H5: DATA EN DATABANKEN
INLEIDING
In H2 werd aangegeven dat waarde ontstaat als de juiste informatie op het juiste
tijdstip bijdraagt aan een bedrijfsproces.
Aan de hand van enkele vragen zouden we in staat moeten zijn om te achterhalen welke
ruwe bouwstenen we nodig hebben om die informatie te bekomen.
Een bedrijf maakt pizza’s. Een klant kan via de website van het bedrijf een bestelling plaatsen.
Die bestaat uit x aantal pizza’s. Elke pizza bestaat uit x aantal ingrediënten en een klant kan ingrediënten toevoegen (of
weglaten).
Ook andere producten kunnen besteld worden, zoals drank of pasta.
Welke informatie heeft het proces nodig en in welke fase van het proces heeft
het nood aan die informatie?
Informatie zal in een bepaalde vorm moeten aangeleverd worden. Informatie moet
correct zijn en beschikbaar wanneer nodig.
Om dit aanschouwelijk te maken, beschrijven we hier drie bedrijfsprocessen van dit
voorbeeld:
Het bakken van de pizza: wanneer een pizza gebakken wordt, dien je te weten welke ingrediënten erop
liggen.
Het toewijzen van de bestelling aan een medewerker: om de pizza te kunnen bakken, dient de bestelling
toegewezen te worden aan een medewerker.
Het opstellen van het kassaticket: hiervoor dient men te weten hoeveel pizza’s besteld werden en welke
ingrediënten er zijn toegevoegd en wat de kostprijs is per toegevoegd ingrediënt, alsook welke andere
items besteld werden.
Welke data is nodig? Hoe zal de data eruitzien?
We moeten achterhalen welke data we nodig hebben om de geschikte informatie te
creëren.
Hoe zal de data worden toegevoegd zodat die verstaanbaar is als die is toegevoegd aan
het systeem.
Data die nodig zijn:
De gegevens van een klant
De gegevens van een medewerker
De gegevens van een bestelling
De gegevens van een pizza
De gegevens van de overige
dingen die verkocht worden
De gegevens over de ingrediënten die gebruikt worden.
Voor elk van deze gegevens zullen we moeten beslissen hoe we die bijhouden en hoe
we de individuele data zo kunnen opslaan dat het inderdaad leidt tot de nodige
informatie.
Is er een manier om te beschrijven hoe data kan omgezet worden in de nodige
informatie?
We moeten weten hoe data kan omgezet worden in informatie zodat we dat kunnen
vertalen naar een informatiesysteem.
Opnieuw zullen we voor elk proces moeten kijken wat de informatie is die nodig is:
, H5: DATA EN DATABANKEN
De ingrediënten die nodig zijn om de pizza te bakken.
Een medewerker dient een overzicht te krijgen van alle pizza’s die door hem gebakken moeten worden.
Elke pizza dient beschreven te worden volgens de afspraken van proces 1.
De prijzen van alle non-pizza-items, pizza’s en eventueel extra ingrediënten dienen opgeteld te worden om
de rekening te maken.
Waar kunnen we die data vergaren?
De omzetting van data naar informatie kan pas gebeuren op voorwaarde dat de
bijbehorende ruwe data beschikbaar is in het systeem. We moeten dus nadenken
over de manier waarop de nodige data in het systeem komt.
Via een website kan een klant een bestelling
ingeven. Hij kan zelf zijn klantgegevens intikken
(of inloggen in een account) en kan zelf zijn
bestelling opmaken. De prijzen van de pizza’s,
ingrediënten en non-pizza-items worden ingegeven
(of aangepast indien nodig) door een medewerker.
Hoe maken we de data/informatie beschikbaar?
Welke systemen hebben toegang tot data of informatie? Via welke weg stellen we
data of informatie beschikbaar? Wie mag wat doen met data of informatie?
Opnieuw kijken we naar elk proces om te beslissen hoe we de data beschikbaar maken:
Per pizza wordt een samenstelling gemaakt volgens de bestelling. Deze info wordt bijgehouden en gebruikt
door proces 2.
Een medewerker krijgt een overzicht van de bestelling (beschreven pizza’s en alle non-pizza-items) die hij
moet afhandelen. Dit kan bijvoorbeeld op een bestelbon of op een touchscreenmonitor.
Alle items worden onder elkaar op een ticket gezet, samen met de eindprijs en eventueel andere info zoals
datum, uur, ‘Bedankt voor de bestelling’... Al deze info wordt afgedrukt op een kassaticket.
Wanneer we al deze vragen kunnen beantwoorden, dan zijn we in staat om de
juiste informatie op het juiste tijdstip beschikbaar te stellen van het proces, en
zodoende dus waarde te creëren.
Er zijn echter twee belangrijke randvoorwaarden om die waarde te kunnen creëren.
We moeten zeker zijn dat de data die we gebruiken om informatie te creëren, aan
bepaalde kwaliteitsvereisten voldoet.
Data dient gestructureerd bijgehouden te worden.
Wanneer een klant een bestelling plaatst, dan moet de bestelling het liefst zo snel mogelijk en correct worden
klaargemaakt.
Wanneer de rekening van een bestelling gemaakt wordt, dan willen we zeker zijn dat die rekening correct is.
Wanneer een klant zijn bestelling afhaalt, dan willen we zeker zijn dat hij de juiste bestelling/rekening krijgt.
KWALITEIT VAN DATA
“If you don’t think you have a quality problem with your data, you
haven’t looked at it yet.”
Jeni Tennison (2007)
De kwaliteit van data is een heel complex probleem.
Datakwaliteit bepaalt de waarde van de informatie die men probeert te
bekomen.
, H5: DATA EN DATABANKEN
Om datakwaliteit te garanderen wordt veelal gerefereerd naar de data quality
management-standaard. Dat is de ISO 8000-61-norm die beschrijft hoe bedrijven
aan data quality governance kunnen doen.
Maar het gaat over meer dan enkel kwaliteit zo is veiligheid bv. ook heel belangrijk; we
moeten veiliger omgaan met bestanden vol met klantgegevens dan met een afbeelding
van ons logo veiligheid.
DATA KWALITEITSMODEL
Er zijn heel veel verschillende raamwerken die gebruikt worden om datakwaliteit weer te
geven.
Hier bekijken we een aangepaste versie van het raamwerk van de Federal Committee
on Statistical Methodology (FCSM) uit 2020.
Dit raamwerk deelt datakwaliteit op in drie domeinen. Elk van deze domeinen wordt
opgesplitst in verschillende dimensies die kunnen gebruikt worden om de kwaliteit
van data te analyseren.
DOMEIN 1: NUT
Hoe nuttig is de data/informatie, dit domein bestaat uit de volgende dimensies:
Relevantie: Is de data zo is opgebouwd dat ze in staat is om omgezet te worden
naar de verwachte informatie.
Toegankelijkheid: Is de data begrijpbaar (en toegankelijk) voor het
informatiesysteem of voor de gebruiker van de data.
Tijdigheid: Dit beschrijft de tijd die nodig is om de data beschikbaar te hebben
nadat zich een evenement heeft voorgedaan dat beschreven wordt door die data.
Punctualiteit: Dit duidt op de tijdspanne tussen de geplande beschikbaarheid
van de data en de effectieve beschikbaarheid van de data.
Granulariteit: Deze dimensie beschrijft hoe ‘korrelig’ de data is. Data kan heel
opgesplitst of heel ruw zijn.
Bijvoorbeeld de beurscijfers: die verschillen per dag, per uur, per minuut, per seconde. Kortstondige fluctuaties
kunnen alleen opgemerkt worden wanneer de data sterk gegranuleerd is (in dit geval: meer kortstondige
metingen). Hoe lager de granulariteit, hoe minder datapunten en omgekeerd. De resultaten van een data-analyse
kunnen beïnvloed worden door de granulariteit.
DOMEIN 2: OBJECTIVITEIT
Geeft de data correct weer wat ze zou moeten weergeven, bestaande uit de vlg.
dimensies:
INLEIDING
In H2 werd aangegeven dat waarde ontstaat als de juiste informatie op het juiste
tijdstip bijdraagt aan een bedrijfsproces.
Aan de hand van enkele vragen zouden we in staat moeten zijn om te achterhalen welke
ruwe bouwstenen we nodig hebben om die informatie te bekomen.
Een bedrijf maakt pizza’s. Een klant kan via de website van het bedrijf een bestelling plaatsen.
Die bestaat uit x aantal pizza’s. Elke pizza bestaat uit x aantal ingrediënten en een klant kan ingrediënten toevoegen (of
weglaten).
Ook andere producten kunnen besteld worden, zoals drank of pasta.
Welke informatie heeft het proces nodig en in welke fase van het proces heeft
het nood aan die informatie?
Informatie zal in een bepaalde vorm moeten aangeleverd worden. Informatie moet
correct zijn en beschikbaar wanneer nodig.
Om dit aanschouwelijk te maken, beschrijven we hier drie bedrijfsprocessen van dit
voorbeeld:
Het bakken van de pizza: wanneer een pizza gebakken wordt, dien je te weten welke ingrediënten erop
liggen.
Het toewijzen van de bestelling aan een medewerker: om de pizza te kunnen bakken, dient de bestelling
toegewezen te worden aan een medewerker.
Het opstellen van het kassaticket: hiervoor dient men te weten hoeveel pizza’s besteld werden en welke
ingrediënten er zijn toegevoegd en wat de kostprijs is per toegevoegd ingrediënt, alsook welke andere
items besteld werden.
Welke data is nodig? Hoe zal de data eruitzien?
We moeten achterhalen welke data we nodig hebben om de geschikte informatie te
creëren.
Hoe zal de data worden toegevoegd zodat die verstaanbaar is als die is toegevoegd aan
het systeem.
Data die nodig zijn:
De gegevens van een klant
De gegevens van een medewerker
De gegevens van een bestelling
De gegevens van een pizza
De gegevens van de overige
dingen die verkocht worden
De gegevens over de ingrediënten die gebruikt worden.
Voor elk van deze gegevens zullen we moeten beslissen hoe we die bijhouden en hoe
we de individuele data zo kunnen opslaan dat het inderdaad leidt tot de nodige
informatie.
Is er een manier om te beschrijven hoe data kan omgezet worden in de nodige
informatie?
We moeten weten hoe data kan omgezet worden in informatie zodat we dat kunnen
vertalen naar een informatiesysteem.
Opnieuw zullen we voor elk proces moeten kijken wat de informatie is die nodig is:
, H5: DATA EN DATABANKEN
De ingrediënten die nodig zijn om de pizza te bakken.
Een medewerker dient een overzicht te krijgen van alle pizza’s die door hem gebakken moeten worden.
Elke pizza dient beschreven te worden volgens de afspraken van proces 1.
De prijzen van alle non-pizza-items, pizza’s en eventueel extra ingrediënten dienen opgeteld te worden om
de rekening te maken.
Waar kunnen we die data vergaren?
De omzetting van data naar informatie kan pas gebeuren op voorwaarde dat de
bijbehorende ruwe data beschikbaar is in het systeem. We moeten dus nadenken
over de manier waarop de nodige data in het systeem komt.
Via een website kan een klant een bestelling
ingeven. Hij kan zelf zijn klantgegevens intikken
(of inloggen in een account) en kan zelf zijn
bestelling opmaken. De prijzen van de pizza’s,
ingrediënten en non-pizza-items worden ingegeven
(of aangepast indien nodig) door een medewerker.
Hoe maken we de data/informatie beschikbaar?
Welke systemen hebben toegang tot data of informatie? Via welke weg stellen we
data of informatie beschikbaar? Wie mag wat doen met data of informatie?
Opnieuw kijken we naar elk proces om te beslissen hoe we de data beschikbaar maken:
Per pizza wordt een samenstelling gemaakt volgens de bestelling. Deze info wordt bijgehouden en gebruikt
door proces 2.
Een medewerker krijgt een overzicht van de bestelling (beschreven pizza’s en alle non-pizza-items) die hij
moet afhandelen. Dit kan bijvoorbeeld op een bestelbon of op een touchscreenmonitor.
Alle items worden onder elkaar op een ticket gezet, samen met de eindprijs en eventueel andere info zoals
datum, uur, ‘Bedankt voor de bestelling’... Al deze info wordt afgedrukt op een kassaticket.
Wanneer we al deze vragen kunnen beantwoorden, dan zijn we in staat om de
juiste informatie op het juiste tijdstip beschikbaar te stellen van het proces, en
zodoende dus waarde te creëren.
Er zijn echter twee belangrijke randvoorwaarden om die waarde te kunnen creëren.
We moeten zeker zijn dat de data die we gebruiken om informatie te creëren, aan
bepaalde kwaliteitsvereisten voldoet.
Data dient gestructureerd bijgehouden te worden.
Wanneer een klant een bestelling plaatst, dan moet de bestelling het liefst zo snel mogelijk en correct worden
klaargemaakt.
Wanneer de rekening van een bestelling gemaakt wordt, dan willen we zeker zijn dat die rekening correct is.
Wanneer een klant zijn bestelling afhaalt, dan willen we zeker zijn dat hij de juiste bestelling/rekening krijgt.
KWALITEIT VAN DATA
“If you don’t think you have a quality problem with your data, you
haven’t looked at it yet.”
Jeni Tennison (2007)
De kwaliteit van data is een heel complex probleem.
Datakwaliteit bepaalt de waarde van de informatie die men probeert te
bekomen.
, H5: DATA EN DATABANKEN
Om datakwaliteit te garanderen wordt veelal gerefereerd naar de data quality
management-standaard. Dat is de ISO 8000-61-norm die beschrijft hoe bedrijven
aan data quality governance kunnen doen.
Maar het gaat over meer dan enkel kwaliteit zo is veiligheid bv. ook heel belangrijk; we
moeten veiliger omgaan met bestanden vol met klantgegevens dan met een afbeelding
van ons logo veiligheid.
DATA KWALITEITSMODEL
Er zijn heel veel verschillende raamwerken die gebruikt worden om datakwaliteit weer te
geven.
Hier bekijken we een aangepaste versie van het raamwerk van de Federal Committee
on Statistical Methodology (FCSM) uit 2020.
Dit raamwerk deelt datakwaliteit op in drie domeinen. Elk van deze domeinen wordt
opgesplitst in verschillende dimensies die kunnen gebruikt worden om de kwaliteit
van data te analyseren.
DOMEIN 1: NUT
Hoe nuttig is de data/informatie, dit domein bestaat uit de volgende dimensies:
Relevantie: Is de data zo is opgebouwd dat ze in staat is om omgezet te worden
naar de verwachte informatie.
Toegankelijkheid: Is de data begrijpbaar (en toegankelijk) voor het
informatiesysteem of voor de gebruiker van de data.
Tijdigheid: Dit beschrijft de tijd die nodig is om de data beschikbaar te hebben
nadat zich een evenement heeft voorgedaan dat beschreven wordt door die data.
Punctualiteit: Dit duidt op de tijdspanne tussen de geplande beschikbaarheid
van de data en de effectieve beschikbaarheid van de data.
Granulariteit: Deze dimensie beschrijft hoe ‘korrelig’ de data is. Data kan heel
opgesplitst of heel ruw zijn.
Bijvoorbeeld de beurscijfers: die verschillen per dag, per uur, per minuut, per seconde. Kortstondige fluctuaties
kunnen alleen opgemerkt worden wanneer de data sterk gegranuleerd is (in dit geval: meer kortstondige
metingen). Hoe lager de granulariteit, hoe minder datapunten en omgekeerd. De resultaten van een data-analyse
kunnen beïnvloed worden door de granulariteit.
DOMEIN 2: OBJECTIVITEIT
Geeft de data correct weer wat ze zou moeten weergeven, bestaande uit de vlg.
dimensies:
