Waarom is datakwaliteit een mensenprobleem?

In de directiekamer gaat de discussie ineens niet meer over de juiste actie. Ze gaat over de vraag of de cijfers wel kloppen.

Herkenbaar? Dan zit het probleem zelden in de techniek. In de derde aflevering van De Dataleiders leggen we de vinger op de zere plek. Je leest waarom slechte datakwaliteit bijna nooit bij de software vandaan komt. En waar je morgen wél begint.

Host Bas Haarhuis sprak met Aleks Hoogendoorn, Senior Consultant bij Climber. Aleks werkt veertien jaar in digitale transformatie binnen logistiek, retail en productie. Zijn boodschap is helder. Wie zijn datakwaliteit wil verbeteren, begint niet bij een nieuw dataplatform. Datakwaliteit is geen technisch probleem. Het ontstaat bij mensen, bij afspraken en bij definities.

Bekijk de hele aflevering hier.

Waarom lijkt slechte datakwaliteit een technisch probleem?

Omdat de uitkomst zichtbaar is in een dashboard, en een dashboard is techniek. Mensen vergelijken het met hun vertrouwde Excel en concluderen dat de implementatie niet klopt.

Maar een getal is een uitkomst. En die uitkomst gaat vooraf aan veel fasen en berekeningen. Incomplete data, inconsistente data en verschillende definities sturen het resultaat. De software is grondig getest en draait bij honderden bedrijven. Het misverstand zit in de stappen ervoor, niet in de tool. Daarom voelt het als een technisch probleem, terwijl de oorzaak ergens anders ligt.

Waar ontstaat het probleem dan wel?

Bij de invoer. Vrije invoervelden krijgen bij elke collega een eigen variant. De een vult iets in, de ander net iets anders, en niemand weet waarom het veld bestaat.

Aleks geeft een voorbeeld uit transport. De marges zijn dun. Chauffeurs houden hun activiteiten bij via een omschrijving. De ene chauffeur vult niets in, de andere keurig wat is afgesproken, de rest iets ertussenin. Dat veld bepaalt of kosten worden doorbelast. Elke gemiste registratie kost marge. Niet één keer, maar structureel. En het probleem zit in de onwetendheid. Mensen weten vaak niet dat er op dat veld wordt gestuurd, dus zien ze de ernst er niet van in.

De oplossing in de invoer is simpel. Geen vrij tekstveld meer, maar een keuzelijst. En verplicht een keuze. Zo houd je varianten buiten de deur en blijft de data consistent, ook als er morgen een nieuwe collega start.

Waarom zijn definities zo belangrijk?

Omdat afdelingen hetzelfde woord anders bedoelen. Zonder gedeelde definitie kom je nooit op dezelfde cijfers uit.

Neem een order in de logistiek. Wanneer telt die mee? Sales rekent vanaf de handtekening. Logistiek rekent vanaf het moment van picken of uitleveren. Finance kijkt naar de betaalde factuur. Drie afdelingen, drie waarheden. Dan is een verschil in het dashboard geen bug, maar een definitiekwestie. Pas als je die definities op elkaar legt, stopt de discussie over de cijfers en begint het gesprek over de actie.

Wie is eigenaar van datakwaliteit?

Iemand met een naam. Zonder eigenaarschap verandert er niets, hoeveel je ook investeert.

Kijk naar de rollen. IT houdt het systeem draaiend, maar kent de processen inhoudelijk niet. De business wil sturen op informatie, maar voelt zich niet verantwoordelijk voor de invoer. En op de werkvloer wil de chauffeur of orderpicker vooral productief zijn. Tussen die drie valt datakwaliteit makkelijk tussen wal en schip.

Maak daarom één persoon verantwoordelijk. Die geeft duidelijke instructies aan de business over wat er met de data moet gebeuren. Heb je een masterdata-team? Dan stroomlijnt dat team de informatie tussen systemen en afdelingen, zodat er één waarheid is. Heb je dat team niet? Start klein. Kies een paar meetwaarden waarop je stuurt en kijk daar kritisch naar de kwaliteit van de data.

Hoe krijg je mensen mee?

Met begrip. Leg uit waarom je iets bijhoudt en waarop je stuurt.

Een chauffeur die een vinkje zet zonder reden ervaart het als extra werk. Vertel je waaróm dat vinkje telt, dan krijg je medewerking. Aleks voegt een praktische tip toe. Maak er soms een wedstrijdje van of koppel er een kleine beloning aan. Zelfs een speelse negatieve prikkel werkt, zoals trakteren bij wie het structureel vergeet. Maar het zwaarst weegt de steun vanuit directie en management. Mensen willen het waarom weten, dan volgt het gedrag vanzelf.

Wat betekent dit voor AI?

Hoe meer je met AI doet, hoe groter de impact van slechte data. Een AI-agent op een vervuilde bron geeft overtuigende antwoorden die niet kloppen.

Aleks zag het gebeuren. Een AI-agent gaf andere cijfers dan het bestaande dashboard. De eindklant was er nog niet achter. Het verschil zat in de definitie. Het dashboard filterde op een paar categorieën, de agent telde alles bij elkaar op. De agent had gelijk, de definities in het dashboard waren gedateerd. Inmiddels zijn ze bijgewerkt en zit alles weer op één lijn.

De les is ongemakkelijk. Een AI-agent kijkt naar de verkeerde data als de kwaliteit niet op orde is. Validateer je de uitkomst niet, dan ga je met overtuiging de mist in. Of zoals Aleks het samenvat: garbage in, dashboard out.

Waar begin je morgen?

Niet bij de techniek. Begin bij je definities en bij de afspraken tussen afdelingen.

Stel eerst de vraag welk besluit je wilt nemen en op welke data je wilt sturen. Onderzoek daarna de kwaliteit van die data. Twijfel je of die kwaliteit standhoudt? Ga terug naar het proces waar de data ontstaat en maak afspraken met wie de data invoert. Zorg dat invoer consistent gebeurt, met keuzelijsten in plaats van vrije velden.

Techniek helpt daarbij. Het monitort de kwaliteit en wijst aan waar het misgaat. Gebruik techniek alleen niet om fouten stilletjes te corrigeren. Pak het probleem bij de bron. De beste oplossing is een combinatie. Duidelijke afspraken, een eigenaar die ze bewaakt en techniek die controle makkelijker maakt.

Datakwaliteit groeit mee met je datavolwassenheid. Hoe verder je komt, hoe zichtbaarder de gaten. Methodes als DMBOK (Data Management Body of Knowledge) helpen je dit organisatorisch te verankeren. Maar de eerste stap is kleiner dan je denkt. Kies één stuurgetal en kijk kritisch naar de data eronder.

Wil je weten hoe datavolwassen jouw organisatie is? Doe de gratis scan.