Finančný tím uzatvára mesiac s použitím jednej hierarchie zákazníkov. Predaj používa inú. Prevádzka má tretiu verziu v tabuľke, pretože záznam ERP je neúplný. Nejde len o problém s údajmi. Je to prevádzkové zlyhanie, ktoré vedie k prepracovaniu, spomaľuje rozhodovanie a robí automatizáciu nespoľahlivou. Vedieť, ako zlepšiť kvalitu podnikových údajov, začína tým, že sa k údajom pristupuje ako k výstupu obchodných procesov, nie ako k čisteniu IT.
V podnikoch s vysokým objemom transakcií je nízka kvalita údajov zriedkakedy spôsobená jedným chybným systémom. Rozvíja sa naprieč odovzdávaním úloh, duplicitnými vstupnými bodmi, nejasným vlastníctvom, nekonzistentnými obchodnými pravidlami a integráciami, ktoré presúvajú chybné záznamy rýchlejšie, ako ich tímy stihnú opraviť. Riešenie si vyžaduje koordinovaný operačný model, ktorý prepája návrh procesov, dátovú architektúru, riadenie a automatizáciu.
Začnite s obchodnými rozhodnutiami, ktoré musia byť podložené údajmi
Programy na zabezpečenie kvality údajov často zlyhávajú, pretože začínajú so širokými cieľmi, ako je napríklad vyčistenie všetkých údajov o zákazníkoch. To vytvára veľký rozsah, neistú hodnotu a nevybavené záležitosti, ktoré nikdy nekončia. Začnite namiesto toho s rozhodnutiami a pracovnými postupmi, kde nekvalitné údaje vytvárajú merateľné náklady alebo riziko.
Napríklad výrobca môže potrebovať presné údaje o produktoch, dodávateľoch a zásobách, aby mohol spoľahlivo plánovať výrobu. Organizácia zdieľaných služieb sa môže spoliehať na kompletné kmeňové údaje dodávateľov na spracovanie faktúr bez výnimiek. Obchodný tím môže potrebovať konzistentnú hierarchiu účtov na prognózovanie tržieb a správu cien.
Najprv definujte obchodný výsledok a potom identifikujte kritické dátové prvky potrebné na jeho dosiahnutie. Toto zúži úsilie na údaje, ktoré majú prevádzkovú hodnotu. Zároveň to dáva vedúcim pracovníkom jasný základ pre investície: menej blokovaných faktúr, rýchlejšie spracovanie objednávok, presnejšie prognózy, nižšia expozícia voči zásobám alebo menej manuálneho zosúladenia.
Užitočný test je jednoduchý: ak pole chýba, je nesprávne, duplicitné alebo sa zobrazuje neskoro, ktorý proces sa preruší a koľko to stojí? Ak neexistuje žiadna zmysluplná odpoveď, daný dátový prvok si nemusí zaslúžiť prioritu.
Mapa, kde v procese zlyháva kvalita
Väčšina organizácií dokáže identifikovať zlé záznamy. Menej z nich dokáže presne vysvetliť, ako sa stali zlými. Toto rozlíšenie je dôležité, pretože oprava bez odstránenia základnej príčiny vytvára stály tím na nápravu.
Zmapujte komplexný proces okolo každej prioritnej dátovej domény. Zahrňte zapojené systémy, ľudí, ktorí vytvárajú alebo menia záznamy, kroky schvaľovania, integrácie, manuálne riešenia a následných spotrebiteľov. Pozorne sa zamerajte na prechodové body. Sú to miesta, kde sa stráca kontext, polia sa prekódujú a lokálne tímy zavádzajú vlastné konvencie.
Napríklad záznam dodávateľa môže pochádzať z obstarávania, byť overený finančným oddelením, obohatený o súlad s predpismi a potom synchronizovaný s niekoľkými finančnými a reportovacími platformami. Ak každá skupina môže meniť rôzne atribúty bez zdieľaných pravidiel, duplicitní dodávatelia a neúplné údaje o platbách sú predvídateľnými výsledkami.
Cieľom nie je zdokumentovať každé pole v každom systéme. Cieľom je odhaliť mechanizmy zlyhania. Medzi bežné príčiny patria povinné polia, ktoré nie sú skutočne overené, referenčné údaje udržiavané nezávisle obchodnými jednotkami, vstupy voľného textu, kde sú potrebné kontrolované hodnoty, a fronty výnimiek bez zodpovedného vlastníka.
Ako zlepšiť kvalitu podnikových dát s jasným vlastníctvom
Kvalitu nemožno úplne delegovať na centrálny dátový tím. IT oddelenie môže spravovať platformy, bezpečnosť, integračné vzorce a technické kontroly, ale nemôže rozhodnúť, či klasifikácia zákazníka odráža komerčný model alebo či je atribút produktu vhodný pre plánovací proces.
Priraďte vlastníctvo na troch úrovniach. Vlastník obchodných údajov stanovuje definíciu, politiku a pravidlá prijateľného použitia pre doménu. Správca údajov riadi každodenné problémy s kvalitou, monitoruje výnimky a koordinuje opravy. Technickí vlastníci zabezpečujú, aby systémy, rozhrania a kontroly tieto požiadavky konzistentne implementovali.
Tento model funguje iba vtedy, keď je zodpovednosť explicitná. Vlastníci potrebujú oprávnenie schvaľovať normy, riešiť konflikty medzi oddeleniami a uprednostňovať opravy. Potrebujú tiež dohodnuté úrovne služieb. Ak je potrebné vyriešiť duplicitné záznamy zákazníkov do dvoch pracovných dní, mal by byť viditeľný zodpovedný tím a postup eskalácie.
Riadenie by malo byť praktické, nie ceremoniálne. Mesačný výbor, ktorý kontroluje dashboardy, ale nemôže meniť pravidlá pracovného postupu, nezlepší údaje. Začleňte zodpovednosť do operačného rytmu obstarávania, financií, dodávateľského reťazca, zákazníckeho servisu a ďalších funkcií, ktoré produkujú alebo spotrebúvajú kľúčové záznamy.
Definujte pravidlá kvality, ktoré zodpovedajú prevádzkovej realite
Úplnosť a presnosť sú nevyhnutné, ale kvalita podnikových údajov je širší pojem než len percento vyplnených polí. Záznam môže byť úplný a stále nepoužiteľný, ak sú jeho hodnoty nekonzistentné, neaktuálne, duplicitné alebo nedostupné, keď ich pracovný postup potrebuje.
Vytvorte pravidlá pre daný obchodný prípad použitia. Pre automatizáciu faktúr môžu byť údaje o platbách dodávateľov kompletné, overené podľa schválených formátov, aktuálne a jedinečné. Pre plánovanie výroby musia byť kusovníky štrukturálne platné, verzovane riadené a synchronizované s technickými zmenami.
Účinné pravidlá kvality sa zvyčajne vzťahujú na päť oblastí:
- Platnosť: Hodnoty zodpovedajú schváleným formátom, rozsahom a zoznamom použitej literatúry.
- Úplnosť: Požadované atribúty sú vyplnené predtým, ako môže záznam pokračovať.
- Konzistencia: Tá istá entita a klasifikácia sú vo všetkých systémoch reprezentované rovnakým spôsobom.
- Jedinečnosť: Duplicitným záznamom sa zabráni alebo sú označené skôr, ako vytvoria následnú prácu.
- Včasnosť: Zmeny sú k dispozícii v časovom rámci požadovanom procesom.
Nepoužívajte rovnaké prahové hodnoty na každú doménu. Cieľ úplnosti 99,5 % môže byť opodstatnený pre daňovo citlivé údaje o dodávateľoch, zatiaľ čo nižší prah môže byť prijateľný pre voliteľné marketingové atribúty. Štandard by mal odrážať obchodné riziko, objem procesov a náklady na intervenciu.
Predchádzajte chybám v mieste ich vzniku
Čistenie historických údajov má svoju hodnotu, najmä pred migráciou, modernizáciou analytických nástrojov alebo rozsiahlym automatizačným programom. Prevencia je však miestom, kde sa vytvára rozsiahly rozpočet. Ak zamestnanci môžu naďalej zadávať neplatné záznamy, dátový dlh sa okamžite vráti.
Prepracujte pracovný postup, v ktorom sa vytvárajú údaje. V prípade potreby nahraďte voľný text riadenými rozbaľovacími hodnotami. Použite logiku overovania, aby ste predišli nemožným kombináciám. Predvyplňte známe hodnoty z dôveryhodných zdrojov. Výnimky smerujte na špecialistov namiesto toho, aby ste používateľom umožnili obísť kontroly. Ak sú potrebné externé referenčné údaje, overte ich pred aktiváciou záznamu.
Existuje kompromis. Príliš prísne kontroly môžu spomaľovať tímy prvej línie a podporiť hľadanie obídnych riešení. Správny návrh rozlišuje medzi poľami s vysokým rizikom, ktoré vyžadujú prísnu validáciu, a poľami s nižším rizikom, ktoré je možné vyplniť neskôr. Vlastníci procesov by mali tieto kontroly pred nasadením otestovať so skutočnými používateľmi, najmä vo vysokoobjemových prostrediach.
Automatizácia by mala tento model posilňovať, nie maskovať slabé vstupy. Automatizované pracovné postupy dokážu porovnať dokumenty s kmeňovými údajmi, identifikovať chýbajúce atribúty, výnimky smerovania a monitorovať opakujúce sa chyby. Nedokážu však spoľahlivo kompenzovať nedefinované vlastníctvo alebo nekonzistentné definície podnikania.
Vytvorte dôveryhodnú dátovú architektúru
Mnohé problémy s kvalitou údajov sú architektonické. Podniky často udržiavajú viacero systémov záznamov pre tú istú entitu s nejasnými pravidlami o tom, ktorý z nich je autoritatívny pre každý atribút. Integračné vrstvy potom rozdeľujú konflikty v rámci krajiny.
Definujte zdroj pravdy podľa dátovej domény a v prípade potreby podľa atribútu. CRM môže vlastniť vzťahy medzi predajnými účtami, ERP môže vlastniť platobné podmienky a identitu podnikového zákazníka môže riadiť platforma na správu kmeňových údajov. Toto je presnejšie ako vyhlásiť jednu aplikáciu za univerzálny zdroj pravdy.
Štandardizované identifikátory, kontrolované referenčné údaje a zdokumentované integračné zmluvy sú rovnako dôležité. Ak jeden systém nazýva obchodnú jednotku North America Industrial a iný používa NA Ind., nekonzistentnosť v hlásení nie je problémom dashboardu. Je to problém riadenia referenčných údajov.
Integrácia v reálnom čase môže znížiť latenciu, ale automaticky nezlepší kvalitu. V niektorých prostrediach je riadený dávkový proces s kontrolami zosúladenia bezpečnejší a ľahšie sa riadi. Správny prístup závisí od obchodnej potreby okamžitosti, zrelosti predchádzajúcich kontrol a dôsledkov šírenia nesprávnej zmeny.
Meranie kvality z obchodného hľadiska
Prehľad plný technických metrík neudrží pozornosť vedenia, pokiaľ nebude prepojený s prevádzkovým výkonom. Sledujte skóre kvality údajov, ale spárujte ich s obchodnými ukazovateľmi, ako je miera priameho spracovania, čas cyklu objednávky, odchýlka prognózy, počet dní do uzavretia, objem výnimiek alebo manuálne úsilie na transakciu.
Toto mení konverzáciu z dodržiavania predpisov o údajoch na vplyv na podnikanie. 3 % zníženie duplicitných dodávateľov je informatívne. Zníženie duplicitných dodávateľov, ktoré eliminuje výnimky z platieb a ušetrí 400 hodín za štvrťrok, je praktické.
Preskúmajte trendy podľa procesu, obchodnej jednotky, zdrojového systému a typu chyby. Jednotné skóre v celom podniku môže skryť závažné lokálne zlyhania. Rovnako nepoužívajte metriky na trestanie tímov za odhalenie problémov. Včasná transparentnosť často zhoršuje kvalitu skôr, ako sa zlepší, pretože sa stanú viditeľnými skryté riešenia.
Zahrňte kvalitu údajov do každého transformačného vydania
Kvalita údajov by mala byť kritériom pre digitalizáciu procesov, modernizáciu ERP, analytiku, umelú inteligenciu a inteligentnú automatizáciu. Ak nový pracovný postup závisí od čistých údajov o zákazníkoch, produktoch alebo dodávateľoch, kontroly kvality, model vlastníctva a proces nápravy musia byť navrhnuté spolu s technológiou.
Tento integrovaný prístup znižuje záťaž na údržbu po spustení. Zároveň chráni návratnosť automatizácie: bot, ktorý rýchlo spracováva tisíce chybných transakcií, problém len škáluje. Spoločnosť Ective pristupuje k modernizácii z tohto hľadiska, pričom zosúlaďuje redizajn procesov a dátovú disciplínu pred rozšírením automatizácie v celom podniku.
Najefektívnejším ďalším krokom nie je rozsiahla čistiaca kampaň. Vyberte si jeden proces s vysokou hodnotou, kde chyby v dátach viditeľne spôsobujú oneskorenie, náklady alebo riziko. Určte vlastníka, opravte bod vzniku, zmerajte prevádzkový výsledok a použite tento dôkaz na vytvorenie opakovateľného podnikového štandardu.
