6 Volwassenheid

Het is duidelijk dat gegevenskwaliteit niet iets is dat je met een éénmalige inspanning doet. Het is vooral een proces van continue verbetering. Daarbij groeit ook de volwassenheid in het omgaan met gegevenskwaliteit. Dit hoofdstuk beschrijft de impact van volwassenheid op het omgaan met gegevenskwaliteit. Het start met een toelichting op de beslishulp datavolwassenheid en de wijze waarop gegevenskwaliteit daarin is beschreven. Vervolgens wordt specifiek ingegaan op wat volwassenheid betekent in de context van het in dit document beschreven stappenplan.

6.1 Beslishulp datavolwassenheid IBDS

Er zijn heel veel volwassenheidsmodellen voor gegevensmanagement. In dit document baseren we ons op de beslishulp datavolwassenheid die is ontwikkeld in programma IBDS (MinbBZK, 2024). Dat programma geeft uitvoering aan de Interbestuurlijke Datastrategie van de overheid. Dit is een eenvoudig te gebruiken en begrijpelijk model. De volgende figuur geeft een overzicht van de kerngebieden en subdimensies die onderdeel uitmaken van dit model.

Figuur 5 Kerngebieden in beslishulp datavolwassenheid IBDS

In het model wordt onderscheid gemaakt tussen de volgende volwassenheidsniveaus:

Beginnend: De organisatie ziet het nut van data slechts beperkt in. Er bestaat dus nauwelijks of geen prikkel om data te gebruiken bij het dagelijkse werk, ook niet bij het nemen van besluiten. Er bestaat geen datacultuur en geen strategie om datacapaciteiten te ontwikkelen. De organisatie kent weinig tot geen voorbeelden van succesvolle datatoepassingen.
Basis: De organisatie erkent het belang van data en datagedreven werken, maar slechts weinig mensen in de organisatie beschikken over de competenties om data te analyseren, rapporteren en presenteren. Er is een minimale datacultuur met weinig voortrekkers en weinig bekwame datagebruikers. Er bestaat geen organisatie brede toegang tot data en het vertrouwen in data ontbreekt. De organisatie heeft wel een aantal succesvolle datatoepassingen ontwikkeld, vaak in de vorm van pilots of proofs-of-concept die echter (nog) niet zijn opgeschaald naar breed gebruik.
Gevorderd: De organisatie heeft datagedreven werken geïntegreerd in veel, maar niet alle (besluitvormings-)processen. Data wordt gezien als een strategisch bedrijfsmiddel. Er is een datacultuur, waarbij data-analyseteam(s) actief zijn en elk ‘business’ team ten minste één datageletterde medewerker heeft die op data gebaseerde inzichten kan toepassen en collega’s daarin kan coachen. Data is toegankelijk, maar niet altijd gemakkelijk te vinden.
Expert: Datagedreven werken is verweven in de organisatiecultuur. Iedereen heeft toegang tot de data die nodig is om het werk goed te doen. Er bestaat een cultuur waarin het gebruik van data voor het nemen van beslissingen vanzelfsprekend is.

6.2 Volwassenheid van gegevenskwaliteit

De beslishulp datavolwassenheid geeft ook een beschrijving van gegevenskwaliteit op elk niveau en een beschrijving van de route om te komen tot het volgende niveau. Het resultaat is weergegeven in de volgende paragrafen. Merk daarbij op dat gegevenskwaliteit niet los kan worden gezien van de andere kerngebieden en subdimensies en dus integraal zal moeten worden ontwikkeld. Merk verder op dat de beslishulp spreekt over ‘data’ in plaats van ‘gegevens’.

6.2.1 Beginnend

Er is minimale aandacht voor en geen/nauwelijks inzicht in de nauwkeurigheid en consistentie van data, buiten verplichte (basis)registraties. Het inzicht in de impact van slechte datakwaliteit op bedrijfsprocessen is beperkt.

Route naar niveau 2:

Start bewustwordingscampagnes over het belang van nauwkeurige en consistente data. Gebruik concrete voorbeelden om de relevantie ervan te illustreren.
Introduceer eenvoudige controles bij de invoer van data om basisniveau-kwaliteit te waarborgen (bijv. introductie van selectielijsten i.p.v. vrije invoer velden).
Wanneer van toepassing: meet de kwaliteit van verplichte (basis)registraties. Breng beheerprocessen van deze registraties in kaart als mogelijke ‘best practice’ voor overige dataverzamelingen.

6.2.2 Basis

Basisbegrip van het belang van nauwkeurige en consistente data is aanwezig.
Er is herkenning van de noodzaak om datakwaliteit te waarborgen bij invoer en verwerking. Eenvoudige verbeteringen in data-invoer zijn doorgevoerd.
Wanneer van toepassing: er is inzicht in de kwaliteit van verplichte (basis)registraties en in de beheerprocessen van die registraties.

Route naar niveau 3:

Introduceer een dataclassificatie systematiek. Zet hiervoor de datasets op volgorde van waarde, waarbij masterdata het meest waardevol is, gevolgd door kernregisterdata en vakregisterdata. Bepaal vervolgens kwaliteitscriteria voor de verschillende niveaus. Deze dienen als duidelijke normen voor datakwaliteit binnen de organisatie, waarmee een uniforme benadering wordt gewaarborgd.
Implementeer geautomatiseerde datakwaliteitstools om regelmatige controles uit te voeren en afwijkingen snel te identificeren en aan te pakken.

6.2.3 Gevorderd

Er is breed binnen de organisatie actieve betrokkenheid bij het handhaven van de opgestelde datakwaliteitsnormen o.b.v. de dataclassificatie. Men heeft begrip van de bredere impact van slechte datakwaliteit op de organisatie.

Route naar niveau 4:

Streef naar een cultuur van continue verbetering van datakwaliteit door regelmatige evaluaties, feedbacklussen en aanpassingen van processen.
Implementeer een proactieve datakwa¬liteitsstrategie waarbij datakwaliteit niet alleen wordt hersteld na identificatie van problemen, maar waar preventieve maatregelen worden genomen.

6.2.4 Expert

De kwaliteit van de data voldoet aan de daarvoor gestelde normen, afhankelijk van de waarde voor de organisatie.
De invoer in bronnen is dusdanig georganiseerd dat de kwaliteit van data maximaal geborgd is.
In de organisatie is breed bewustzijn van het belang van goede kwaliteit van data(invoer).
Er is continue aandacht voor het belang van goede datakwaliteit binnen de organisatie.

6.3 Volwassenheid in het stappenplan

Dit document beschrijft een stappenplan op het gebied van gegevenskwaliteit. Het is daarom belangrijk om te begrijpen wat volwassenheid betekent voor de verschillende stappen in het stappenplan. Tabel 4 beschrijft de voorgestelde invulling zoals deze gezamenlijk is beschreven en besproken. De volwassenheidsniveaus zijn geïnspireerd op de niveaus in de beslishulp datavolwassenheid, maar wat vrijer geïnterpreteerd. Het niveau ‘beginnend’ is niet beschreven, omdat er aan dit niveau geen eisen worden gesteld. Niveau ‘basis’ is geïnterpreteerd als het eerste niveau waarop serieuze stappen worden gezet. Niveau ‘gevorderd’ reflecteert een professionele manier om met gegevenskwaliteit om te gaan en is daarmee te zien als een soort baseline. Niveau ‘expert’ beschrijft extra stappen die gezet kunnen worden om op een meer geavanceerde manier met gegevenskwaliteit om te gaan.

Merk op dat de tabel niet per definitie een lineaire ontwikkeling voorschrijft. Zo kan het heel goed zijn dat er al eerder ontwikkelstappen worden gezet die eigenlijk op een hoger niveau van volwassenheid thuishoren, als dat beter past bij de specifieke context. Uiteindelijk is de tabel vooral bedoeld als handreiking om te bepalen wat logische stappen zijn om te zetten in de verdere ontwikkeling op het gebied van gegevenskwaliteit.

	Basis – eerste serieuze stappen	Gevorderd - professioneel	Expert - geavanceerd
1. Bepalen context	Start met concreet probleem, behoefte, nulmeting en/of wetgeving Zicht op de bedrijfscontext Uitvoerende verantwoordelijkheid is duidelijk Betrokkenheid van eindverantwoordelijke	Jaarlijkse verbetercyclus Focus op dataset zelf Uitvoerende en eindverantwoordelijke rollen gedefinieerd en geformaliseerd Competente medewerkers	Focus op relatie met andere datasets (m.n. consistentie) Processen en verantwoordelijkheden geformaliseerd Borging competenties in functiehuis en in de werving
2. Beschrijven gegevens	Eerste vastlegging van metagegevens, minimaal op het niveau van datasets Eerste aanzet tot kritieke gegevenselementen	Centrale metagegevens repository, tot op het niveau van gegevenselementen Begrippen, informatie- en/of gegevensmodel gedefinieerd Verbinding met organisatiebrede master- en referentiegegevens gedefinieerd	Datalineage volledig inzichtelijk Koppeling van metagegevens en modellen Metagegevens actief en continu verzamelen, inzichtelijk maken en gebruiken om bij te sturen Harmonisatie met organisatiebrede master- en referentiegegevens
3. Beschrijven regels en eisen	Eerste inventarisatie van regels en eisen Informele afspraken over kwaliteit	Centrale vastlegging van regels en eisen Gestandaardiseerd formaat Data profiling met professionele tool Gegevensleveringsovereenkomsten	Formeel sturen op gegevensleverings-overeenkomsten Geautomatiseerde controle, bewaking en bijsturing van regels en eisen
4. Meten gegevenskwaliteit	Eerste controles, met focus op validiteit en consistentie binnen dataset	Geautomatiseerde metingen en duplicaatdetectie Organisatiebreed kwaliteitsdashboard	Pro-actief signaleren en oplossen problemen met gegevenskwaliteit (data observability)
5. Afhandelen signalen	Informeel proces voor melden en herstellen Meldingen via e-mail Bepalen oorzaken van problemen	Formeel proces voor melden en herstellen Standaard terugmeldmechanisme Bewaken van signaalafhandeling	Geautomatiseerde workflows Sturen op kwaliteitseisen Zicht en sturing op effect van verbetering
6. Implementeren maatregelen	Informeel proces	Formeel proces, projectmatig Implementeren maatregelen als formele beheersmaatregelen	Kwaliteitscyclus op beheersmaatregelen Gegevenskwaliteit by design

Tabel 4: Volwassenheidsniveaus per stap in het stappenplan

Volgende hoofdstuk: Hoofdstuk 7 - Adviezen