Kwaliteit van informatie: de drie belangrijkste pijlers uitgelegd

Informatie die wordt omgezet moet intact blijven

Bij het verwerken van informatie of data wordt die gekopieerd en vaak ook omgezet in berekende velden. De nieuwe informatie moet tijdens dat proces betrouwbaar blijven: die blijft integer en intact en kan niet gaandeweg ‘ontbinden’. Hoe zorg je dat je de kwaliteit van informatie kunt garanderen? Het vertrouwen van beslissers in informatie en KPI-dashboards moet immers rotsvast zijn. De beste oplossing is een datawarehouse opzetten, maar los daarvan is er een aantal essentiële zaken die altijd van toepassing zijn.

Vertaal codes correct in het transformatieproces

Neem de bewaking van cv-ketels. Het vertalen van foutcodes naar foutteksten is onderdeel van de transformatie. De ETL-programmatuur, die zich tussen het transactiesysteem en het informatiesysteem bevindt, is verantwoordelijk voor die vertaling. Verschillende leveranciers kunnen verschillende betekenissen gebruiken voor een en dezelfde foutcode. Het correct vertalen van de foutcode naar de juiste inhoud is één aspect dat moet worden gecontroleerd. Ook hierop is het begrip kwaliteit van toepassing.

Informatie toevoegen

Een ander aspect van kwaliteit is het toevoegen van informatie. Zo zou de ETL-programmatuur ‘laag waterniveau’ kunnen vertalen naar een nieuw gegeven ‘ketel is lek’. Toch is het niet op voorhand zeker dat de ketel lekt. Het expansievat kan ook lek zijn, of het lek zit in de leidingen of radiatoren.

Informatie weglaten

Net zo min als het is toegestaan informatie toe te voegen, is het toegestaan elementen uit de beschikbare informatie weg te laten. De ontwerper van de ETL-processen zou kunnen beslissen dat de storingscode voor ‘brander uit’ niet nodig is, omdat ‘geen gasdruk’ hetzelfde gevolg heeft. Toch zijn er genoeg situaties te bedenken waarin er wel degelijk gasdruk is maar de brander niet aan is. Dat is feitelijk een gevaarlijke situatie waarbij gas vrijkomt.

Ook het weglaten van volledige blokken of het dubbel laten voorkomen van andere blokken is geen blijk van kwaliteit. Uiteindelijk is bepalend dat de informatie alleen de aangeboden gegevens bevat, niet meer maar ook niet minder.

Datakwaliteit versus kwaliteit van informatie

Twee verwante begrippen die vaak door elkaar worden gehaald.

3 pijlers voor de kwaliteit van informatie

1. Pijler 1: vastleggen met welke programma(versie) de bewerkingen zijn uitgevoerd.
2. Pijler 2: steekproefsgewijs controleren of de oorspronkelijke gegevens overeenkomen met de gegevens in het informatiesysteem. Alleen bij volledige overeenstemming is de kwaliteit hoog genoeg.
3. Pijler 3: de gebruikte programmatuur testen. Dat gebeurt ten minste elke keer nadat de programmatuur is gewijzigd, en voordat de gewijzigde programmatuur in de praktijk wordt toegepast.

Gegevens twee keer onafhankelijk invoeren

Bij handmatige invoer controleer je de gegevens nog een keer met het origineel. Voor gegarandeerde kwaliteit moet die controle op alle informatie worden uitgevoerd. Een veelgebruikte werkwijze is de gegevens twee keer onafhankelijk in te voeren en alleen de gegevens door te sturen die in beide gevallen gelijk zijn. Alle andere gegevens worden eerst opnieuw gecontroleerd en aangepast, en pas daarna doorgestuurd naar het informatiesysteem voor verdere verwerking.

De gevolgen van foute informatie

Deze aanpak van controle op informatie lijkt bewerkelijk en duur. Het is daarom goed om te bedenken wat de gevolgen van foute informatie kunnen zijn, zoals je dat ook bij andere bedrijfsprocessen doet. Het is verstandig om ook hier een (onafhankelijke) risicoanalyse uit te voeren, om de kansen en risico’s in kaart te brengen. Van daaruit kun je verdere maatregelen nemen. Dat kan betekenen dat je bepaalde controles toch niet laat uitvoeren, omdat de kosten te hoog zijn in vergelijking met de opbrengst.

Verder lezen

• Datakwaliteit: zes criteria om die te meten.
• Extract, transform, load (ETL): waar de transformatie plaatsvindt.
• Kwaliteit van testen, ontwerp en bedrijfsplan.
• Managementinformatie: waar beslissers op vertrouwen.

Over de auteur

Thomas Abramse

Thomas heeft een rijke achtergrond in data-analyse en datagedreven werken, als analist en als manager. Binnen het team is hij de verbinder: hij luistert goed naar klanten en zet enen en nullen om in iets persoonlijks dat daadwerkelijk tot verbetering leidt.

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.