Datakvalitet

Datakvalitet handler om hvor korrekte, komplette, opdaterede og ensartede virksomhedens data er. Når data har høj datakvalitet, kan systemer og medarbejdere stole på oplysningerne; når kvaliteten er dårlig, forstærker AI fejlene, og kunder kan få forkerte priser, forkerte leveringstider eller forældet produktinformation.

Hvorfor datakvalitet ofte ødelægger AI-projekter

Mange AI-initiativer i små og mellemstore virksomheder stopper, fordi der ikke er tidsat eller budget til at rydde op i data. Du kan købe en avanceret model, men modellen lærer af det, du fodrer den med. Det betyder, at forkerte produktbeskrivelser, manglende felter i en kundedatabase eller modstridende priser leder til forkerte svar fra en chatbot eller dårlige anbefalinger i en kundemenu. Oprydning er ofte størstedelen af arbejdet, ikke softwaren.

De fire vigtigste dimensioner af datakvalitet

• Nøjagtighed: Er værdierne rigtige? En pris skal matche den, I faktisk opkræver. Forkerte tal er åbenlyse fejl.
• Fuldstændighed: Mangler der felter? En supportagent uden kundens ordrehistorik mangler kontekst.
• Aktualitet: Er data opdaterede? En leveringsdato fra sidste uge kan være forældet i dag.
• Konsistens: Stemmer data overens på tværs af systemer? Hvis jeres CRM siger én adresse og regnskabssystemet en anden, bliver det rod for både post og rapporter.

Disse dimensioner hænger sammen. Manglende nøjagtighed kan ses i inkonsistente felter, og forældede data skader fuldstændigheden. Når I måler forbedringer, så mål dem mod disse fire punkter. Brug ordet Nøjagtighed, når du diskuterer konkrete mål for felter.

Sådan virker datakvalitet i praksis

Forestil dig et køkken, hvor to kokke skal følge samme opskrift, men deres målebægre har forskellige mål. De får samme navn på ingredienserne, men mængderne er forskellige. Resultatet varierer fra dag til dag, og gæsterne klager. I dataverdenen er målebægeret en forkert produktkode eller en gammel prisliste fra 2019. AI kan kun gøre sit bedste på det kort, du giver den, og det bedste kan være forkert.

Eksempel: Datakvalitet hos en kontorleder i en håndværksvirksomhed

Kontorlederen i en tømrerfirma med 12 ansatte sidder mandag morgen i regnskabskontoret, en uge før sæsonstart for udendørs projekter. Hun skal sende 20 tilbud baseret på standardpriser i et regneark, en PDF-prisliste fra 2019 og noter i en e-mailkæde. Under arbejdet opdager hun, at tre produktnumre i regnearket peger på samme type tømmer, men med forskellige måleenheder, og to priser er fra en underleverandør, der ændrede sine priser sidste år.

Hun forsøger først at rette i regnearket, men ser hurtigt, at samme fejl findes i fakturaer, kundekort og i ordresystemet. Oprydningen tager to hele arbejdsdage, flere telefonsamtaler til leverandører og en gennemgang af 60 linjer i PDF-prislisten. Modstanden kommer fra kollegaer, der mener, at tilbuddene skal ud i dag, og fra manglende adgang til gamle e-mails, fordi en medarbejder er på ferie. Resultatet er, at tilbuddene bliver sendt med korrekte priser, men processen kostede tid og fokus væk fra andet salg. Læringen var klar: uden én kilde til sandheden for priserne ender I i gentagne rettelser under hver kampagne.

Sådan kommer du i gang med at forbedre datakvalitet

1. Identificer de kritiske felter, som AI og dine medarbejdere faktisk bruger: priser, kontaktoplysninger, produktkoder. Start her.
2. Lav en simpel kontrol: sammenlign tre kilder for de samme værdier og noter uoverensstemmelser. Prioriter det, der påvirker kunder direkte.
3. Aftal en ejer for hvert datadomæne, for eksempel én person, der altid godkender prislister. Ejerskab skaber ansvar.
4. Automatiser småfejl: en regel der markerer manglende felter eller oplagte talfejl sparer tid. Start med simple regler, ikke komplekse integrationer.
5. Planlæg vedligeholdelse: en kvartalsvis gennemgang af de vigtigste data holder kvaliteten oppe.

Datakvalitet er ikke det samme som masterdata eller MDM

Stamdata eller masterdata handler om hvilke poster, der er virksomhedens grundlæggende referencer, for eksempel produktnumre eller kunde-id'er. Master data management, MDM, er processen til at holde disse poster ordentligt organiseret. Datakvalitet derimod er en egenskab ved alle jeres data: det siger noget om hvor rigtige, komplette og opdaterede de er. I praksis arbejder I ofte begge dele: få styr på stamdata, og mål så datakvaliteten på dem.

Husk at AI kan gøre mange opgaver nemmere, men AI gør ikke data rigtige af sig selv. Dårlig datakvalitet giver forkerte beslutninger og utilfredse kunder. Det er lovligt kedeligt arbejde, men det er det, der gør AI-projekter holdbare. Og hvis du er lidt smart, starter du med de felter, der påvirker kunderne direkte ... så ser resultaterne hurtigere.

Vil I have et bud på, om datakvalitet overhovedet er jeres næste skridt, så er det dét, AI-rådgivning er til for.