Data Quality
Assessment
Beoordeel je datadomeinen op zeven dimensies en zie in één beeld welk domein het eerstvolgende initiatief gaat blokkeren. Een AI-project op een zwak domein wordt een duur vertrouwensprobleem.
Data-eigenaren en wie een
AI-initiatief moet beoordelen
Waarvoor
Een initiatief dat op een
zwak domein gaat stranden
Tijd
20 minuten per domein,
een uur met de eigenaren
Wat je overhoudt
Een heatmap over zeven
dimensies en het domein dat
als eerste blokkeert
Schaal
0 onbekend of onbruikbaar
1 bekend probleem, geen actie
2 deels op orde
3 betrouwbaar, niet gemeten
4 gemeten en gestuurd
Vaak vergeten
Eigenaarschap. Zonder
eigenaar herhaalt elk
probleem zich
Domeinen
Heatmap
Scoor minstens één domein.
Hoe je dit leest
Deze beoordeling gaat over de inhoud van je data: klopt het, is het volledig, is het op tijd. Ze zegt niets over de herkomst. Scoort een domein slecht, dan is de vervolgvraag waar het gegeven ontstaat en wat er onderweg mee gebeurt — de datastroomkaart loopt die route terug en wijst de handmatige overnames en de tweede bewaarplaatsen aan waar de fout meestal in sluipt.
Weet je niet welke domeinen er zijn of in welk systeem ze thuishoren, dan begin je een stap eerder met de systeeminventarisatie. Een lage score op een domein waarvan niemand de eigenaar kan noemen, is geen datakwaliteitsprobleem maar een eigenaarschapsprobleem.
En scoort een domein laag op volledigheid en consistentie terwijl elk veld netjes gevuld is, kijk dan eerst naar het begrip zelf. Twee teams die hetzelfde veld anders vullen omdat ze “actief” of “afgerond” anders lezen, leveren data op die aan beide kanten klopt en opgeteld niet. Dat is geen opschoning maar anderhalf uur praten: de begrippensessie legt vast welke lezing hier geldt en welke randgevallen erbuiten vallen.