge kwaliteits-data is geen vast gegeven. Wat betekent dat concreet voor organisaties? 

Gert-Jan: ‘Essentieel is dat je als organisatie goed op het netvlies hebt waarvoor je bepaalde data nodig hebt en wat de kwaliteitseisen zijn die daarbij horen. Pas dan kun je bepalen wat “goed genoeg” is.’ 

‘Dat betekent ook dat je keuzes moet durven maken. Niet elke dataset hoeft aan alle mogelijke eisen te voldoen. Data kan ook gewoon goed genoeg zijn. Stel vragen als: wie gebruikt deze data, in welk proces, en met welk doel?’ 

Marit: ‘Wat ik vaak zie, is dat organisaties die keuzes impliciet laten. Ze gaan ervan uit dat mensen het wel snappen. Maar dat gebeurt niet vanzelf.’ 

‘Als je niet duidelijk maakt waarom bepaalde data belangrijk is en wat er in de keten mee gebeurt, dan blijft het voor mensen iets administratiefs. Iets dat “moet”, maar niet iets dat betekenis heeft.’ 

Regie is alles? 

Gert-Jan: ‘Regie is het begin. Daaruit volgt structuur. Iemand moet het overzicht hebben en bewust beslissen: welke datastromen zijn leidend – en welke bouwen daarop voort.’ 

‘In professionele organisaties zie je een onderscheid tussen een kernstroom en afgeleide stromen. De kernstroom bevat gegevens die organisatiebreed worden gebruikt en vertrouwd — denk aan klant-, product- of leveranciersgegevens. Die vormen de basis onder zowel processen als rapportages en moeten dus consistent zijn.’ 

‘Daarnaast ontstaan er afgeleide stromen. Afdelingen combineren die kerngegevens met andere informatie, voegen er context aan toe of maken selecties voor hun eigen werk, bijvoorbeeld voor analyses, campagnes of interne rapportages.’ 

‘Je kunt dat vergelijken met een hoofdweg met zijstraten. De hoofdweg bepaalt de richting en zorgt voor samenhang. De zijstraten zijn nodig om bestemmingen te bereiken, maar zijn niet bedoeld om het verkeer opnieuw te organiseren. Die kunnen anders zijn ingericht.’ 

Een begrip dat nog een beetje blijft hangen is ‘data die goed genoeg is’. Dat klinkt pragmatisch, maar ook lastig om op te sturen. Waarom niet gewoon streven naar ‘zo goed mogelijk’? 

Marit: ‘Nou, neem een extreme maar wel vaak voorkomende situatie. Stuur je op perfectie, dan ontstaan in de organisatie al snel kleine groepen die zich volledig richten op datakwaliteit en die ervan overtuigd zijn dat als de data maar perfect is, de organisatie vanzelf beter gaat functioneren, of dat er ineens allemaal nieuwe businessmodellen gaan ontstaan.’ 

‘Ten eerste werkt het niet zo: maar weinig organisaties hebben data als hart van hun businessmodel. Ook kun je met data foutjes elders in processen niet wegpoetsen. Maar erger is dat sturen op perfectie in data leidt tot meer datavelden, meer controles, meer uitzonderingen. Gegevensbeheer wordt complex, log en duur, met alle gevolgen van dien.

‘Zo kan het oorspronkelijke doel uit zicht raken, of kan het streven naar kwaliteit leiden tot kwaliteitsverlies elders in de organisatie — bijvoorbeeld doordat data veel later beschikbaar is.’ 

Helder. Maar hoe trek je een grens? 

Gert-Jan: ‘Het gaat om keuzes maken. Denk: dit specifieke stukje data moet altijd kloppen, want hier nemen we besluiten op. Voor een ander stukje data is het voldoende dat de data richting geeft, of dat gegevens later kunnen worden aangevuld.’ 

Als je dit alles vertaalt naar de praktijk: welk gedrag is er nodig om datakwaliteit te laten landen in organisaties? 

Marit: ‘Mensen moeten worden opgeleid, en dat is een kwestie van heel veel en goed communiceren. Hoofdzaak is dat mensen begrijpen wat hun rol is in de data-keten. Wat gebeurt er met de gegevens die zij vastleggen, wie werkt daar later mee, waarom is dat belangrijk? Daarmee geef je het werken met data betekenis.’ 

Hoe doe je dit in de praktijk? 

Marit: ‘Het betekenis geven aan het data-traject is voor alle betrokkenen belangrijk. Vervolgens kijk je per doelgroep wat nodig is. Niet iedereen hoeft hetzelfde te weten. Iemand die dagelijks data invoert, heeft andere kennis nodig dan iemand die die data analyseert of er besluiten op neemt.’ 

‘Wat betreft vorm van een opleiding is van alles mogelijk. Soms is een klassikale training zinvol, vaak is een korte uitleg op het moment van het eerste gebruik zelf effectiever. Het gaat erom dat mensen hun kennis kunnen en willen toepassen zodra het relevant wordt.’ 

‘Na de implementatie ben je trouwens niet klaar. Pas later zie je waar mensen vastlopen, welke shortcuts ze ontwikkelen, positief of negatief. Enzovoorts. Die informatie wil je ophalen en daarop bijsturen.’ 

Klinkt best eenvoudig… 

Gert-Jan: ‘Voor mij is empathie het sleutelwoord.’ 

‘Een IT’er, een marketeer, een controller en een bestuurder hebben allemaal een ander perspectief en andere belangen. Voor ieder van hen is kwalitatieve data net iets anders.’ 

‘Zolang iedereen vanuit zijn eigen rol redeneert, praten mensen langs elkaar heen. Pas als jij je echt verplaatst in wat een ander nodig heeft van data, kun je afspraken maken die in de praktijk werken. Daar is empathie voor nodig. En empathie krijg je, zoiets zei Marit ook net, door te communiceren.’ 

Tot slot: als je dit gesprek terugbrengt tot de kern, wat is dan datakwaliteit? 

Gert-Jan: ‘Data is een middel. Een tool. Data lost geen problemen op, data helpt je betere gesprekken te voeren en betere beslissingen te nemen — als je vooraf hebt nagedacht over waarvoor je het gebruikt.’ 

‘Zonder die afspraken blijft data een instrument waar iedereen iets anders van verwacht.’ 

Marit: ‘Allerbelangrijkste is dat organisaties het data-instrument echt onderdeel maken van het dagelijkse werk. Door steeds opnieuw te praten over waarom data wordt vastgelegd en wat anderen ermee doen.’ 

‘En door dat gesprek bewust gaande te houden — tussen afdelingen, tussen rollen, en tussen mensen met verschillende perspectieven. Pas dan wordt data iets van iedereen en niet van de IT-afdeling of externe consultant.’ 

Meer weten over datakwaliteit in de praktijk?