
Wat is datakwaliteit en hoe meet en verbeter je die?
Garbage in, garbage out. Iedereen kent het, en toch wordt datakwaliteit zelden vanzelf beter.
Datakwaliteit in het kort
- Datakwaliteit is de mate waarin data geschikt is voor de processen en beslissingen die ervan afhangen. Je meet die met zes criteria: accuraat, compleet, formaat, consistent, dubbel en integer.
- Meten is stap één; verbeteren is stap twee. Gebruik de PDCA-cyclus: stel SMART-doelen en KPI’s vast, analyseer en corrigeer fouten, vergelijk de resultaten met de norm en stel bij.
- Slechte datakwaliteit is niet alleen een IT-probleem. Het gedrag van de mensen die data invoeren en gebruiken speelt een even grote rol.
- Neem privacy, security en transparantie altijd mee in je datastrategie.
- De drie meest voorkomende misverstanden: datakwaliteit is een eenmalige exercitie, data is geen strategische asset, en datakwaliteit is iets wat IT moet regelen.
Waarom succes staat of valt met datakwaliteit
Is je datakwaliteit goed, dan haal je veel meer uit je organisatie en je investeringen, zoals die in CRM, analytics, KPI’s of een datawarehouse. Alles staat of valt met de kwaliteit van je data. Het is bekend: garbage in, garbage out. Toch blijkt het moeilijk om de datakwaliteit op een hoger plan te brengen. Dat komt niet alleen door gebrekkige IT. Het gedrag van mensen speelt een even belangrijke rol.
Zes criteria om datakwaliteit te meten
Datakwaliteit kun je meten. Dat is complex, maar zeker niet onmogelijk. De volgende zes aspecten gelden als criteria:
- Accuraat: gegevens moeten 100% kloppen. Denk aan verouderde adressen, spelfouten in namen of, bij een woningcorporatie, een verhuurde woning zonder puntentelling.
- Compleet: zijn alle gegevens compleet en goed ingevuld? Denk aan een postcode waarvan de vier cijfers wel zijn ingevuld maar de letters niet. Ook je primaire proces vaart er wel bij.
- Formaat: voldoet de data aan de regels die in jouw land of regio gelden? Denk aan het formaat van een datum, telefoonnummer of bankrekening.
- Consistent: klopt de data onderling? Is een adres in het boekhoudpakket gelijk aan dat in het CRM-systeem, en welk record is het betrouwbaarst?
- Dubbel: klant- en productgegevens komen vaak meerdere keren voor in bestanden, meestal met andere informatie in de verschillende records.
- Integer: data die niet goed te koppelen is, zoals orders die in het systeem ‘zweven’ en geen klant kennen.

Investeer in goede klantdata en toets je data regelmatig op deze aspecten. Daarvoor zijn veel externe bronnen en tools beschikbaar, zoals postcodetabellen, systemen om klantnamen te controleren en data-profilingtools.
Van meten naar verbeteren
Meten is de eerste stap. In stap twee moet je je data verbeteren, en daarvoor heb je een goede aanpak nodig, nieuwe vaardigheden in het team en de juiste KPI’s en tools, zodat je op elk moment kunt zien wat je datakwaliteit is en vooral hoe en waar je die kunt verbeteren. Een gratis hulpmiddel is de bekende cirkel van Deming: plan, do, check, act. Daarmee verbeter je periodiek je datakwaliteit vanuit een plan.
Formuleer doelen voor je datakwaliteit
- Plan: formuleer de doelen voor de gewenste datakwaliteit SMART, zodat je ze kunt meten. Stel key performance indicators (KPI’s) vast, zet ze op een dashboard en bepaal een norm, bijvoorbeeld dat 98% van de contactgegevens van je klanten juist is.
- Do: maak analyses. Kijk welke data fout is en hoe je die kunt corrigeren, ter plekke of door het systeem aan te passen.
- Check: vergelijk de norm met de resultaten en bespreek die met elkaar.
- Act: stel je doelen en KPI’s bij, of maak meer middelen vrij voor de uitvoering.
Eenmalig opschonen versus continu verbeteren
Veel organisaties schonen hun data één keer op. De tabel laat zien waarom dat niet volstaat.
Eenmalig opschonen
Continu verbeteren
Aanleiding
Een migratie of een incident
Een vaste norm en KPI
Eigenaar
IT of een projectteam
De business, per proces
Aanpak
De data corrigeren
De oorzaak in het proces wegnemen
Effect
Verwatert binnen maanden
Kwaliteit blijft stijgen
Privacy, security en transparantie
Datakwaliteit kent een aantal belangrijke aspecten die je altijd moet meenemen in je aanpak. Zie je ze over het hoofd, dan kan dat je reputatie schaden en lopen klanten weg. Data heeft zeer goede bescherming nodig. Neem daarom altijd de volgende drie aspecten mee in je datastrategie.
- Privacy: je klanten vertrouwen hun gegevens aan je organisatie toe en gaan ervan uit dat je daar verstandig mee omgaat. Dit ging bijvoorbeeld fout toen enkele grote banken klantdata aan derden wilden verkopen als extra inkomstenbron. Daar ontstond veel ophef over.
- Security: het is bijna elke dag in het nieuws: een datalek of een hack waarbij klantdata uit een database is gestolen. De reputatieschade is enorm en kan zelfs het voortbestaan van je bedrijf in gevaar brengen.
- Transparantie: welke klantdata sla je op en welke data deel je met derden? Facebook is het bekendste voorbeeld: het bedrijf verzamelt zeer veel data over gebruikers, terwijl onduidelijk is welke gegevens het precies opslaat, wat het ermee doet en met wie het die deelt.
Deze aspecten worden steeds belangrijker en staan voortdurend op de agenda van directies en raden van bestuur.
Data is net een regenboog
Data kent veel verschijningsvormen. Het is net een regenboog, met één verschil: een regenboog verdwijnt snel weer, terwijl data in je organisatie blijft bestaan. De bekendste vorm is big data, maar let ook op open data en zero data.
- Big data: zeer veel of zeer complexe data die niet meer in een normale database met kolommen en rijen past. Het geeft snel nieuwe inzichten in het gedrag van klanten en apparaten. Werk je met big data, dan heb je waarschijnlijk grote problemen met datakwaliteit, zeker bij data die mensen op sociale media plaatsen.
- Open data: vrij beschikbare data, die overheden en kennisinstituten aan de lopende band produceren, zoals de data van het CBS of de RDW. Het doel is hergebruik. Door die te koppelen aan bedrijfsdata kun je je klantdata enorm verrijken. Bekijk ook de open data van de overheid.
- Zero data: veel organisaties richten zich alleen op big data en vergeten dat veel informatie intern beschikbaar is, bijvoorbeeld door specifiek te kijken naar data die niet in de database zit. Zero data laat bijvoorbeeld zien wat je klanten niet kochten.
3 wijdverbreide misverstanden over datakwaliteit
- Datakwaliteit is een eenmalige exercitie en geen continu verbeterproces. Als de acute noodzaak van goede data verwatert, verdwijnt het van de agenda, en blijft het dweilen met de kraan open.
- Data is geen strategische asset. Dan is er misschien ad hoc aandacht voor, maar nooit structureel. Door je datakwaliteit continu te monitoren en erover te rapporteren, verander je dat.
- Datakwaliteit is iets wat IT moet regelen. Dan is de verantwoordelijkheid niet goed belegd, en komt het verbeteren van de datakwaliteit nooit echt van de grond.
Zo pakken wij datakwaliteit aan
We beginnen niet met alles opschonen. In business modeling leggen we vast welke beslissingen en KPI’s er het meest toe doen, en dus welke data als eerste moet kloppen. Het dataplatform maakt de kwaliteit vervolgens zichtbaar: één set definities, controles op de zes criteria en fouten die worden teruggemeld aan het proces waar ze ontstaan. De eigenaar is de business, niet IT.
Spreek de auteur
Dick PouwDiamond Decisions
Bespreek je vraag met Dick
Vertel welke beslissing beter moet. In een vrijblijvend gesprek laten we zien waar jouw data het meeste oplevert.
Plan een kennismaking →Stap 3 van onze aanpak
Diamond Data Analytics
Een datawarehouse dat begint bij jouw belangrijkste beslissingen en klaar is voor conversational AI: al in 24 uur een werkend prototype.
Bekijk Data Analytics →Veelgestelde vragen
01
Wat is datakwaliteit?
Datakwaliteit is de mate waarin data geschikt is voor de processen en beslissingen die ervan afhangen. Je meet die met zes criteria: accuraat, compleet, juist formaat, consistent, vrij van dubbelingen en integer.
02
Hoe meet je datakwaliteit?
Toets je data regelmatig op de zes criteria, stel per belangrijke dataset een KPI en een norm vast, bijvoorbeeld 98% juiste contactgegevens, en toon de scores op een dashboard.
03
Hoe verbeter je datakwaliteit?
Met de PDCA-cyclus: stel doelen en normen vast, analyseer en corrigeer de fouten, vergelijk de resultaten met de norm en stel bij. Corrigeer niet alleen de data, maar vooral de oorzaak in het proces of systeem.
04
Wie is verantwoordelijk voor datakwaliteit?
De business. Data ontstaat in processen, dus de eigenaar van het proces is de eigenaar van de data. IT levert tools en controles, maar kan de verantwoordelijkheid niet overnemen.
05
Wat is het verschil tussen eenmalig opschonen en continu verbeteren?
Bij eenmalig opschonen corrigeer je de data, waarna de kwaliteit weer terugloopt omdat de oorzaak blijft bestaan. Continu verbeteren werkt met een vaste norm, een eigenaar en een terugkerende cyclus, en neemt de oorzaak weg.
06
Hoe begint een mkb-bedrijf met datakwaliteit?
Kies de ene dataset die de meeste problemen geeft, meestal klant- of artikelgegevens. Meet hoeveel records fout zijn, spreek een norm af en maak één persoon in de business verantwoordelijk. Pas het invoerscherm of de werkinstructie aan die de fouten veroorzaakt voordat je gaat opschonen.
Verder lezen
- Datawarehouse: datakwaliteit structureel verbeteren.
- De PDCA-cyclus: de motor achter continu verbeteren.
- Extract, transform, load (ETL): waar data wordt gecontroleerd en gecombineerd.
- Big data: volume, variëteit en betrouwbaarheid.
Over de auteur
Over Diamond Decisions
Diamond Decisions helpt organisaties beter te worden door betere beslissingen mogelijk te maken. We starten niet bij data, dashboards of AI, maar bij de beslissing die beter moet, en bouwen van daaruit terug naar KPI’s, data en technologie. Dat doen we in vier stappen: inspiratie en alignment, business modeling, analytics en dataplatform en datagedreven beslissers. Zo zorgen we dat BI en AI geen IT-project blijven, maar elke dag waarde opleveren.

