Datamanagement: wat het is en waar je begint

Datamanagement is alles wat je doet om je bedrijfsgegevens betrouwbaar, vindbaar en veilig te houden, van het moment dat iemand ze invoert tot het moment dat je ze weggooit. Voor een mkb-bedrijf komt dat neer op vier afspraken: wie is eigenaar van welke gegevens, wat betekent elk begrip, hoe houd je de invoer schoon en hoe lang bewaar je wat.

De meeste uitleg over datamanagement is geschreven voor grote organisaties, met een Chief Data Officer, een eigen datateam en een naslagwerk van honderden pagina’s als leidraad. Wie bij een bedrijf van tachtig mensen werkt, haakt bij die woorden af, en dat is begrijpelijk. Alleen verdwijnt het probleem niet als je het woord niet gebruikt. Het duikt dan op een andere plek op.

Meestal in de maandvergadering. Sales meldt een omzet die net iets hoger is dan die van finance, omdat het CRM orders telt en de boekhouding facturen. De klant die bij de één Jansen Installatietechniek heet en bij de ander Jansen BV, staat in het ene overzicht twee keer en in het andere één keer. Het eerste halfuur gaat over welk cijfer klopt, en het besluit waarvoor iedereen kwam, schuift door naar volgende maand.

Herkenbaar? Dan heb je geen rapportageprobleem, maar een datamanagementprobleem. Een nieuw dashboard op dezelfde gegevens maakt dat verschil niet kleiner, alleen sneller zichtbaar. Een mooi scherm is niet meer waard dan het fundament eronder, en dat fundament is precies waar dit artikel over gaat: wat datamanagement is, uit welke onderdelen het bestaat, waar het in het mkb misgaat, wie het doet en waar je begint.

Wat is datamanagement?

Datamanagement, ook gespeld als data management en in het Nederlands databeheer, is het geheel van afspraken, rollen en werkwijzen waarmee je gegevens door hun hele levenscyclus heen beheert. Die levenscyclus heeft vier fasen:

• Invoer. Iemand maakt een klant aan, boekt een factuur of registreert uren. Hier ontstaan de meeste fouten.
• Opslag en koppeling. De gegevens staan in een systeem en gaan van daaruit naar andere systemen en naar je rapportages.
• Gebruik. Het cijfer belandt in een dashboard, een offerte of een loonstrook, en iemand neemt er een besluit op.
• Bewaren en verwijderen. De gegevens worden gearchiveerd en na een vaste termijn vernietigd.

Datamanagement is iets anders dan databasebeheer. Databasebeheer is technisch werk aan één database: back-ups, prestaties, beschikbaarheid. Datamanagement gaat over de gegevens zelf, in al je systemen tegelijk. Een database kan perfect draaien terwijl de klantgegevens erin onbruikbaar zijn.

Waarom datamanagement ertoe doet

Omdat elke beslissing die je op een cijfer neemt, zo goed is als de gegevens waaruit dat cijfer is opgebouwd. De gevolgen van slecht datamanagement zie je zelden direct, ze stapelen zich op: een controller die elke maand dagen kwijt is aan cijfers rechttrekken in Excel, een mailing die drie keer bij dezelfde klant aankomt, een marge per klant die niemand gelooft en waar dus ook niemand op stuurt.

Daar komt een tweede reden bij. Alles wat je met AI wilt doen, van prognoses tot vragen stellen aan je eigen cijfers, rekent op dezelfde gegevens. Een model dat leert van drie versies van dezelfde klant, geeft geen slimmer antwoord. Het geeft sneller een verkeerd antwoord, en met meer overtuiging.

Uit welke onderdelen bestaat datamanagement?

Het internationale standaardwerk is de DAMA Data Management Body of Knowledge, dat datamanagement opdeelt in een reeks kennisgebieden. Voor een mkb-bedrijf zijn er zes die er echt toe doen:

• Data architectuur. Welke systemen er zijn, welk systeem leidend is voor welk gegeven en hoe de gegevens tussen systemen stromen. Niet als tekening voor de kast, maar als antwoord op de vraag: als het CRM en het ERP elkaar tegenspreken, wie heeft dan gelijk?
• Data integratie. De koppelingen die gegevens uit je bronsystemen samenbrengen, liefst automatisch en dagelijks in plaats van met een maandelijkse export. Hoe dat voor de twee meest gebruikte pakketten werkt, staat in onze artikelen over AFAS koppelen aan Power BI en Exact Online en Power BI.
• Datakwaliteit. Of gegevens volledig, juist en actueel zijn, en wat je doet als ze dat niet zijn. Datakwaliteit meet je, je gaat er niet van uit. Hoe je dat aanpakt, met een meetregel per dimensie, staat in ons artikel over datakwaliteit.
• Metadata en definities. Wat elk begrip betekent. Is omzet inclusief of exclusief kortingen, telt een klant als actief na één order of na drie? Die afspraken heten metadata en ze voorkomen meer discussies dan welke tool ook.
• Beveiliging en privacy. Wie welke gegevens mag zien en wijzigen, en hoe je persoonsgegevens beschermt. In rapportages regel je dat met rijniveaubeveiliging: iedereen opent hetzelfde rapport en ziet alleen zijn eigen deel.
• Bewaren en verwijderen. Hier botsen twee wetten. De Belastingdienst eist dat je je basisadministratie, zoals grootboek, debiteuren en crediteuren, zeven jaar bewaart. De AVG zegt dat je persoonsgegevens niet langer bewaart dan noodzakelijk, en de Autoriteit Persoonsgegevens verwacht dat je per soort gegeven een bewaartermijn vastlegt en onderbouwt. Het cv van een sollicitant van drie jaar geleden hoort dus niet meer in je systeem te staan, een factuur van drie jaar geleden nog wel.

Die zes hangen aan elkaar. Een koppeling zonder afgesproken definities verplaatst de verwarring alleen naar een ander scherm, en definities zonder eigenaar zijn binnen een jaar weer uit elkaar gegroeid.

Master data management: waar het in het mkb misgaat

Van al die onderdelen is er één waar het in vrijwel elk mkb-bedrijf schuurt: de stamgegevens. Masterdata zijn de kerngegevens die je hele bedrijf gebruikt: klanten, artikelen, leveranciers, medewerkers, kostenplaatsen. Ze veranderen weinig, maar elk rapport leunt erop.

Het misgaat bijna altijd op dezelfde manier. Een klant wordt aangemaakt in het CRM door sales en nog een keer in AFAS of Exact door de debiteurenadministratie, elk met een eigen schrijfwijze. Een vestiging krijgt een eigen klantkaart.

Een artikel krijgt een nieuw nummer bij een nieuwe leverancier, terwijl het oude blijft bestaan. Niemand doet iets fout, maar na twee jaar heb je drie versies van je grootste klant en klopt de omzet per klant nergens meer.

Het mooiste voorbeeld dat wij tegenkomen, is de klantkaart met “NIET GEBRUIKEN” in de naam. Die staat er omdat ooit iemand een dubbele kaart wilde uitschakelen zonder hem te verwijderen. Hij heeft inmiddels zelf weer vijftig nieuwe orders.

Master data management, of MDM, is het beheer van die stamgegevens zodat elk gegeven één keer bestaat, één eigenaar heeft en overal hetzelfde heet. Daar zijn twee wegen voor, en het verschil is belangrijk:

• Opschonen. Je voegt de dubbelingen samen, vult de lege velden en corrigeert de schrijfwijzen. Dat is nodig, maar het is eenmalig. Zonder verdere afspraak is het binnen een jaar weer even rommelig.
• Bij de bron oplossen. Je spreekt af wie een nieuwe klant of een nieuw artikel mag aanmaken, welke velden verplicht zijn en welk systeem leidend is. Het KvK-nummer als vaste sleutel voor klanten lost in de praktijk al een groot deel op.

Master data management tools, zoals de MDM-modules van grote ERP-leveranciers of losse MDM-platformen, zijn gebouwd voor organisaties met tientallen systemen en meerdere landen. Voor een bedrijf met één ERP, één CRM en een boekhoudpakket zijn ze bijna altijd overbodig. Daar lossen een paar velden, een rechtenstructuur en een maandelijkse controle het op.

Datamanagement en data governance: het verschil

De twee termen worden vaak door elkaar gebruikt, maar ze zijn niet hetzelfde. Data governance is het regelwerk: wie beslist over welke gegevens, welke definities gelden, wie wat mag zien en wat er gebeurt als iemand zich daar niet aan houdt. Datamanagement is het geheel, inclusief het uitvoerende werk: koppelen, opschonen, beveiligen, archiveren.

Governance bepaalt de spelregels, datamanagement is het hele spel. Zonder governance weet niemand welke afspraak geldt. Zonder de rest van datamanagement blijven die afspraken op papier staan. Begin daarom klein: een handvol afspraken over de gegevens waar nu de meeste discussie over is, en laat de governance meegroeien met het gebruik.

Wie doet datamanagement in een mkb-bedrijf?

Niet één persoon, en zeker niet alleen IT. Grote organisaties benoemen een Chief Data Officer met een eigen team. In een bedrijf van vijftig tot vijfhonderd medewerkers is dat te zwaar, maar de taken verdwijnen niet. Ze verdelen zich over vier rollen:

• De directie beslist welke gegevens ertoe doen en waar het eerst moet kloppen. Dat is geen technische vraag, maar een keuze over waar je op wilt sturen.
• De eigenaar per gegevensdomein is iemand uit de afdeling die erop stuurt. De controller is eigenaar van de financiële definities, de verkoopleider van de klantindeling, de inkoper van de artikelen. Een naam, geen afdeling.
• De data beheerder zorgt dagelijks dat de afspraken worden nageleefd: dubbelingen signaleren, rechten bijhouden, nieuwe velden toevoegen. In het mkb is dat vaak een deeltaak van een applicatiebeheerder of een sterke administratieve kracht.
• IT of een externe partner regelt de techniek: koppelingen, beveiliging, back-ups en het centrale datamodel.

Die laatste rol mag je uitbesteden, de andere drie niet. Een partner kan je helpen de afspraken op te stellen, maar een definitie die alleen de partner begrijpt, is geen afspraak. Het is een afhankelijkheid.

Waar begin je met datamanagement?

Niet met een tool en niet met een beleidsdocument, maar bij de gegevens waar nu de meeste discussie over is. Vijf stappen, in deze volgorde:

1. Kies één gegevensdomein. Meestal klanten of artikelen, omdat daar de meeste rapportages op leunen. Begin niet met alles tegelijk.
2. Wijs een eigenaar aan en leg de definities vast. Wat is een klant, wanneer is die actief, welk veld is verplicht, welk systeem is leidend. Dat past op één A4 en het is het belangrijkste document dat je in dit traject maakt. Hoe die definities in een groter plan passen, staat in ons artikel over datastrategie.
3. Meet hoe slecht het is. Tel de dubbelingen, de lege verplichte velden en de klanten zonder KvK-nummer. Dat cijfer is je nulmeting en het enige objectieve antwoord op de vraag of het beter wordt.
4. Schoon één keer op en regel de invoer bij de bron. Datakwaliteit verbeteren is geen project, het is een gewoonte. De opschoning is het project, de invoerregels en de rechtenstructuur zijn wat ervoor zorgt dat je het niet volgend jaar opnieuw moet doen.
5. Controleer maandelijks en breid daarna uit. Een vaste controle van een kwartier volstaat. Werkt het voor klanten, neem dan het volgende domein. Pas als drie of vier domeinen op orde zijn en je bronnen niet meer bij elkaar passen in één model, wordt een datawarehouse een zinvolle volgende stap.

En wanneer begin je er nog niet aan? Als je één systeem hebt waarin alles staat, minder dan twintig medewerkers en nooit discussie over cijfers. Dan is je datamanagement de discipline van de persoon die de administratie doet, en een extern traject zou meer kosten dan het oplevert.

Hoe is het bij jullie: weet iedereen welk systeem gelijk heeft als twee cijfers verschillen, of begint die discussie elke maand opnieuw? Wil je weten waar bij jullie het eerste gegevensdomein zit dat aandacht nodig heeft, neem contact op.

Veelgestelde vragen