We beginnen bij de basis: als mensen geen vertrouwen hebben in de datakwaliteit, zullen ze er geen beslissingen op baseren. Dit gebrek aan vertrouwen kan te wijten zijn aan verschillende factoren: de gegevens kunnen inconsistent zijn tussen afdelingen, het kan te lang duren om ze te verzamelen en te analyseren, of ze kunnen onnauwkeurig zijn vanwege een defect systeem of een menselijke fout. De hoofdpijn die gepaard gaat met incompatibele datasets proberen te verzoenen met elkaar, leidt er ook vaak toe dat mensen helemaal geen data gebruiken. En dat wil je helemaal vermijden.

Als mensen hun gegevens niet vertrouwen, kiezen ze waarschijnlijk zelf welke data ze zullen gebruiken voor eventuele inzichten. Daarbij gaan ze potentieel nuttige inzichten mogelijks negeren, omdat ze niet het gevoel willen hebben dat ze beslissingen nemen op basis van slechte informatie. Dit gebrek aan vertrouwen verlamt de besluitvorming, waarbij managers ervoor kiezen te vertrouwen op hun intuïtie in plaats van op inzichten uit data.

Slechte data kunnen de perfecte omgeving creëren voor fraude binnen je bedrijf en leiden tot aanzienlijke financiële verliezen. Fraude gaat over het algemeen over mensen die data manipuleren om geld of andere activa van een bedrijf te ‘vervreemden’. Dit kan een individuele werknemer zijn die valse beweringen doet over werkuren of loongegevens die niet overeenkomen met de realiteit. Frauduleuze gegevens kunnen zelfs worden veroorzaakt door de wens om organisatiedoelen te halen ten koste van betrouwbaarheid of kwaliteit. Daarbij worden data vaak mooier voorgesteld dan de praktijk in de realiteit.

Om het risico op fraude te bestrijden, moeten bedrijven systemen hebben om ongebruikelijke activiteiten te identificeren en te onderzoeken. Slechte data kunnen dit echter veel moeilijker maken. Als je er niet op kunt vertrouwen dat jouw systemen nauwkeurige gegevens verstrekken over de uren van werknemers of loonschalen wordt het veel moeilijker om valse claims te identificeren.

Onjuiste gegevens kunnen er op verschillende manieren toe leiden dat medewerkers het vertrouwen in jouw bedrijf verliezen. Slechte gegevenskwaliteit en gebrek aan transparantie in de dataverwerking, kunnen leiden tot privacy-gerelateerde problemen. Het kan er ook toe leiden dat je bedrijf fouten of misrekeningen maakt die rechtstreeks van invloed zijn op interne en externe spelers, zoals het sturen van foute loonbrieven naar medewerkers of medewerkers eerder onterecht gepromoveerd worden. In systemen die geen onderscheid maken tussen gelijkaardige namen of typfouten bevatten in de ID-nummers, is zoiets snel gebeurd.

Als medewerkers het gevoel krijgen dat je geen controle hebt over de data, zullen ze waarschijnlijk ook het vertrouwen verliezen in je algemeen vermogen om een betrouwbaar en efficiënt bedrijf te runnen. Daarbij kunnen slechte gegevens er ook toe leiden dat mensen oneerlijk worden behandeld, waarbij systemen ze per ongeluk blokkeren of systematisch uitsluiten op basis van data. Een CV-screening gebaseerd op enkel de gegevens uit oude CV’s, kan er per ongeluk voor zorgen dat enkel blanke mannen zonder geschiedenis van arbeidsbeperkingen worden toegelaten op gesprek. Dit leidt overduidelijk tot slechte PR en kan jouw merk ernstig beschadigen.

Wanneer je slechte data in jouw systemen hebt, kan het een lastigere taak zijn om deze te vinden en te verwijderen. Ook in dit geval is het beter om in eerste instantie te vermijden dat de datakwaliteit slecht zal zijn en hier bij de input van de data de nodige aandacht aan te besteden. Problemen met de gegevenskwaliteit kunnen namelijk worden veroorzaakt door een heleboel verschillende redenen: onnauwkeurige gegevensinvoer door menselijke fouten, fouten bij het invoeren van gegevens door geautomatiseerde systemen, verouderde gegevens of ontbrekende elementen, en gegevens die van het ene systeem naar het andere worden overgedragen in een formaat dat niet goed kan worden gelezen.

Je kan deze gegevens ook niet met één knop opschonen nadat ze een probleem hebben veroorzaakt. Het kost tijd en geld om te achterhalen waar het probleem lag, manueel de ruwe data aan te passen en alle navolgende analyses opnieuw uit te voeren.

Soms betekent dit zelfs het hele dataverzamelingsproces op een andere manier aanpakken of negatieve gevolgen weer ongedaan maken of indijken. Dan moet je de vertragingen bij bedrijfskritische processen gaan beperken tot zelfs de juiste toegang tot systemen bezorgen bij de mensen die ze nodig hebben. Een dokter die plots geen toegang meer heeft tot het operatiekwartier omdat zijn badge niet wordt herkend, is maar één van de gevolgen van slechte data die je liever niet op je geweten hebt.

Data zijn een ongelooflijk waardevolle hulpbron die jouw bedrijf kan maken, maar ook breken als het niet goed wordt beheerd. Het is gemakkelijk om de enorme kosten te zien die gepaard gaan met het oplossen van dataproblemen, maar het is veel moeilijker om de verdere verliezen te kwantificeren die bedrijven lijden als gevolg van slechte gegevenskwaliteit. Het goede nieuws is dat al deze problemen bij de bron kunnen worden aangepakt - door ervoor te zorgen dat je data van hoge kwaliteit verzamelt.

Wil je op de hoogte blijven van andere interessante boeken? Schrijf je dan zeker in op onze gratis tweemaandelijkse nieuwsbrief.