Onze data is toch niet zo goed
als we dachten...
In deze vijfde blog van de serie over succes factoren gaan we het hebben over de kwaliteit van de jouw data. Of beter gezegd: het gebrek eraan. Want te vaak komen we tegen dat iedereen maar denkt dat alle data super mooi in elkaar zit. Helaas is dit vrijwel nooit het geval.
Dus hoe ga je de waarde halen uit je data met je eerste set rapportages, terwijl je data nog niet 1-2-3 bij elkaar kan klikken?
Je leest het antwoord in deze blog. Laten we beginnen…
Onze data is toch niet zo goed...
“Ai ai ai…!”, kermt Madelon. Ze staart naar haar scherm en ziet dat de 65 tabellen die zijn ingelezen eigenlijk er geen een is die echt goede data bevat.
Ze ziet dat er vaak kolommen niet worden ingevuld, records niet op de juiste manier aan elkaar gekoppeld zijn of dat er zelfs dubbele sleutels voorkomen waardoor er allerlei rare dubbelingen ontstaan die ze stuk voor stuk met de hand eruit moet zien te halen.
“Hoe kan dit nou?’”, vraagt ze aan Martijn van IT.
“Ja, dat is vrij logisch”, zegt hij.
“In de afgelopen jaren hebben we vrij veel wijzigingen doorgevoerd in onze processen en applicaties. Hierdoor zijn onze orders wel prima verwerkt, maar de data voor de ene order er dus heel anders uit kan zien dan de andere”.
“Daarnaast kunnen gebruikers vrij makkelijk velden misbruiken door er andere data in te zetten omdat we dat technisch toelaten. Je kan van alles in die kolommen kwijt waardoor je iedere keer nét even andere schrijfwijzen en notities krijgt”, antwoord Martijn.
“Oh, mijn god, dat meen je niet”, kreunt Madelon.
Ze ziet al de tijd die ze kwijt gaat zijn om dit allemaal recht te trekken voor zich. En dat is tijd die ze niet heeft.
“Over hoeveel data issues zouden we het kunnen hebben?”, vraagt Madelon aan Martijn.
“Ja, dat zijn er nogal wat. Alleen al technisch kijkend kan ik er al 20 zo uit mijn mouw schudden. Dat is nog zonder onze specifieke data issues, dus je praat over tientallen controles en verbeteringen…”.
Dit keer weet Madelon al wat Peter haar gaat vragen en ze besluit hem een stap voor te zijn. Ze neemt wederom contact op met het Fortezza team en dit keer verrast het haar niet: ze hebben al de oplossing. Dit is nou de partner die ze zocht. Iemand die al deze problemen al vele malen eerder heeft ervaren en daar de juiste oplossing voor heeft.
Ze hoort het verhaal aan over het Data kwaliteits Framework, wat eigenlijk hetzelfde werkt als alle andere frameworks.
Een bron applicatie wordt uitgelezen en tijdens dat proces worden er allerlei data kwaliteit controles uitgevoerd over de data. Ze hoort dat het Fortezza team er zelf al meer dan 20 standaard uitvoert, maar dat ze ook FabricaTech “eigen” controles kunnen invoeren.
“Peter, ik wil je iets moois laten zien”. Madelon heeft een Power BI dashboard op het scherm in de boardroom gezet en verteld dat ze de dag ervoor alle data kwaliteit checks heeft laten uitvoeren over de 65 datasets.
Het resultaat is zichtbaar in hun eigen Power BI Dashboard en voor het eerste zien ze hoe hun data in elkaar steekt.
“Kijk”, zegt Madelon. “Zie je nu dat in de sales order tabel er maar liefst 687 records zijn waar de delivery date voor de shipping date ligt? En dat 17% van alle orders een ontbrekende of incorrecte product mapping heeft?
Dit is de reden waarom er zoveel tijd besteedt worden aan al die “simpele” overzichten want iedereen moet per record bepalen hoe ze deze wel of niet willen corrigeren”.
Peter- Eigenaar FabricaTech
Peter kijkt naar de uitkomsten van de analyse en ziet dat er inderdaad veel data niet op de juiste manier is vastgelegd. Incompleet, incorrect, niet tijdig en nog andere varianten waardoor het er allemaal niet makkelijker erop wordt.
“Ik dacht dat wij echt goede data hadden. Ik riep altijd “…hoe moeilijk kan dit nou zijn?”, maar nu besef ik pas welke ellende onze mensen door moeten voor ze een beetje inzicht hebben”, concludeert Peter voorzichtig.
“Bekijk het van deze kant”, zegt Madelon. “We weten nu precies waar we moeten verbeteringen. Sommige dingen zijn echt laag hangend fruit, zoals die datums. Die kunnen we met IT makkelijk zo programmeren dat die altijd ná elkaar moeten komen. En zo kunnen we per controle bepalen wat we er structureel aan moeten doen en wat we nu gewoon met een formule in het rapport gaan fixen”.
Ik dacht dat wij echt goede data data haddden. Ik riep altijd: " Hoe moeilijk kan dit nou zijn?"
“Dat is waar. We zetten samen met het IT team een aantal nieuwe items op de backlog en zij kunnen dan dit zo snel mogelijk doorvoeren. Hoe gaan we dan toch onze eerste rapportages maken?”, vraagt Peter zich hardop af.
“Komt goed”, zegt Madelon. “Ik heb een start cursus Power BI gevolgd en ik kan nu de eerste rapportages op te zetten. Als we dan de structurele verbeteringen doorvoeren, worden we vanzelf minder afhankelijk van die codes en formules”.
Peter glimlacht en zegt “Wat heb je dit toch goed doordacht. Prima oplossing en laten we snel starten. Ik kan niet wachten tot de eerste resultaten!”.
Ga verder met deel 6
Maar voor Madelon is dit niet de laatste horde. Een paar dagen later spreekt ze haar vriendin die bij de concurrent werkt. Van haar hoort ze hoe haar data project is verlopen en dat het nieuwste van het nieuwste niet altijd de beste is optie is….