DDMA 3 maart 2009 Human Inference over Datakwaliteit
Upcoming SlideShare
Loading in...5
×
 

Like this? Share it with your network

Share

DDMA 3 maart 2009 Human Inference over Datakwaliteit

on

  • 922 views

Het belang van datakwaliteit illustreert Holger Wandt aan de hand van het restaurantbezoek dat ieder van ons zich zonder moeite kan voorstellen. Bij binnenkomst komt een ober naar je toe en brengt je ...

Het belang van datakwaliteit illustreert Holger Wandt aan de hand van het restaurantbezoek dat ieder van ons zich zonder moeite kan voorstellen. Bij binnenkomst komt een ober naar je toe en brengt je vervolgens naar een tafel. Je krijgt een aperitief aangeboden en je bekijkt de menukaart zorgvuldig. De ober neemt de bestelling op en zal binnen een half uur het eten opdienen. Als dessert een kopje koffie en je vraagt de rekening. Deze betaal je en gaat tevreden naar huis. Men heeft een bepaald verwachtingspatroon hoe een dergelijke proces verloopt. Maar wat gebeurt er als bij binnenkomst gelijk de rekening wordt gepresenteerd of begint met een dessert om daarna het hoofd- en voorgerecht te krijgen. Je reageert verward, de gegevens zijn veranderd. Bijstel van het verwachtingspatroon is noodzakelijk.

Statistics

Views

Total Views
922
Views on SlideShare
917
Embed Views
5

Actions

Likes
0
Downloads
19
Comments
0

1 Embed 5

http://www.slideshare.net 5

Accessibility

Categories

Upload Details

Uploaded via as Microsoft PowerPoint

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

DDMA 3 maart 2009 Human Inference over Datakwaliteit Presentation Transcript

  • 1. Event: DDMA Seminar Thema: Datakwaliteit Spreker: Holger Wandt – Human Inference Datum: 3 maart 2009 – Pakhuis de Zwijger, A’dam www.ddma.nl
  • 2. Datakwaliteit – de essentie van operationele data governance DDMA-seminar 10 maart 2009 Holger Wandt Principal advisor
  • 3. Definities
    • Datakwaliteit is de mate waarin het geheel van eigenschappen en kenmerken van de gegevens voldoen aan het doel van het gebruik en de verwachting van de ontvanger.
    • Data Governance is het geheel aan verantwoordelijkheden en besluitvormingsprocessen voor het kwalititeitsgeoriënteerd management van gegevens.
    • Data Stewardship is een deelaspect van data governance, namelijk de formalisering van de verantwoordelijkheden voor het management van data.
  • 4. Regional livestock operations & analysis manager Livestock directional assistant Regional grassland engineers
  • 5. Soundbytes
    • “ Jullie data is niet in het juiste formaat.”
    • “ Ik heb de gegevens niet op tijd ontvangen.”
    • “ Wie is verantwoordelijk voor de kwaliteit van de klantgegevens?”
    • “ Wij weten dat de gegevens onjuist zijn, maar we mogen ze niet veranderen.”
    • “ Ik heb zelf de data gewijzigd; er stonden te veel fouten in…”
    • “ Weet je wel hoeveel tijd het ons kost om die samengevoegde data te ontdubbelen?”
    • “ De aangeleverde gegevens zijn niet consistent.”
    • “ De aangeleverde gegevens zijn onvolledig. Hier kunnen we niets mee….. “
  • 6. Dat betekent o.a.
    • Problemen bij data capture:
      • Verschillende bronnen, verschillende formaten, beschikbaarheid, verschillende inhoud
    • Problemen bij data-integratie:
      • Niet-compatibele bestanden, foute samenvoeging van gegevens, veel handmatige nabewerkingen
    • Problemen bij dataconsolidatie:
      • Autonome correcties, informele, ongestructureerde afstemming, autonome verrijking van gegevens
    • Problemen bij dataverstrekking:
      • Wantrouwen t.a.v. de kwaliteit van data; gegevens worden niet of verkeerd gebruikt
  • 7. In de organisatie:
    • Ontbrekende of onduidelijke verantwoordelijkheden
    • “ Silodenken”
    • Databaasjes
    • Communicatie ontbreekt of is ad hoc-/consensus-georiënteerd
    • Onbegrip
    • Onduidelijke rolverdeling
    • Kennis en/of training is niet toereikend
    •  De beste spelers vormen per definitie nog niet het beste team….
  • 8.  
  • 9. Realiteit?
    • Onderzoek Harris Interactive in 2006 onder 23.000 employees in “key industries”:
      • Slechts 37% begrijpt goed wat hun onderneming tracht te bereiken en waarom.
      • .Slechts 20% begrijpt het direkte verband tussen hun werkzaamheden en de organisatiedoelstellingen.
      • Slechts 15% heeft het gevoel dat de onderneming hen in staat stelt om hun taken optimaal uit te voeren.
      • Slechts 20% vertrouwd de onderneming, waarvor zij werken, volledig.
  • 10. De optimale organisatie? Systemen Mensen Processen DQ  DG
  • 11. Data governance verantwoorde-lijkheidsmatrix binnen DQM VERANTWOORDELIJKHEDEN (TOEKENNEN VAN ROLLEN AAN TAKEN) TAKEN BINNEN DQM ROLLEN
  • 12.  
  • 13. Toewijzing van verantwoordelijkheden aan rollen: de RACI- notatie
    • R esponsible –rollen die bepaalde taken uitvoeren of zorgen voor de uitvoering van die taken
    • A ccountable – rollen die toestemming geven voor (deel)taken
    • C onsulted – rollen die specifieke vakkennis bijdragen
    • I nformed – rollen die over bepaalde beslissingen en resultaten geïnformeerd worden
  • 14. Operational data governance - example C C R C C Training R Business support C R Technische ondersteu-ning C C C C R Project- management C I R Onderhoud technische systeem-architectuur C A/C R A Ontwikkeling MD tools en applicaties R Uitvoering performance-verbeterings-proces Service provider Legal entity Business process owners Master data unit head Technical data steward Chief data steward Tasks Roles
  • 15. “ We have learned to live in a world with mistakes and defects as if they are necessary to life. It is time to adopt a new philosophy” W.E. Deming 1900 – 1993 Statisticus en kwaliteitsguru
  • 16. De data steward ( verantwoordelijk voor het management van data) - €20.000 Foute voorspelling + €20.000 Correcte voorspeling € 5000.- Hoog Volledige implementatie C - €3000.- Foute voorspelling + €3000.- Correcte voorspeling € 2000.- Gemiddeld Pilotproject B - 0 - € 1000.- Laag Verzamel meer data/informatie A Winst of verlies Kosten Procesimpact Beschrijving KEUZE
  • 17. 1, 2, 6, …..
  • 18. Correcte gegevens leiden tot beter beheersbare processen: 1, 2, 6, .... - €20.000 Foute voorspelling + €20.000 Correcte voorspeling € 5000.- Hoog Volledige implementatie C - €3000.- Foute voorspelling + €3000.- Correcte voorspeling € 2000.- Gemiddeld Pilotproject B - 0 - € 1000.- Laag Verzamel meer data/informatie A Winst of verlies Kosten Procesimpact Beschrijving KEUZE
  • 19. 1, 2, 6, 7
  • 20. Correcte data en goede processen leiden tot succes: 1, 2, 6, 7, ...... - €20.000 Foute voorspelling + €20.000 Correcte voorspeling € 5000.- Hoog Volledige implementatie C - €3000.- Foute voorspelling + €3000.- Correcte voorspeling € 2000.- Gemiddeld Pilotproject B - 0 - € 1000.- Laag Verzamel meer data/informatie A Winst of verlies Kosten Procesimpact Beschrijving KEUZE
  • 21. 1, 2, 6, 7, 11
  • 22. “ Datakwaliteit is ieders verantwoordelijkheid!”  Datakwaliteitsmanagement kan niet zonder data governance en data governance kan niet zonder datakwaliteitsmanagement
  • 23. DQ & DG  Recursieve afhankelijkheid Zonder een goed evenwicht tussen besluitvormings-processen, betrouwbare data en belegde verantwoordelijkheden is kwalitatief management van gegevens een utopie. Ondernemings- strategie Omvang onderneming Processen Organisatie- structuur Expertise Systemen DQ & data governance
  • 24.  
  • 25. Value your data h.wandt@humaninference.com