Operationele bovenlaag van datakwaliteit in het Metromodel – met Laurens van der Drift

🎁 Stel gratis al je vragen via ⁠⁠⁠databewuster.com⁠⁠⁠. Elke vrijdag live om 15:00 uur.🚀 Wil je het Metromodel succesvol implementeren binnen jouw organisatie? Plan direct een vrijblijvend gesprek via ⁠⁠⁠powerbison.io/contact⁠⁠⁠Beschrijving: In de derde aflevering spreekt Sonny met Laurens van der Drift over de verschillende aspecten van datakwaliteit en het metromodel. Met een achtergrond in technische bestuurskunde en ervaring in simulatiemodellen, richt Laurens zich op praktische dataprojecten. Aanvankelijk raakte hij bij de DAMA-werkgroep betrokken door een succesvol project met een netbeheerder dat zich richtte op datakwaliteit, wat leidde tot verdere samenwerking.De drie belangrijke aspecten van datakwaliteit die Laurens noemt zijn: de bron, het transport van data en de contextuele relevantie voor de gebruiker. Dit benadrukt dat datakwaliteit verder gaat dan alleen technische aspecten; het vraagt om een grondige analyse van de processen en de data die daarbij horen.Laurens legt uit hoe datalineage betrekking heeft op het waarborgen van datakwaliteit door steeds te controleren of data correct en efficiënt van de bron naar de eindgebruiker gaat. Hierbij komt ook de rol van technologie en beveiliging aan bod, waarmee hij aangeeft dat het niet alleen gaat om het verplaatsen van data, maar ook om de kritischere vraag hoe en wanneer data geaggregeerd moet worden voor specifieke doeleinden.De discussie over hoe organisaties bepalen wat belangrijk is voor datakwaliteit blijkt ook complex te zijn. Laurens stelt dat elke organisatie rekening moet houden met de eigen unieke kritische dataobjecten en dat dit afhangt van de impact en waarde die data met zich meebrengt. Hierdoor moet er voor elke organisatie ook gekeken worden naar de kosten verbonden aan datakwaliteit en welke financiële impact dat heeft. Een boeiend voorbeeld is het probleem van dubbel betaalde facturen, wat organisaties directe kosten kan opleveren.De uitdaging om data effectief te beheren komt verder aan de orde bij het formuleren van business rules. Laurens legt uit dat het formuleren en identificeren van deze regels vaak een hele klus kan zijn en dat data-analyse, inclusief het gebruik van machine learning, kan helpen bij het ontdekken van patronen en het verbeteren van datakwaliteit. Met “business rule mining” kunnen afwijkingen in de data sneller opgespoord worden, waardoor het makkelijker wordt om kwaliteitsissues te adresseren.Het gesprek beweegt zich naar de rol van metadata en hoe belangrijk dit is in een datakwaliteitsproces. Laurens legt uit dat metadata gegevens zijn over data die helpen bij de interpretatie en het analyseren van data. Dit gaat niet alleen over de structuur van de data, maar ook over de betekenis en context van bepaalde datavelden, die essentieel zijn voor de datakwaliteit.Laurens stelt dat organisaties moeten beginnen met het identificeren van pijnpunten, gevolgd door het met kleine stappen verbeteren van processen in samenwerking met de belangrijkste stakeholders. Dit kan beginnen met een focus op wat er echt nodig is en welke data daarbij cruciaal is. Het gesprek eindigt met het advies om 'klein te beginnen en uit te bouwen', zodat datakwaliteit uiteindelijk een integraal en duurzaam onderdeel van de bedrijfsvoering wordt. Dit dient niet alleen het verbeteren van processen, maar kan ook het inzicht van de organisatie in toch verhogen, met als resultaat betere beslissingen op alle niveaus.🗓️ Plan jouw gratis strategiesessie via ⁠⁠⁠⁠www.powerbison.io/datakwaliteit⁠⁠⁠