Finanční tým uzavírá měsíc s použitím jedné hierarchie zákazníků. Prodej používá jinou. Provoz má v tabulce třetí verzi, protože záznam ERP je neúplný. Nejde jen o problém s daty. Jde o provozní selhání, které vede k přepracování, zpomaluje rozhodování a činí automatizaci nespolehlivou. Vědět, jak zlepšit kvalitu podnikových dat, začíná tím, že se s daty zachází jako s výstupem obchodních procesů, nikoli jako s úklidovým cvičením IT.
U podniků s vysokým objemem transakcí je špatná kvalita dat zřídka způsobena jedním chybným systémem. Rozvíjí se napříč předáváním úloh, duplicitními vstupními body, nejasným vlastnictvím, nekonzistentními obchodními pravidly a integracemi, které přesouvají chybné záznamy rychleji, než je týmy stihnou opravit. Řešení vyžaduje koordinovaný provozní model, který propojuje návrh procesů, datovou architekturu, správu a automatizaci.
Začněte s obchodními rozhodnutími, která musí data podporovat
Programy na kvalitu dat často selhávají, protože začínají s obecnými cíli, jako je vyčištění všech zákaznických dat. To vytváří velký rozsah, nejistou hodnotu a nekonečné nahromadění nevyřízených záležitostí. Začněte místo toho s rozhodnutími a pracovními postupy, kde špatná data vytvářejí měřitelné náklady nebo riziko.
Například výrobce může potřebovat přesná data o produktech, dodavatelích a zásobách, aby mohl spolehlivě plánovat výrobu. Organizace sdílených služeb se může spoléhat na kompletní kmenová data dodavatelů pro zpracování faktur bez výjimek. Obchodní tým může potřebovat konzistentní hierarchii účtů pro předpovídání tržeb a správu cen.
Nejprve definujte obchodní výsledek a poté identifikujte kritické datové prvky potřebné k jeho dosažení. Tím se úsilí zúží na data, která mají provozní hodnotu. Zároveň to dává vedoucím pracovníkům jasný základ pro investice: méně blokovaných faktur, rychlejší zpracování objednávek, přesnější prognózy, nižší expozice vůči zásobám nebo menší ruční odsouhlasování.
Užitečný test je jednoduchý: pokud pole chybí, je nesprávné, duplicitní nebo se objevuje pozdě, jaký proces se přeruší a kolik to stojí? Pokud neexistuje smysluplná odpověď, daný datový prvek si nemusí zasloužit prioritu.
Mapa míst, kde v procesu selhává kvalita
Většina organizací dokáže identifikovat špatné záznamy. Méně z nich dokáže přesně vysvětlit, jak se staly špatnými. Toto rozlišení je důležité, protože oprava bez odstranění hlavní příčiny vytváří stálý tým pro nápravu.
Zmapujte komplexní proces pro každou prioritní datovou doménu. Zahrňte zapojené systémy, osoby, které vytvářejí nebo upravují záznamy, kroky schvalování, integrace, manuální alternativní řešení a následné uživatele. Pečlivě se podívejte na přechodové body. Jsou to body, kde se ztrácí kontext, pole se překlíčují a místní týmy zavádějí vlastní konvence.
Například záznam dodavatele může pocházet z oddělení nákupu, být ověřen finančním oddělením, obohacen o dodržování předpisů a poté synchronizován s několika finančními a reportingovými platformami. Pokud každá skupina může měnit různé atributy bez sdílených pravidel, jsou duplicitní dodavatelé a neúplné platební údaje předvídatelnými výsledky.
Cílem není zdokumentovat každé pole v každém systému. Cílem je odhalit mechanismy selhání. Mezi běžné příčiny patří povinná pole, která nejsou skutečně ověřena, referenční data udržovaná nezávisle obchodními jednotkami, volné textové vstupy, kde jsou potřeba kontrolované hodnoty, a fronty výjimek bez odpovědného vlastníka.
Jak zlepšit kvalitu podnikových dat s jasným odpovědným zapojením
Kvalitu nelze zcela delegovat na centrální datový tým. IT oddělení může spravovat platformy, zabezpečení, integrační vzorce a technické kontroly, ale nemůže rozhodovat o tom, zda klasifikace zákazníka odráží komerční model nebo zda je atribut produktu vhodný pro plánovací proces.
Přiřaďte vlastnictví na třech úrovních. Vlastník obchodních dat stanoví definici, zásady a pravidla přijatelného použití pro doménu. Správce dat spravuje každodenní problémy s kvalitou, monitoruje výjimky a koordinuje opravy. Techničtí vlastníci zajišťují, aby systémy, rozhraní a kontrolní mechanismy tyto požadavky konzistentně implementovaly.
Tento model funguje pouze tehdy, když je odpovědnost explicitní. Vlastníci potřebují pravomoc schvalovat standardy, řešit konflikty mezi odděleními a stanovovat priority oprav. Potřebují také dohodnuté úrovně služeb. Pokud je nutné duplicitní záznamy o zákaznících vyřešit do dvou pracovních dnů, měl by být viditelný odpovědný tým a postup eskalace.
Řízení by mělo být praktické, nikoli ceremoniální. Měsíční výbor, který kontroluje dashboardy, ale nemůže měnit pravidla pracovního postupu, data nezlepší. Začleňte odpovědnost do provozního rytmu nákupu, financí, dodavatelského řetězce, zákaznických služeb a dalších funkcí, které produkují nebo spotřebovávají klíčové záznamy.
Definujte pravidla kvality, která odpovídají provozní realitě
Úplnost a přesnost jsou zásadní, ale kvalita podnikových dat je širší pojem než jen procento vyplněných polí. Záznam může být úplný a přesto nepoužitelný, pokud jsou jeho hodnoty nekonzistentní, neaktuální, duplicitní nebo nedostupné, když je pracovní postup potřebuje.
Vytvořte pravidla pro daný obchodní případ užití. Pro automatizaci faktur může být nutné, aby data o platbách dodavatelů byla úplná, ověřená podle schválených formátů, aktuální a jedinečná. Pro plánování výroby musí být kusovníky strukturálně platné, verzově řízené a synchronizované s technickými změnami.
Účinná pravidla kvality obvykle pokrývají pět oblastí:
- Platnost: Hodnoty odpovídají schváleným formátům, rozsahům a seznamům použité literatury.
- Úplnost: Požadované atributy jsou vyplněny předtím, než může záznam pokračovat.
- Konzistence: Stejná entita a klasifikace jsou ve všech systémech reprezentovány stejným způsobem.
- Jedinečnost: Duplicitním záznamům je zabráněno nebo jsou označeny předtím, než vytvoří následnou práci.
- Včasnost: Změny jsou k dispozici v časovém okně požadovaném procesem.
Nepoužívejte stejné prahové hodnoty pro každou doménu. Cíl úplnosti 99,5 % může být opodstatněný pro daňově citlivá data dodavatelů, zatímco nižší prahová hodnota může být přijatelná pro volitelné marketingové atributy. Standard by měl odrážet obchodní riziko, objem procesů a náklady na intervenci.
Předcházejte vadám již v okamžiku jejich vzniku
Čištění historických dat má svou hodnotu, zejména před migrací, modernizací analytických nástrojů nebo rozsáhlým automatizačním programem. Prevence je však místem, kde se vytváří objem dat. Pokud zaměstnanci mohou i nadále zadávat neplatné záznamy, datový dluh se okamžitě vrátí.
Přepracujte pracovní postup, ve kterém se data vytvářejí. V případě potřeby nahraďte volný text řízenými rozbalovacími hodnotami. Použijte ověřovací logiku, abyste zabránili nemožným kombinacím. Předvyplňte známé hodnoty z důvěryhodných zdrojů. Směrujte výjimky na specialisty, místo abyste uživatelům umožnili obcházet kontroly. Pokud jsou vyžadována externí referenční data, ověřte je před aktivací záznamu.
Existuje kompromis. Příliš rigidní kontroly mohou zpomalovat týmy v první linii a vést k alternativním řešením. Správný návrh rozlišuje mezi vysoce rizikovými poli, která vyžadují přísné ověření, a méně rizikovými poli, která lze dokončit později. Vlastníci procesů by měli tyto kontroly před nasazením otestovat se skutečnými uživateli, zejména ve velkoobjemových prostředích.
Automatizace by měla tento model posilovat, nikoli maskovat slabé vstupy. Automatizované pracovní postupy mohou kontrolovat dokumenty oproti kmenovým datům, identifikovat chybějící atributy, směrovat výjimky a monitorovat opakující se vady. Nemohou však spolehlivě kompenzovat nedefinované vlastnictví nebo nekonzistentní definice podnikání.
Vytvořte důvěryhodnou datovou architekturu
Mnoho problémů s kvalitou dat je architektonických. Podniky často udržují více systémů záznamů pro stejnou entitu s nejasnými pravidly o tom, který z nich je pro každý atribut autoritativní. Integrační vrstvy pak rozdělují konflikty napříč prostředím.
Definujte zdroj pravdivých informací podle datové domény a v případě potřeby i podle atributu. CRM může vlastnit vztahy prodejních účtů, ERP může vlastnit platební podmínky a identitu podnikového zákazníka může řídit platforma pro správu kmenových dat. To je přesnější než prohlásit jednu aplikaci za univerzální zdroj pravdivých informací.
Standardizované identifikátory, kontrolovaná referenční data a zdokumentované integrační smlouvy jsou stejně důležité. Pokud jeden systém nazývá obchodní jednotku North America Industrial a jiný používá NA Ind., nekonzistence v reportech není problémem řídicího panelu. Je to problém správy referenčních dat.
Integrace v reálném čase může snížit latenci, ale automaticky nezlepší kvalitu. V některých prostředích je řízený dávkový proces s kontrolami odsouhlasení bezpečnější a snáze se spravuje. Správný přístup závisí na obchodní potřebě okamžitosti, vyspělosti předcházejících kontrol a důsledcích šíření nesprávné změny.
Měření kvality z obchodního hlediska
Řídicí panel plný technických metrik neudrží pozornost vedení, pokud nebude propojen s provozním výkonem. Sledujte skóre kvality dat, ale propojte je s obchodními ukazateli, jako je míra přímého zpracování, doba cyklu objednávky, odchylka prognózy, počet dní do uzavření, objem výjimek nebo manuální úsilí na transakci.
To mění konverzaci z dodržování předpisů pro data na dopad na podnikání. Snížení počtu duplicitních dodavatelů o 3 % je informativní. Snížení počtu duplicitních dodavatelů, které eliminuje výjimky z plateb a ušetří 400 hodin za čtvrtletí, je proveditelné.
Prozkoumejte trendy podle procesu, obchodní jednotky, zdrojového systému a typu vady. Jednotné celopodnikové skóre může skrýt závažné lokální selhání. Stejně tak nepoužívejte metriky k trestání týmů za odhalení problémů. Včasná transparentnost často zhoršuje kvalitu dříve, než se zlepší, protože se stanou viditelnými skrytá řešení.
Zařaďte kvalitu dat do každého transformačního vydání
Kvalita dat by měla být kritériem pro digitalizaci procesů, modernizaci ERP, analytiku, umělou inteligenci a inteligentní automatizaci. Pokud nový pracovní postup závisí na čistých datech o zákaznících, produktech nebo dodavatelích, musí být kontroly kvality, model vlastnictví a proces nápravy navrženy společně s technologií.
Tento integrovaný přístup snižuje zátěž údržby po spuštění. Zároveň chrání návratnost automatizace: bot, který rychle zpracovává tisíce chybných transakcí, problém pouze škáluje. Společnost Ective přistupuje k modernizaci z tohoto hlediska, přičemž nejprve propojuje redesign procesů a datovou disciplínu a poté rozšiřuje automatizaci v celém podniku.
Nejefektivnějším dalším krokem není rozsáhlá čisticí kampaň. Vyberte si jeden proces s vysokou hodnotou, u kterého datové vady viditelně způsobují zpoždění, náklady nebo riziko. Určete vlastníka, opravte bod vzniku, změřte provozní výsledek a na základě tohoto důkazu vytvořte opakovatelný podnikový standard.
