Hoe u de gegevenskwaliteit kunt verbeteren door feedbackloops te gebruiken

Klik voor meer informatie over auteur Eva Murray.

In deze blog kijken we naar: de impact die slechte datakwaliteit heeft op organisaties en praktisch advies om deze uitdaging het hoofd te bieden door middel van feedbackloops.

Een slechte datakwaliteit kan organisaties elk jaar miljoenen kosten. Het kan leiden tot verkeerde beslissingen, vertragingen en gemiste kansen.

Terwijl Data kwaliteit is een onderwerp waar mensen in de IT- en bedrijfsafdelingen het afgelopen decennium over hebben gesproken en zich op hebben gefocust, de huidige staat van datakwaliteit in veel organisaties suggereert dat deze discussies niet zijn opgevolgd met de nodige maatregelen.

In dit artikel zal ik enkele suggesties schetsen om grip te krijgen op datakwaliteit in uw organisatie. Dit is gebaseerd op het idee om feedbackloops te gebruiken om niet alleen de werklast voor het aanpakken van datakwaliteitsproblemen te verdelen, maar ook om de verantwoordelijkheden te delen tussen gegevenseigenaren, gegevensgebruikers en gegevensproducenten.

Slechte gegevens – en veel

Organisaties, ongeacht hun grootte, worden steeds datarijker door het verzamelen van data en informatie uit elk onderdeel van hun bedrijfsprocessen. Als de datakwaliteit al onder het streefcijfer ligt en er geen processen zijn om dit recht te zetten, zal het vergroten van het datavolume het probleem alleen maar erger maken.

Datakwaliteitsproblemen worden vaak acuut gevoeld door data-analisten en datawetenschappers. Ze moeten deze problemen aanpakken door middel van gegevensopschoning en vaak langdurige processen om gegevens om te zetten in iets nuttigs voor hun analyses.

Elke extra gegevensbron maakt het proces nog ingewikkelder en kost – althans op korte termijn, voorafgaand aan procesautomatisering – extra tijd. Dit is de tijd die deze dataprofessionals anders zouden kunnen besteden aan het beantwoorden van zakelijke vragen en het identificeren van trends en inzichten in de data die kunnen leiden tot nieuwe inkomstenkansen. Dus, wat is de oplossing?

Waar kunt u problemen met de gegevenskwaliteit aanpakken?

Datavoorbereiding en integratietools hebben het voor organisaties mogelijk gemaakt om de symptomen van een slechte datakwaliteit aan te pakken en zoveel mogelijk te corrigeren geldige en betrouwbare gegevens kan worden gebruikt om besluitvormingsprocessen te ondersteunen.

Mijn suggestie is om effectieve feedbackloops tot stand te brengen tussen degenen die met de gegevens werken en degenen die de gegevens bij de oorsprong produceren of invoeren. Het verbinden van deze twee delen van de datawaardeketen kan helpen om de oorzaken van slechte datakwaliteit op de lange termijn aan te pakken door processen te verbeteren en gedrag te veranderen.

Toen ik vorig jaar naar het VK verhuisde en me aanmeldde bij een gsm-provider, zag ik uit de eerste hand hoe gebrekkige gegevens ontstaan.

Tijdens zijn gesprek met mij moest de verkoopadviseur mij naar persoonlijke gegevens vragen om het formulier in te vullen dat de basis vormde voor ons contract. Er waren echter minstens twee dozijn extra velden die hij met informatie moest vullen voordat hij verder kon gaan met de transactie. Maar deze informatie was op dit punt in het proces ook niet essentieel, en het stellen van al deze vragen zorgde ook niet voor een positieve ervaring voor mij als klant, omdat ik een gsm-contract wilde en geen interview van 30 minuten.

Om mij het ongemak te besparen en het proces te versnellen, heeft de verkoopadviseur simpelweg dummy-waarden ingevoerd in elk van de verplichte velden, en we hebben de transactie afgerond.

Ik kon het niet helpen, maar voelde voor zijn collega’s op de afdelingen data engineering en analyse die nu mijn rommelige gegevens moeten opruimen voordat ze mijn gsm-gebruik analyseren.

Hoe u een feedbacklus maakt

Als je een slechte datakwaliteit bij de bron wilt aanpakken, helpt het om degenen die de data creëren te verbinden met de mensen die er gebruik van maken, zodat ze elkaars behoeften en taken beter begrijpen.

Terugkomend op mijn voorbeeld hierboven, als we een gesprek tussen de verkoopadviseur en een data-analist zouden kunnen faciliteren, weet ik zeker dat de verkoopadviseur beter zou begrijpen hoe belangrijk gegevens van hoge kwaliteit zijn voor de data analist. Evenzo zou de analist mogelijkheden kunnen zien om het gegevensverzamelingsproces in klantgerichte rollen te verbeteren om zijn collega te helpen de broodnodige gegevens te produceren.

In mijn werk met analyse- en datagemeenschappen in organisaties over de hele wereld, heb ik gezien dat het samenbrengen van mensen met verschillende rollen en hen aanmoedigen om van elkaar te leren, een belangrijke bijdrage kan leveren aan het opbouwen van een datacultuur.

Verbind personeel om de datakwaliteit te verbeteren

Voor datakwaliteit kan een vergelijkbare aanpak werken. Waarom verbindt u de klantgerichte medewerkers die gegevens invoeren niet met degenen die deze analyseren? Of het nu gaat om de verkoopadviseur van een gsm-aanbieder, de verpleegkundige of frontofficemedewerkers in een ziekenhuis, of de bankbediende – elk van hen verzamelt gegevens van klanten, patiënten en klanten, en hoe beter hun proces is, hoe beter het resultaat. Data kwaliteit.

Om de feedbackloop op gang te brengen en mensen in uw organisatie te helpen relaties op te bouwen en constructieve gesprekken te voeren, raad ik u aan om met een kleine groep te beginnen. Het is belangrijk dat u duidelijk weet wat het doel is, hoe beide partijen er baat bij hebben, en dat u wilt dat ze een voortdurende verbinding hebben, zodat ze eventuele problemen, vragen en oplossingen kunnen stellen.

Door specifieke voorbeelden te gebruiken, kunnen u en de groep het gesprek beginnen. Het kan ook de basis vormen voor ideeën, suggesties en een gedeeld begrip van de rol die iedereen speelt in het proces, van gegevenscreatie tot analyse en rapportage.

Zet het gesprek voort

Zodra de eerste ontmoeting heeft plaatsgevonden, ondersteunt u elke deelnemer om contact te houden. Dit kan gebeuren door middel van de communicatiemiddelen die u binnen uw organisatie tot uw beschikking heeft als een open kanaal waar mensen naar behoefte kunnen deelnemen. En wanneer dit proces grip heeft gekregen, kunt u anderen gaan uitnodigen om bij te dragen.

Resultaten laten zien is natuurlijk belangrijk en nadat de eerste problemen zijn besproken, moeten mensen actie ondernemen om veranderingen en verbeteringen aan te brengen.

Geef de resultaten als regelmatige updates aan de bredere groep direct betrokkenen en vervolgens aan het bedrijf als geheel, indien van toepassing.

Als je kunt laten zien hoe constructieve discussies over datakwaliteit kunnen leiden tot verbeterde, vereenvoudigde processen voor eerstelijnsmedewerkers en betere datakwaliteit voor analisten en datawetenschappers, dan is dat een krachtige manier om een ​​breder publiek te betrekken en verdere verbeteringen te realiseren.

Neem bij het presenteren van de resultaten waar mogelijk meetbare statistieken op. Besparen de proceswijzigingen tijd (en frustraties) bij het omgaan met klanten? Hoe heeft de verbeterde gegevenskwaliteit de behoefte aan complexe workflows voor het opschonen van gegevens verminderd?

De verandering leiden

Het initiatief nemen om de kwaliteit van de gegevens in uw organisatie te verbeteren, is niet alleen een goed idee, maar ook een belangrijke stap die u nu moet nemen, aangezien u geconfronteerd wordt met de voortdurende groei van datavolumes, de complexiteit van databronnen en de constante evolutie van uw Data-architectuur.

Te veel van ons blijven in silo’s werken en vergeten soms dat de anderen die verder stroomopwaarts in de datawaardeketen zitten, eigenlijk onze collega’s zijn en dat we met hen kunnen praten, vragen kunnen stellen, luisteren en samen oplossingen kunnen vinden. In grote organisaties en zelfs in kleine, komt deze communicatie niet vaak voor, dus ik wil u aanmoedigen om het te vergemakkelijken en de mensen die een cruciaal onderdeel zijn van het gegevensverzamelings-, verwerkings- en analyseproces samen te brengen en hen te helpen pakken datakwaliteitsproblemen op een constructieve manier samen aan.