De fleste er enige om at høj datakvalitet er et fundament for bedre overblik, større kundeindsigt og korrekte forretningsbeslutninger. Men før du kan få styr på dine data, er det nødvendigt at opstille mål for din datakvalitet.
”Du er hvad du spiser”
”Det man hører, er man selv”. ”Du er hvad du spiser”. Du kender sikkert disse citater fra bogtitler, TV-serier eller P3-slogans. Skal vi overføre det til dataverdenen, kunne vi forlænge med ”Du kan ikke gøre det bedre, end dine data tillader”. Hvad enten data benyttes til vigtige vurderinger og beslutninger om fx kredit og AML/KYC eller om data anvendes til kommunikation, salg og marketing, bliver det ikke bedre, end de data du har. Derfor er det helt afgørende, at du har de nødvendige data, i rette kvalitet og omfang.
Kvalitet vs. kvantitet
Datakvalitet kan helt overordnet inddeles i to kategorier: Kvalitet og kvantitet. For kvalitet handler det om hvorvidt de data, vi allerede har, er komplette og aktuelle. For kvantitet gælder det om, at vi skal have en tilstrækkelig dækning af de data, vi skal bruge, for at nå vigtige forretningsmæssige mål. Det handler dermed både om at have korrekte data – og om at have nok data. God eller høj datakvalitet opnås ved at have styr på begge dele samtidig. Men hvornår er datakvaliteten tilstrækkelig høj? Og hvad gør man for at komme derhen?
Datapolitikken
For at nå et mål må man sætte sig et. Det gælder i alle sammenhænge. Også inden for data og datakvalitet. Hvis du vil have høj datakvalitet, må du sætte dig nogle mål for, hvornår du er tilfreds med dine data. Det kan eksempelvis gøres ved hjælp af en datapolitik. Datapolitikken er et dokument, hvori du beskriver de data, som er vigtige for forretningen. Herunder målsætninger for kvalitet og kvantitet. Her er nogle forenklede eksempler:
Kvalitet: Målsætninger for aktualitet og opdateringsgrad
| Data | Mål |
|---|---|
|
Andel af privatkunder, som dagligt skal være opdateret mod CPR-registret
(personstatus, navn, adresse, reklamespærre) |
95% |
|
Andel af firmakunder, som daglig skal være opdateret mod CVR-registret
(CVR-status, navn, adresse, reklamespærre) |
80% |
Det kan være svært at måle på den kvalitative datakvalitet. Men ved at have en automatisk monitorering af sin kundedatabase mod officielle datakilder vil stamdata (og øvrige tilknyttede data) altid have en meget høj kvalitet. Derfor kan der med fordel opstilles mål for hvilken andel af kundedatabasen, som løbende skal tilmeldes opdatering. Dermed er det også synligt, hvilken andel af kundedatabasen, som har en potentielt ringere datakvalitet. Den andel, som ikke (af forskellige årsager) kan tilmeldes automatisk opdatering, mangler måske vigtige data (fx adresse) eller er på anden måde ukomplet eller af dårlig kvalitet. En stor del af disse kan måske ”reddes” ved at opstille samtidige mål for den kvantitative datakvalitet.
Kvantitet: Målsætninger for komplethed
| Data | Mål |
|---|---|
|
Navn |
100% |
|
Adresse |
90% |
|
Fødselsdag (personer) |
95% |
|
Telefonnummer på kunder |
95% |
|
Personlig e-mail på kunder |
70% |
|
CPR-nummer (personer) |
90% |
|
CVR-nummer (firmaer) |
95% |
Det er forholdsvis let at måle på den kvantitative datakvalitet. Enten ved at kigge direkte i datatabeller eller ved at udtrække data i Excel, og sortere hver kolonne faldende. De fleste er nok enige om at kunde- og emnedatabaser skal bestå af minimum et navn og enten e-mail eller telefonnummer. Afhængig af sektor og branche selvfølgelig. Drives der derimod personligt BtB-salg, kan det være vigtigt at have adresse, direkte telefonnummer, personlig e-mail på kontaktpersonen og evt. CVR-nummer på virksomheden.
Hvis det samtidig er vigtigt at have høj kvalitativ datakvalitet (aktualitet), er du nødt til at starte med det kvantitative element. Jo højere andel af CVR-numre, desto bedre er dine muligheder for at have super høj datakvalitet i din BtB-kundedatabase.
