Data er grundlaget for kunne levere den rette beslutningsrelevante information. Når information fortolkes, skaber det viden. Brugbar viden beror på data med den rette kvalitet. For indfri det fulde potentiale med nyt lagerstyringssystem skal man sikre, at de data, systemet skal arbejde med, har den rette kvalitet og at det sker i en proces med klare roller og ansvar.
Optimering af Beslutningsgrundlaget: Vigtigheden af Datakvalitet i Virksomheders Stamdata og Lagerstyringssystemer
Dine beslutninger bliver ikke bedre end de data, der ligger til grund for beslutningerne. Data er det nye sort. Når data behandles, opnås der information. Når information fortolkes, opnås der viden. Vi lever i et vidensamfund, og hvilken viden er det, vi arbejder ud fra, hvis den er fejlbehæftet og/eller mangelfuld? Selvom vigtigheden af datakvalitet har været oplyst i flere årtier, er det påfaldende, at det stadigvæk for mange virksomheder er en øm akilleshæl. Skal du have den fulde effekt af et nyt lagerstyringssystem som Slim4 fra Slimstock, bør du sikre, at stamdata har den rette kvalitet. Stamdata er data omkring varer, leverandører, kunder, medarbejdere m.v., som oprettes i systemer for at blive brugt løbende i den daglige drift. Stamdata kan ændres, f.eks. kan en medarbejder skifte adresse. Stamdata med særlig relevans for lagerstyringssystemer er varenavne, antal varer i en salgsemballage, mål på varen (højde, bredde og længde) og varens vægt. For produktionsvirksomheder er der også stamdata på styklister og ruter. Fejl i stamdata kan have fatale konsekvenser, som forringer virksomhedens performance. Det kan være manglende leveringsevne grundet fejl i styklister, som gør, at man har bestilt for lidt eller mangler opdatering af lead-time fra leverandører, som bevirker, at man går i mango.
Forskning på Syddansk Universitet i Kolding peger på en række årsager til, at datakvaliteten kan halte:
- Mangel på ansvarsplacering for vedligeholdelse af masterdata
- Uklare roller og ansvar i dataskabelse, databrug og vedligeholdelse af masterdata
- Mangel på ledelsesfokus omkring kvalitet af masterdata
- Mangel på belønning af at sikre datakvalitet
- Mangel på træning og uddannelse
- Mangel på politikker og procedurer
Problemstillinger med fejl og mangler i stamdata bliver ikke mindre af, at virksomheden og dens omgivelser ændres løbende. De data, virksomheden styrer ud fra, kan blive forældede og give støj ind i forretningen. Når man oplever fejl og mangler, kan det medføre et unødvendigt ressourceforbrug, typisk i form af dobbeltarbejde, når man skal kompensere for disse fejl og mangler gennem uformelle arbejdsgange, via telefonopringninger, møder og manuelle registreringer og ændringer. Det forringer produktiviteten og bidrager med unødvendige indirekte omkostninger. I værste fald holder det gang i, hvad man kalder de ”skjulte fabrikker” i virksomheden. Derfor er det vigtigt at forholde sig kritisk til ens praksis med håndtering af stamdata, og hvad det kan forårsage af byrder for virksomheden. Der er grundlæggende fire forskellige tilgange til at forbedre datakvaliteten, som ikke nødvendigvis udelukker hinanden: 1) opsporing og korrektion af fejl i stamdata; 2) datastrategier, 3) dataprocesforbedringer og 4) datapolitikker.
-
Opsporing og korrektion af fejl i stamdata
Datakvalitet kan forbedres gennem datavask. Den simpleste form er manuelle tjek af relevante data og derefter en korrigering af dem, hvis der er fejl. En anden måde er at sammenligne data, hvis de findes i flere databaser, for at tjekke, om der er overensstemmelse. En tredje måde er at lade systemer gøre arbejdet, hvor data kan tjekkes op imod nogle kriterier for et eller flere felter.
-
Datastrategier
Som supplement til en løbende datavask kan strategier til forbedring af data også være at definere en proces, der først identificerer, hvor der er dataproblemer. Dernæst bør man betragte data som et vigtigt aktiv. Det handler med andre ord om forståelsen af og respekten for datakvalitet. Dette skal derefter indgå i et decideret datakvalitetssystem, hvor der etableres en løbende proces (en governance) med fokus på at sikre den rette datakvalitet.
-
Dataprocesforbedringer
Data kan også forbedres ved at analysere og redesigne processerne, hvori datafejl opstår. Med andre ord analyseres en proces, som f.eks. kan være vareoprettelse. Hvornår og hvad starter processen, hvilke aktiviteter består processen af? Hvilke data bruges hvor i processen, og hvor kommer de fra? Hvordan lukkes processen, og hvem har hvilke ansvarsområder?
-
Datapolitikker
Datapolitikker indeholder principper for styring og ledelse af datakvaliteten. Der bør formuleres retningslinjer for dataskabelsen (hvem bruger data og til hvilke formål?), datalagring og databehandling (dataarkitektur og databaser som minimerer dataredundans, sikring af ønsket adgang) og for brugen af data (krav til data der oprettes; rigtig forståelse af data m.v.).
Refleksion
Et afsluttende spørgsmål til refleksion er, hvad det koster en virksomhed at operere med dårlige stamdata. En business-case for implementering af et lagerstyringssystem som Slim4 kan hurtigt vise sig at være attraktiv, både fordi processen med at implementere systemet kan skabe den nødvendige oprydning i data, og fordi data efterfølgende er lettere at vedligeholde. Forretningsgevinsten ligger i samspillet mellem systemet, data og processerne, der skaber gennemsigtige lagerprocesser.
