Låg datakvalitet kan påverka ditt arbete på flera sätt. Här är de vanligaste problemen vi stöter på.
Illustration av Simon Child, The Noun Project.
Låt oss börja med ett förtydligande: datakvalitet är ett komplext begrepp. Vad som är ”bra data” beror helt och hållet på vad den ska användas till. Sju procent felaktiga kundadresser är helt okej om du ska skicka ut en katalog – kör du ambulans är det däremot en katastrof.
Datakvalitet är dessutom svår att mäta och utvärdera på ett tydligt sätt. Att något är svårt innebär dock inte att det kan försummas. Även om du inte sysslar med räddningstjänst kan låg datakvalitet påverka ditt arbete negativt på flera sätt. Här presenterar vi de fem vanligaste problemen.
1. Onödiga direkta kostnader
Det här är den mest synliga typen av problem som uppstår. Exempel är portokostnader för dubbla utskick på grund av dubbletter i kundregistret eller missade intäkter för att fakturauppgifter saknas. Insatser för att korrigera den här typen av datafel är ganska enkla att räkna hem och därför ett bra ställe att starta arbetet med att styra upp datakvaliteten.
2. Ineffektivitet
Hur mycket tid lägger din personal på att leta korrekta uppgifter? Informationstillgänglighet har en avgörande betydelse för hur effektivt en människa kan arbeta i ett affärssystem. Dubbletter, felaktig namngivning och tomma informationsfält kan försämra den totala produktiviteten med så mycket som 20 % enligt en undersökning från Gartner.
3. Felaktiga beslut
Beslut kan aldrig bli bättre än det underlag de baseras på. Var det verkligen rätt att öppna den där butiken i Portugal? Kanske inte när det visar sig att försäljningssiffrorna som beslutet grundades på egentligen kom från Spanien. Det kanske låter självklart, men den här typen av misstag händer oftare än man tror.
4. Verksamhetsstörningar
Ju mer avancerad din affärssystemlösning är, desto mer beroende är den av korrekt data. I en automatiserad process kommer inga användare i kontakt med datan, de kan därför aldrig ingripa för att korrigera fel. Det nya helautomatiska lagret fungerar inte alls bra om meter och centimeter har förväxlats i artikeldatan.
5. Juridisk efterlevnad [compliance]
Även om datan fungerar för era syften så finns det ofta externa parter som ställer andra krav. Medicinteknik, sjukvård, livsmedel och finans är branscher med mycket utförliga regleringar, men det finns inte någon bransch som helt kommer undan efterlevnadskrav från diverse myndigheter. Att slarva med recept, patientjournaler, kontouppgifter eller annan känslig data kan bli mycket kostsamt.
Många frukter hänger lågt
Att ta tjuren vid hornen och införa ett systematiskt datakvalitetsarbete kan sänka kostnader och öka intäkter. Visst finns det en rad utmaningar, men modern metodik och bra verktyg skapar helt nya möjligheter att skapa stort värde med små medel.