Sturen op Datakwaliteit

Gepubliceerd op:

“De datagedreven woningcorporatie”, “gebruik van Big data” en “met Artificial intelligence leegstand voorspellen of onderhoud stroomlijnen”. Zomaar een aantal veelgehoorde termen en activiteiten die we vaak tegenkomen bij woningcorporaties. De daadwerkelijke waarde hiervan is echter afhankelijk van de mate waarin de organisatie haar eigen data (structureel) op orde heeft. 

Zolang de interne datakwaliteit nog te wensen overlaat blijven de vervolgprocessen gebaseerd op deze gebrekkige informatie met foutieve aannames (of extra ad-hoc-inspanning ter correctie) tot gevolg!

Data-op-orde projecten
Afgelopen jaar is CNS bij diverse woningcorporaties betrokken geweest bij datakwaliteitprojecten. Bij een aantal organisaties draaide het vooral om het data-op-orde brengen voor een of meerdere bedrijfsdomeinen. Het gevoel dat er data-issues zijn, leefde sterk. Vragen kwamen naar boven zoals: zijn de klantgegevens wel volledig en up-to date, zijn de datavelden achter de woningwaardering wel correct of hebben al onze woningen wel de juiste WWS-punten? Maar dat er structurele data-issues zijn en waar ze precies zitten is niet altijd bekend. Dit onderbuikgevoel geeft wel voldoende reden om over de datakwaliteit te mopperen; zeker wanneer iemand binnen zijn of haar functie afhankelijk is van goede data maar de data zelf niet invoert. In dit geval kan deze medewerker de data controleren en eventueel in een eigen lijstje gaan corrigeren of aanvullen. De bron wordt echter niet gecorrigeerd of aangevuld. Op deze wijze ontstaan er allerlei lijstjes en verschillende waarheden.

Voor diverse woningcorporaties hebben wij een nulmeting op hun datakwaliteit uitgevoerd. Het meten van de huidige datakwaliteit geeft een compleet beeld en beoordeling van alle belangrijke datavelden van een of meerdere domeinen. Uiteindelijk mondt de nulmeting uit in een rapportcijfer. Dit rapportcijfer is de start van het actieplan. Allereerst maakt het de organisatie bewust van hun eigen datakwaliteit en geeft het pragmatische handvatten om deze kwaliteit naar een hoger plan te tillen. Echter, verbeteren van de datakwaliteit is één, maar hoe moet hierop gestuurd worden in de toekomst?

Daarnaast zijn we ook datakwaliteitsprojecten tegengekomen waarbij het bovenstaande vraagstuk al aan de orde kwam. Hoe houden we, indien de datakwaliteit op het gewenste niveau zit, de data goed? Een eenmalige verbeterronde moet niet het eindpunt zijn. Na verloop van tijd zakt de datakwaliteit waarschijnlijk weer richting het oude niveau. Een van de verbeterpunten die we aangedragen hebben, is monitoring van de datakwaliteit. Het monitoren heeft als groot voordeel dat er trendlijnen ontstaan en er dagelijks, wekelijks of maandelijks over gerapporteerd kan worden. De verbetering van de datakwaliteit wordt zichtbaar gemaakt en kan gezamenlijk worden gevierd. Tevens kan er direct worden geschakeld met de betreffende medewerker indien er weer nieuwe fouten ontstaan.

Naast de nulmeting en monitoring is het ook goed om de werkwijzen en processen uit te werken zodat het databeheer gewaarborgd wordt. Dan hebben we het over data governance. Hiervoor biedt CNS het data-volwassenheidsmodel aan. Binnen dit model dient een minimaal niveau van datakwaliteitsborging te worden bereikt als voorwaarde voor een datagedreven woningcorporatie.




Een greep uit ons leveranciersregister


Intergas Verwarming behoort in Nederland tot de toonaangevende producenten van HR-ketels...

Fito Products BV, specialist in de verkoop van brandpreventieproducten.

Bruynzeel Keukens realiseert haar rendement door als gespecialiseerd keukenbedrijf complete keukens...