Stil onderzoek, grote opbrengst: een lichte datakwaliteitscheck die élke manager kan uitvoeren

In veel Nederlandse organisaties leeft de overtuiging dat datakwaliteit een IT-aangelegenheid is. Een project voor later, zodra er budget is, zodra de nieuwe software is geïmplementeerd, zodra er meer tijd is. Intussen worden beslissingen genomen op basis van cijfers waarvan niemand precies weet hoe betrouwbaar ze zijn.

Dat hoeft niet zo te zijn. Een zogenoemde 'lichte' datakwaliteitsaudit — uitgevoerd door bedrijfsleiders zelf, zonder grote technische infrastructuur — levert verrassend veel inzicht op. Het gaat niet om perfectie, maar om het tijdig identificeren van de risico's die uw besluitvorming het meest bedreigen.

Waarom wachten op IT het probleem vergroot

De klassieke valkuil is dat datakwaliteit wordt behandeld als een technisch vraagstuk. In werkelijkheid is het een organisatorisch vraagstuk met technische symptomen. De oorzaak van slechte data ligt zelden bij de database zelf, maar bij de processen, mensen en aannames eromheen.

Een CRM-systeem dat klantgegevens dubbel registreert, doet dat niet uit zichzelf. Een rapportagetool die inconsistente omzetcijfers toont, weerspiegelt vaak een meningsverschil over definities — niet een technische fout. Door te wachten op een IT-oplossing, behandelt u het symptoom en niet de oorzaak.

Bovendien heeft u als manager iets wat IT-teams vaak missen: domeinkennis. U weet wat de cijfers zouden moeten zeggen. Dat is precies de basis van een effectieve lichte audit.

Stap 1: Bepaal welke data uw beslissingen daadwerkelijk stuurt

Begin niet met het analyseren van alle data die uw organisatie bezit. Dat is een recept voor verlamming. Begin in plaats daarvan met de vraag: welke drie tot vijf datasets beïnvloeden de besluiten die u de komende zes maanden neemt?

Denk aan klantdata voor een marketingcampagne, voorraadgegevens voor een inkoopbeslissing, of personeelsdata voor een reorganisatieplan. Noteer deze datasets expliciet. Dit zijn uw auditprioriteiten.

Een nuttige oefening is het opstellen van een eenvoudige beslissingsmatrix: schrijf per beslissing op welke databron u gebruikt, hoe recent die data is, en wie verantwoordelijk is voor de juistheid ervan. Alleen al het invullen van deze matrix onthult vaak witte vlekken.

Stap 2: Stel de zes fundamentele kwaliteitsvragen

Voor elke geprioriteerde dataset stelt u de volgende vragen:

Is de data volledig? Ontbreken er rijen, kolommen of periodes? Een klantenbestand dat plotseling stopt in 2021 is een alarmsignaal.

Is de data consistent? Worden dezelfde begrippen overal op dezelfde manier gedefinieerd? Telt 'omzet' inclusief of exclusief btw? Worden retouren verrekend?

Is de data actueel? Hoe oud zijn de meest recente records? Voor operationele beslissingen kan verouderde data fataal zijn.

Is de data accuraat? Kloppen steekproefsgewijs gecontroleerde waarden met de werkelijkheid? Vergelijk een selectie van twintig klantadressen met uw eigen kennis of externe bronnen.

Is de data uniek? Zitten er duplicaten in? Zoek naar klanten die twee keer voorkomen, of transacties die dubbel zijn geboekt.

Is de data toegankelijk voor de juiste mensen? Kunnen de medewerkers die deze data nodig hebben er daadwerkelijk bij, en kunnen mensen die er níet bij mogen horen er toch bij?

Deze zes vragen hoeven niet door een datawetenschapper te worden beantwoord. Een ervaren medewerker met domeinkennis kan ze grotendeels beantwoorden op basis van eigen waarneming.

Stap 3: Voer gerichte steekproeven uit

Een audit hoeft geen volledige analyse te zijn. Selecteer per dataset een steekproef van dertig tot vijftig records en controleer deze handmatig. Vergelijk de data met een alternatieve bron: een factuur, een e-mail, een telefoongesprek met een klant.

Wat u zoekt, zijn patronen. Eén fout in vijftig records is acceptabel. Vijf fouten in vijftig records duiden op een structureel probleem. Noteer per bevinding wat de mogelijke oorzaak is: een invoerfout, een systeemkoppeling die niet goed werkt, of een definitieverschil tussen afdelingen.

Bij Nederlandse mkb-bedrijven blijkt in de praktijk dat dit soort steekproeven binnen een middag uitvoerbaar zijn, zonder enige technische hulpmiddelen buiten een spreadsheet.

Stap 4: Identificeer de eigenaar van elk kwaliteitsprobleem

De gevaarlijkste conclusie van een datakwaliteitsaudit is: 'we hebben een probleem, maar niemand weet wie het moet oplossen.' Zorg er daarom voor dat elk geïdentificeerd kwaliteitsgat een naam krijgt — een persoon of team dat verantwoordelijk is voor de verbetering.

Dit hoeft geen formeel datagovernance-framework te zijn. Een simpele lijst met kolommen 'probleem', 'eigenaar' en 'deadline' volstaat in een eerste fase. Het gaat erom dat verantwoordelijkheid wordt belegd, niet dat er een perfect systeem bestaat.

Stap 5: Maak de bevindingen bespreekbaar

Een audit die in een la verdwijnt, heeft geen waarde. Presenteer de bevindingen in een kort overzicht aan relevante stakeholders — niet als een aanklacht, maar als een gedeeld inzicht. Formuleer het als: 'We hebben ontdekt dat onze klantdata op drie punten onbetrouwbaar is. Dit zijn de risico's voor onze komende beslissingen, en dit zijn de eenvoudige stappen om het te verbeteren.'

Door de bevindingen te framen als zakelijke risico's in plaats van technische problemen, vergroot u de kans dat er daadwerkelijk iets mee gebeurt.

Van eenmalig onderzoek naar structurele gewoonte

Een lichte datakwaliteitsaudit is het meest waardevol als ze niet eenmalig blijft. Overweeg om elk kwartaal een beperkte steekproef uit te voeren op uw meest kritieke datasets. Dit hoeft niet meer dan twee uur te kosten, maar het creëert een cultuur van bewuste omgang met data.

Organisaties die dit patroon hebben ingebouwd, melden dat ze sneller problemen signaleren, minder tijd kwijt zijn aan het rechtzetten van fouten achteraf, en meer vertrouwen hebben in hun rapportages. Niet omdat hun data plotseling perfect is, maar omdat ze weten waar de onzekerheden zitten — en daar rekening mee houden.

Dat is precies de basis van datagedreven bestuur: niet de illusie van perfecte data, maar een helder beeld van wat u weet, wat u niet weet, en wat u moet weten.