Datakwaliteit op orde voor people analytics-inzichten
Datagedreven werken is sterk in opkomst in het HR-domein. Maar om waarde uit data te kunnen halen is datakwaliteit een belangrijke randvoorwaarde. Experts van Quintop zetten uiteen hoe de kwaliteit van data kan worden gemeten en geborgd, en bieden handvatten over hoe het proces rondom datakwaliteit geprofessionaliseerd kan worden.
Over de waarde van datagedreven werken bestaat weinig discussie meer. Tal van onderzoeken doken in de mogelijke voordelen en zijn het erover eens dat slimme data-inzichten kunnen bijdragen aan een verbeterde besluitvorming en werknemerservaring, verhoogde prestaties en vele andere mooie bedrijfsresultaten.
Ook over de cruciale rol die datakwaliteit daarbij speelt bestaat weinig discussie. Hierbij geldt het aloude adagium ‘garbage in, garbage out’: de kwaliteit van de inzichten staat of valt bij de kwaliteit van de data die wordt geanalyseerd. Sterker nog: het gebruik van ‘slechte’ of onjuiste data kan zelfs een schadelijk effect hebben op de besluitvormingsprocessen.
Hoe meet je datakwaliteit?
Er zijn talloze manieren om de datakwaliteit te meten. In sommige modellen worden tot wel 15 verschillende maatstaven gebruikt voor wat we onder datakwaliteit kunnen verstaan. De drie belangrijkste maatstaven zijn nauwkeurigheid, volledigheid en consistentie.
Nauwkeurigheid
Data wordt als nauwkeurig aangemerkt wanneer deze precies de werkelijkheid weergeeft en vrij is van fouten. Voorbeelden van onnauwkeurige data in HR zijn onder andere verkeerd gespelde contactgegevens, foutieve aanwezigheidsrapporten van werknemers en onjuiste contractinformatie.
Deze onnauwkeurigheden kunnen mogelijk leiden tot incorrecte in- en uitstroomrapportages. Verder is het meten van verlooppercentages van groot belang voor het retentiebeleid en om de ‘gezondheid’ van de organisatie te beoordelen. Wanneer er sprake is van onnauwkeurige percentages kan er mogelijk verkeerd gestuurd worden op deze cijfers, met alle gevolgen van dien.
Volledigheid
Data wordt als volledig beschouwd wanneer alle vereiste informatie aanwezig is en er geen belangrijke details ontbreken. Onvolledige data komt bijvoorbeeld voor in HR-systemen wanneer velden worden overgeslagen of wanneer velden voor benodigde informatie ontbreken.
Een voorbeeld van de impact op people analytics is wanneer een bedrijf een programma implementeert om diversiteit en inclusie te verbeteren, maar er ontbreken nog gegevens over diversiteit en inclusie in de wervingsinformatie. En dat maakt het goed meten van de voortgang van het wervingsbeleid een onnodige uitdaging.
Consistentie
Data wordt als consistent bevonden wanneer deze in verschillende datasets hetzelfde of gelijkwaardig is. Inconsistentie in data treedt op wanneer verschillende waarden worden gebruikt voor dezelfde meetwaarde, medewerker of afdeling.
Denk bijvoorbeeld aan data met betrekking tot het aantal fte binnen het bedrijf. Veelal hanteren verschillende afdelingen andere definities voor hoeveel tijd een werknemer werkt en of deze parttime of fulltime is. Zo kan het zijn dat bijvoorbeeld de financiële afdeling langdurige ziekte of zwangerschapsverlof uitsluit bij het bepalen van het aantal fte, terwijl andere afdelingen dat niet doen.
Het tegelijkertijd hanteren van deze verschillende waarheden kan leiden tot verwarring tussen afdelingen en inconsistenties in de aansturing van de activiteiten.
Tips voor het bewaken van de datakwaliteit
Tip 1: Handmatige invoer beperken
Het is aan te raden om handmatige invoer waar mogelijk zoveel als het kan te beperken. Toch zal handmatige data entry hier en daar gewoon nodig zijn en hoe nauwkeurig we ook werken, mensen maken nu eenmaal fouten. Gelukkig is de impact van zulke fouten veel kleiner dan die van de overige factoren die hieronder aan bod komen.
Tip 2: Onvoldoende vaardigheden of bewustzijn? Zorg voor training!
Niet alle medewerkers die dagelijks met datamanagement te maken hebben (of zullen krijgen) beschikken over de benodigde actuele datamanagementvaardigheden. Mogelijk zijn ze zich ook onvoldoende bewust van de datamanagementprocessen binnen de organisatie. Het is aan te raden om deze medewerkers trainingsmogelijkheden te bieden om hun kennis te versterken.
Tip 3: Zorg voor duidelijk vastgelegde definities
Het fte-voorbeeld van hierboven laat zien hoe bedrijven ervoor moeten waken dat er binnen afdelingen meerdere definities bestaan. Organisaties moeten zorgen dat bij het analyseren van data op organisatieniveau unanieme definities gelden. Het is dan ook raadzaam om te beschikken over een data dictionary of begrippenlijst waarin alle concepten gedefinieerd en toegankelijk zijn.
Tip 4: Zorg voor expliciete data governance- en datamanagementprocessen
Aandacht voor hoe data wordt beheerd is cruciaal voor een goede datakwaliteit. Een volgende tip is dan ook zorgen voor een solide raamwerk voor data governance en dat data worden behandeld als een strategisch bedrijfsmiddel. Dit behelst het zorgen voor standaarden en beleidsregels voor de juiste en compliant dataverwerking.
Daarnaast omvat het processen die de acties vastleggen die nodig zijn om deze standaarden te handhaven gedurende de hele levenscyclus van data. Belangrijk is ook dat het specificeert wie wijzigingen in datadefinities, processen of het governance framework mag aanvragen, hierover kan beslissen en/of wijzigingen kan implementeren.
Tip 5: Zorg voor een effectief datamanagementproces
Tot slot doen organisaties er goed aan te zorgen voor een effectief datamanagementproces. Er moet bijvoorbeeld goed gekeken worden of er in het proces geen stappen zitten die, hoe goed bedoeld ze ook zijn, de datakwaliteit niet ten goede komen. Een voorbeeld is een verplicht veld dat ingevuld wordt voor de verjaardag van een nieuw aangenomen werknemer.
Kort na het aannemen van de medewerker dient dit veld ingevuld te worden, hoewel deze informatie pas later beschikbaar komt. Als workaround vult het HR-personeel daarop dummy-waarden in (bijvoorbeeld 01-01-1990) om vervolgens op een later tijdstip pas de informatie bij te werken.
Maar soms wordt die tweede stap nooit gezet, met foutieve data tot gevolg. Dergelijke problemen vereisen een verandering in het proces (en mogelijk in de systeemconfiguratie).
Stevig fundament
Door deze vijf tips ter harte te nemen vergroot je de kans dat de data binnen de HR-afdeling nauwkeurig, volledig én consistent is flink. En met de datakwaliteit op orde beschik je over een stevig fundament om de grote belofte van data ook echt waar te maken.
