Buono o cattivo? - Valutare correttamente la qualità dei dati

Molte aziende hanno trascurato la qualità dei dati in passato, per vari motivi. Il fatto che i loro sistemi ERP funzionassero in modo non ottimale era qualcosa di cui non erano consapevoli o che accettavano. Con la digitalizzazione dei processi e la rapida ascesa dell'intelligenza artificiale (AI), questo rischio sta diventando ancora più grande. Perché è stato sufficientemente dimostrato scientificamente: La scarsa qualità dei dati influisce sull'efficienza e sui risultati, anche con i sistemi di intelligenza artificiale come le macchine ad autoapprendimento. Chi non ha ancora agito dovrebbe quindi fare qualcosa.

Sette consigli per una migliore qualità dei dati

Il produttore di ERP proALPHA consiglia di sottoporre i dati a un test di performance in sette fasi, e questo significa inventari propri e informazioni provenienti da altre fonti, come agenzie di credito e altri fornitori terzi. I parametri di prestazione decisivi sono:

1. CompletoLe informazioni mancanti sono più che fastidiose. Più i processi diventano digitali, più è importante che tutti i dati necessari siano disponibili. Se, ad esempio, le informazioni sui componenti di un prodotto sono incomplete, il processo di produzione può bloccarsi o il prodotto finale può non essere conforme alle specifiche. Per garantire le prestazioni dei processi aziendali, si raccomanda di definire campi obbligatori e controlli automatizzati in determinati punti del processo. Tuttavia, le aziende non devono cadere in una "frenesia da raccolta dati". Dall'entrata in vigore del Regolamento generale sulla protezione dei dati (GDPR), ai dati personali si applica il principio di economia: si possono memorizzare solo le informazioni effettivamente necessarie. I dati non più necessari devono essere cancellati definitivamente. (Per inciso, questo vale anche per le aziende svizzere che hanno dati provenienti dall'area dell'UE, n.d.t.).
2. AttualeI dati di indirizzo e contatto non sincronizzati sono un esempio lampante di informazioni obsolete. Proprio perché il personale di vendita si reca solo sporadicamente presso la sede centrale, in passato il database dei clienti non era mai aggiornato. Le soluzioni CRM mobili offrono un rimedio in questo caso. Inoltre, mantengono aggiornate le informazioni critiche per la produzione, come i dati di magazzino. Tuttavia, non è necessario che tutti gli stati siano disponibili in tempo reale. Le aziende dovrebbero invece verificare i propri processi per capire dove una fornitura di dati più rapida porterebbe a una maggiore produttività e iniziare da lì.
3. CoerenteI record di dati in sistemi diversi non devono essere in contraddizione tra loro. In pratica, la doppia archiviazione dei dati in diversi silos e il trasferimento manuale nel migliore dei casi comportano "solo" un lavoro aggiuntivo per l'inserimento dei dati. Nel peggiore dei casi, si verificano errori, ad esempio durante il trasferimento dei dati degli ordini al software di controllo qualità. Le incoerenze che ne derivano sono oggi relativamente facili da risolvere, grazie alle moderne tecniche di integrazione.
4. Conformità: I dati devono soddisfare i requisiti dei sistemi e dei processi, ad esempio devono essere in un formato adeguato e il più possibile standardizzato. I formati di data e valuta sono classici. Per quanto riguarda le marche temporali, è importante assicurarsi che oltre alle ore e ai minuti venga registrato anche il rispettivo fuso orario. Dopo tutto, c'è una differenza di dodici ore tra le 8 di Shanghai e le 8 di San Paolo.
5. Esattamente: I dati devono essere accurati. Per essere più precisi: deve essere sufficientemente preciso. Perché non tutti i processi aziendali necessitano di dati di alta precisione fino all'undicesima cifra decimale. Anche in questo caso, le aziende dovrebbero innanzitutto chiedersi: quanto devono essere precisi i valori misurati e gli altri dati? L'accuratezza richiesta deve essere monitorata anche dal punto di vista del sistema attraverso regole e controlli dei dati appropriati.
6. UnicoI duplicati non solo gonfiano inutilmente il database. Inoltre, portano a richieste di informazioni non necessarie. Se non vengono individuati, si verificano rapidamente interpretazioni errate. Ad esempio, se un fornitore ha diversi numeri di fornitore e quindi cifre chiave come il volume dei contratti per le trattative sugli sconti non sono aggregate. Filtrare i dati ridondanti da uno stock è già possibile con gli strumenti di bordo di un programma di foglio elettronico. Tuttavia, i duplicati continuano a insinuarsi e il lavoro ricomincia da capo. Un gestore automatico della qualità dei dati offre un modo più sostenibile per pulire i dati.
7. CorrettoQuesto criterio si riferisce a un altro aspetto essenziale oltre all'attualità: l'accuratezza, l'affidabilità dei dati. L'attuale discussione sulle fake news lo sottolinea ancora una volta: le informazioni "all'avanguardia" sulle difficoltà economiche di un fornitore non devono necessariamente essere corrette. Le fonti da cui le aziende ottengono informazioni rilevanti per il business devono quindi essere comprensibili e credibili.

Necessaria una gestione sostenibile della qualità

Il rapporto delle aziende con i propri dati è spesso ambivalente: in alcuni luoghi, ad esempio nelle vendite o nella finanza, la loro qualità è talvolta apertamente sfiduciata, mentre in altri luoghi, ad esempio nella produzione, la qualità è spesso sopravvalutata. Una gestione sostenibile della qualità dei dati è utile in tre modi: previene errori costosi, aumenta la fiducia nei propri dati e consente di prendere decisioni migliori. Soprattutto, però, i dati gestiti correttamente aiutano a digitalizzare i processi. Per ottenere questo plus di efficienza data-driven, le aziende possono imparare molto dalle migliori squadre sportive: Ci vuole un'analisi profonda e onesta, una strategia chiara e un impegno individuale al miglioramento continuo, a tutti i livelli del team.

Fonte: proALPHA