Data is voor bedrijven wat water is voor planten. Data is niet meer weg te denken. Niet alleen binnen organisaties, maar ook daarbuiten komt er steeds meer data beschikbaar, zoals uit weerdata, data uit loyaliteitsprogramma’s of data via sensoren. Echter staat meer data niet altijd gelijk aan goede data. Exact dit vormt de reden waarom Data Management steeds belangrijker wordt.
Op basis van onze ervaringen en marktkennis tref je onderstaand een opsomming van de top tien meest voorkomende data management uitdagingen en tips om deze uitdagingen te ondervangen. Ongetwijfeld herken je sommige aspecten die binnen jouw organisatie aan de orde zijn. Afhankelijk van de volwassenheid van jouw data managementbeleid zullen bepaalde items in meer of mindere mate voorkomen.
De 10 meest voorkomende data management uitdagingen
1. Data duplicaten
Wanneer er sprake is van data duplicaten van klanten, producten of leveranciers wordt het erg lastig om eenduidig te werken en je processen te volgen. Een simpel voorbeeld: de klant Jansen Houtfabriek komt drie keer voor als debiteur in het ERP systeem. Jansen Houtfabriek plaatst een nieuwe verkooporder; op welke debiteur moeten de verkoopbinnendienst deze order verwerken?
Het is absoluut een must om te werken met dat een golden record; ook wel the single version of the truth genoemd.
2. Data bevinden zich in verschillende systemen
Hoe vaak hoor je niet: “ik moet dat even opzoeken in een ander systeem”.
Bijvoorbeeld wanneer je belt met de klantservice, dat men niet al jouw klantgegevens in één oogopslag kan inzien. Met als gevolg dat men twee of soms meerdere systemen moet raadplegen om de status van jouw helpdesk ticket of vraag te bekijken.
Het gebrek aan een 360° view van klantdata (of productdata, leveranciersdata) is zeer onpraktisch en zorgt voor vertraging in het nemen van juiste beslissingen. Wanneer je je data op orde brengt en werkt in een goed data managementsysteem los je dit probleem eenvoudig op.
3. Verkeerde beslissingen op basis van foutieve data
De gevleugelde uitspraak ‘Shit in = Shit out’ is uiteraard nog steeds de kern van veel data problematiek. Wanneer de input van data incorrect is, zullen de BI-rapportages, analyses en inzichten niet veel beter zijn. Sterker nog, deze zullen resulteren in foutieve beslissingen en mogelijk leiden tot omzet- en margeverlies of erger nog; reputatieschade.
Daarbij is een ongewenst neveneffect dat afdelingen zelf afgeleide versies van deze rapportages maken, met als gevolg inconsistentie data. Ook hier draagt het maken van een single version of the truth bij aan het op orde brengen van data.
4. Geen data eigenaarschap
Wanneer data geen eigenaar kent, voelt in de meeste organisaties niemand zich echt eindverantwoordelijk voor de tijdigheid en kwaliteit van data. Ook het toezien op de onderling gemaakte afspraken omtrent datakwaliteit zal niet of nauwelijks gebeuren.
Het aanstellen van zogenaamde datastewards is een mogelijke oplossing. Dit zorgt ervoor dat data correct wordt verzameld, beheerd en gecatalogiseerd.
5. Inefficiënte data distributie
Hoe vaak krijg jij verzoeken voor het aanleveren van data aan klanten, dealers, productiepartners dan wel het intern management?
“Kun je a.u.b. de datarecords aanleveren van de laatste 80 verkooporders van de klant Jansen Houtfabriek, waarbij deze veertien velden verplicht zijn, in kolomstructuur XYZ”.
Met name de beschikbaarheid, het gebrek aan een uniform format en het ad hoc karakter maken dit soort data aanvragen knap lastig en bovenal inefficiënt.
6. Gebrek aan data standaarden
Bedoel je rood of bordeauxrood? Wil je RVS of geborsteld RVS?
Dit lijken wellicht details, maar het werken met data standaarden (ETIM en GS1 zijn voorbeelden van branche specifieke standaarden) is noodzakelijk om met elkaar dezelfde taal te spreken. Wanneer hierover geen goede afspraken zijn gemaakt met leveranciers, dealers, productiepartners maar ook zeker intern, zullen dit soort vragen continu gesteld blijven worden. Het werken met data standaarden bijvoorbeeld, m.b.t coderingen voor kleuren, materialen en afwerkingen is pure noodzaak.
7. Verouderde data
Het opschonen en verwijderen van oude data is een belangrijk proces en vaak ook een flinke klus. Dit proces wordt data life-cycle management genoemd. Zo moeten er duidelijke regels en afspraken worden gemaakt over producten die bijvoorbeeld End Of Life (EOL) zijn.
Wat doe je in dat geval met de support voor deze EOL-producten?
Waar borg je de oude FAQ’s die hiervoor nog online stonden?
Een ander voorbeeld van verouderde data, is het doorgeven van een adreswijziging. Vaak geschiedt dit online via een invulformulier. Wanneer deze wijziging echter alleen in het CRM wordt verwerkt, maar bijvoorbeeld niet in een kassa/loyaliteitssysteem, kan dit nadelige gevolgen hebben voor de klant.
8. Procesfouten als gevolg van foutieve data
Hiervan kunnen we legio voorbeelden geven:
- Retouren als gevolg van incomplete productdata (foutieve maatvoering) op de website.
- Foutieve inkooporder als gevolg van een niet ingevuld veld: Minimum Order Quantity.
- Incorrecte facturen als gevolg van foutieve klantgegevens.
9. Gebrek aan oorzaak-gevolg kennis
Het gebrek aan bepaalde proceskennis kan ervoor zorgen dat data aanpassingen leiden tot onbedoelde gevolgen. Simpel voorbeeld: in een organisatie zitten klantgegevens in vier systemen. Wanneer je een data object wijzigt dien je dit ook consistent te doen in de overige drie systemen. Bijvoorbeeld de wijziging van een e-mailadres; dan loop je de kans dat de volgende mailing naar het verouderde e-mailadres wordt verstuurd.
10. Gebrek aan handjes voor data onderhoud
Een veel gehoorde opmerking is: “Ik doe dit erbij, naast al mijn andere werkzaamheden’’.
Vaak is er onvoldoende tijd of capaciteit beschikbaar die noodzakelijk is om de data te onderhouden. Dit heeft vaak overuren, of het inhuren van externe krachten tot gevolg.
Uiteindelijk vallen de kosten hierdoor veel hoger uit en zijn de risico’s op het maken van fouten ook groter. Enerzijds vanwege hoge werkdruk, en anderzijds omdat de ingehuurde externen niet die de kennis en kunde hebben.
Door een medewerker verantwoordelijk te maken voor data, zoals een chief data officer, borg je dat andere medewerkers vrij worden gemaakt voor hun core business. De CDO beheert de data en zorgt voor minder fouten en daardoor minder kosten.
Herkenbaar, maar waar begin je nu?
Veel organisaties zien het belang van data management wel degelijk in. Echter men handelt er niet altijd na. Het gebrek aan prioriteit, capaciteit en een heldere aanpak zorgen ervoor dat de oude (veelal inefficiënte) werkwijzen intact blijven.
Waar zitten de pijnpunten voor jouw organisatie, en hoe zwaarwegend zijn die? De eerste stap die je zou kunnen zetten, is te toetsen hoe goed je scoort op de verschillende kerngebieden van data management (data strategy, data operations, data quality, data architecture, data competence en data governance).
Dit is een ingezonden bijdrage van Niek Nendels van Ctac. Hier vind je meer informatie over de oplossingen rond datamanagement van het bedrijf.