Een uitstootcijfer met twee decimalen wekt vertrouwen. Maar precisie in de weergave zegt niets over de betrouwbaarheid van de bron. Een spreadsheet die drie handmatige overtypes verderop staat, kan net zo goed twee decimalen tonen als een cijfer dat rechtstreeks uit een gevalideerd systeem komt. Het verschil zit niet in hoe het cijfer eruitziet, maar in wat er is vastgelegd over waar het vandaan komt en wat een geldige waarde is.
Schijnnauwkeurigheid ontstaat wanneer een getal meer zekerheid uitstraalt dan de onderliggende data rechtvaardigt. Dat gebeurt niet door kwade opzet. Het gebeurt omdat niemand heeft vastgelegd wat de grenzen zijn van een datapunt: welke waarden plausibel zijn, welke afwijkingen normaal zijn en welke een signaal moeten geven. Zonder die grenzen ziet elk getal er even geloofwaardig uit, ook het getal dat een overtypefout is of een verkeerde eenheid.
De vraag wat is een geldige waarde hoort daarom bij elk datapunt beantwoord te zijn, niet achteraf bij een steekproef, maar vooraf, op het moment dat het datapunt wordt vastgelegd. Een geldige waarde is niet alleen een getal binnen een bandbreedte. Het is ook een eenheid die klopt, een periode die aansluit en een bron die bekend is.
Een kwaliteitsregel doet meer dan een waarde goedkeuren of afkeuren. Ze bepaalt ook wanneer een afwijking een signaal moet worden. Een energieverbruik dat twintig procent hoger ligt dan vorig jaar kan een fout zijn, maar kan ook een reële uitbreiding zijn. De regel zelf legt niet vast wat er gebeurd is; ze legt vast dat dit type afwijking beoordeling verdient voordat het doorstroomt.
Hoe stelt u een signaalafwijking in is daarmee een andere vraag dan wat is een geldige waarde. De ene vraag gaat over de grens van acceptabel, de andere over de grens van opmerkelijk. Beide grenzen zijn nodig, en beide horen per datapunt te worden vastgelegd, niet als algemene vuistregel voor de hele rapportage.
Een signaal dat niemand ziet, is geen signaal. Dit is het punt waar veel datastructuren stoppen: de regel is er, de afwijking wordt gedetecteerd, maar er is niet vastgelegd wie de melding krijgt en wat die persoon ermee moet doen. Zonder eigenaarschap per datapunt verdwijnt een signaal in een lijst die niemand doorleest, of komt het bij iemand terecht die het datapunt niet kent en dus niet kan beoordelen.
Welke controles horen bij een datapunt omvat daarom niet alleen de regel zelf, maar ook de route: wie de eigenaar is, wanneer die persoon een melding krijgt, en wat er gebeurt als die persoon niet reageert. Een datapunt zonder eigenaar is een datapunt waarvan niemand except de eindgebruiker van het rapport ooit zal merken dat het misging, en dan is het te laat om iets aan de onderliggende oorzaak te doen.
Er bestaan tools die afwijkingen detecteren en dashboards tonen. Die tools zijn nuttig zodra de regels er zijn. Maar een tool die draait op een datapuntregister zonder vastgelegde geldige waarden, zonder signaaldefinities en zonder toegewezen eigenaren, produceert vooral meldingen die niemand kan duiden. De vraag eerst een tool kopen of eerst het proces inrichten is hier direct van toepassing: een tool boven een ongeorganiseerd proces verandert de vorm van het probleem, niet de inhoud.
Hetzelfde geldt voor definities. Als twee onderdelen van de organisatie een ander begrip van hetzelfde datapunt hanteren, dan zal een kwaliteitsregel voor het ene onderdeel een vals signaal opleveren voor het andere. Wat doet u met definities die per onderdeel verschillen en welke keuze legt u vast hoort daarom vooraf beantwoord te zijn, anders wordt elke regel een compromis dat nergens goed op past.
Geldige waarden, signalen en eigenaarschap zijn niet iets dat in het algemeen wordt bepaald en dan overal wordt toegepast. Ze volgen uit hoe een organisatie het datapunt daadwerkelijk vastlegt, wie er in de praktijk bij kan en welke fouten in het verleden zijn voorgekomen. Welke functionele eisen komen uit uw eigen proces beschrijft hoe die regels worden afgeleid uit het bestaande proces in plaats van uit een generieke checklist.
Zodra duidelijk is welke waarden geldig zijn, welke afwijkingen een signaal vormen en wie dat signaal beoordeelt, ontstaat ook zicht op het werk dat achter die controle schuilgaat: wie zoekt gegevens op, wie vergelijkt tegen vorige periodes, wie stuurt de melding door. Dat werk bestaat uit taken die zich laten uitsplitsen, en voor een deel daarvan is te bepalen of software het kan overnemen. De werkscan van FTE TO AI rekent per taak uit welk deel van het werk door AI over te nemen is, op basis van dezelfde vastgelegde regels en routes die de datakwaliteit onderbouwen.
Vraag maar waar een datapunt vandaan komt. Dat is meestal de hele vraag.
Antwoorden komen uit de kennisbank van deze site. Geen advies op maat, en geen scan van uw bedrijf.