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 datamanagement 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 bevindt 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.
