Datakvalitet er et mål for, om data er gode nok til det, de skal bruges til. God datakvalitet er derfor altid knyttet til en bestemt brug. En adresse kan være præcis nok til en faktura og for upræcis til en rute. Når data går mellem afdelinger og selskaber, er det sværeste sjældent at definere kvalitet. Det sværeste er, at fejlen opstår ét sted, og at den mærkes et andet sted, hos en, der intet kan gøre ved den. Ledelsens opgave er at afgøre, hvem der ejer rettelsen, og hvem der betaler for den.
Når én ledergruppe får forskellige tal på samme møde, er det et spørgsmål om definitioner, og det dækker tre tal, tre svar. Artiklen her tager den situation, hvor data passerer mellem afdelinger, selskaber og systemer, og hvor ingen enkelt leder kan rydde op alene.
Seks dimensioner
Datakvalitet kan brydes ned i dimensioner, altså egenskaber ved data, som kan måles. Der findes flere lister, og ingen af dem er bindende. En udbredt liste kommer fra den britiske afdeling af Data Management Association, DAMA UK, og er gengivet i den britiske regerings rammeværk for datakvalitet. Rammeværket er skrevet til den offentlige sektor, men dimensionerne kan bruges som metode alle steder.
- Fuldstændighed. Alle de poster, der skal være der, er der, og de vigtigste felter er udfyldt.
- Unikhed. Hver kunde eller vare findes kun én gang.
- Konsistens. Oplysninger om det samme modsiger ikke hinanden, heller ikke mellem to systemer.
- Aktualitet. Data afspejler den periode, de skal vise, og er opdateret i tide til brugen.
- Gyldighed. Værdierne er i det forventede format og inden for et rimeligt spænd.
- Nøjagtighed. Data stemmer med virkeligheden.
Rammeværket siger selv, at listen kan tilpasses, så I kan tage de dimensioner, der giver mening hos jer. Dimensionerne kan heller ikke erstatte hinanden. Et kunderegister kan være helt udfyldt og alligevel forkert.
Hvad god kvalitet er
Der er intet tal, der er rigtigt for alle. Et krav om, at alle felter skal være udfyldt, lyder fornuftigt, men kan koste mere, end det giver. Kravet skal komme fra brugen. Spørg derfor den, der bruger data, hvad der går galt, når de er forkerte, og hvor meget af det forretningen kan leve med.
Forskellige brugere har forskellige behov. Økonomi kan kræve, at et tal er nøjagtigt ved månedens udgang. Planlægningen i et lager kan foretrække et groft tal hver morgen. Rammeværket peger også på, at data sjældent er lige gode til alle formål. Det betyder, at samme datasæt kan få forskellige krav, og at nogen skal afgøre, hvilket krav der gælder, når de strides.
Sådan måler I uden tærskeltal fra andre
Vælg få vigtige dataområder, fx kunder, varer eller kontering. For hvert område vælger I de dimensioner, der betyder mest, og en enkel måling for hver. Det kan være andelen af varer uden vægt, antal dubletter blandt kunderne, eller hvor lang tid der går, før en ordre står i koncernens tal.
Mål så udviklingen over tid og mellem selskaberne. Et mål, som dataejeren selv har sat ud fra brugen, kan forsvares. Et tal lånt fra en anden virksomhed siger intet, fordi den måler noget andet på andre data. Vis også, hvad fejlene koster i arbejde. En liste over manuelle rettelser i månedsafslutningen, eller over returvarer på grund af forkerte stamdata, er stærkere end en procent på en rapport. Dataejerne ejer målingen.
Hvem ejer rettelsen?
Her ligger den egentlige ledelsesopgave. Tænkt eksempel: et salgsselskab opretter kunder i hast og springer et felt om betalingsbetingelser over. Selskabet selv mærker ingenting. Det gør koncernens fælles servicecenter, der hver måned bruger dage på at rette fakturaer i hånden.
Tre regler hjælper.
Rettelsen hører hjemme, hvor fejlen opstår. Rammeværket anbefaler at bruge årsagsanalyse og løse problemet ved kilden frem for at lappe. Retter servicecenteret fejlene nedstrøms, forsvinder de aldrig, og det selskab, der skaber dem, får intet signal.
Den, der mærker fejlen, skal kunne stille krav. Dataejeren for området aftaler, hvad der skal være udfyldt ved oprettelsen. Rollerne står i data governance, og hvordan stamdata deles på tværs, står under master data management. Her er pointen, at aftalen også skal gælde for den, der ikke selv har gavn af den.
Omkostningen skal være synlig. Den, der skaber fejlen, sparer tid, og den, der retter, betaler. Vis regningen selskab for selskab. Lægger I IT-udgifter ud på selskaberne, kan det indgå i dialogen, men det skal holdes enkelt, se intern afregning af IT.
Når et selskab og et andet stadig er uenige, skal der være et sted, sagen kan afgøres. I en koncern er det ofte koncernledelsen eller det dataforum, I har oprettet. CIO’en leverer målingerne og værktøjerne og kan vise, hvor fejlen opstår. Beslutningen om, hvad der er rigtigt, ligger hos forretningen.
Procesfejl og systemfejl
Dårlig kvalitet skyldes oftere arbejdsgange end teknik. Folk springer felter over, fordi de har travlt, fordi feltet ikke giver mening for dem, eller fordi systemet tillader det. Årsagen afgør løsningen. Er feltet overflødigt, skal det væk. Er det vigtigt, kan systemet kræve det ved oprettelsen, og det er en ændring, som IT kan foretage. Er oprettelsen for langsom, bliver den omgået, og så hjælper en regel ikke.
Vælg derfor ikke først et værktøj. Et værktøj kan finde dubletter og vise målinger, men det kan ikke beslutte, hvem der ejer et felt.
Når kvaliteten pludselig betyder noget
Tre anledninger gør data til en ledelsessag. Et ERP-program skal flytte data og opdager, hvor dårlige de er. Et opkøb bringer en ny kundemasse ind. Et AI-forsøg strander, fordi data ikke kan bruges, se AI-piloter, der ikke kommer i drift. Brug anledningen, for her er der både en frist og en grund. Oprydningen skal så efterfølges af en ændring af den proces, der skabte fejlene, ellers er I samme sted om nogle år.
Det gør I nu
Bed økonomifunktionen og det største servicecenter nævne de tre datafejl, der koster mest tid hver måned. Find ud af, hvor hver fejl opstår, og hvem der ejer stedet. Sæt den leder og den, der mærker fejlen, sammen, og aftal én måling. Tag resultatet op, næste gang dataejerne mødes.
Det skal I lade være med
- At lade den, der mærker fejlen, rette den i det skjulte · så forsvinder signalet.
- At kræve ens kvalitet af alle data · kravet skal følge brugen.
- At overtage andres tærskeltal · de er målt på noget andet.
Det skal I kræve af dem, der leder IT
- ☐ Målinger for de vigtigste dataområder, opdelt på selskab.
- ☐ Oplysning om, hvor de dyreste fejl opstår.
- ☐ En ejer for hver rettelse ved kilden.
- ☐ Systemkrav ved oprettelse, hvor dataejeren har bedt om dem.
- ☐ En kort rapport om udviklingen til dem, der afgør tvister.
Kilder
- The Government Data Quality Framework, Government Data Quality Hub (UK): dimensionerne efter DAMA UK, data egnet til formålet og årsagsanalyse. Skrevet til den offentlige sektor og brugt her som metode.
Senest gennemgået: november 2026.
Næste skridt
Læs også: Master data management · Koncernrapportering fra flere ERP-systemer
→ Kontakt · Tlf. 70 13 63 23 · Ekstern CIO hos Nielco IT
