De brug tussen datastrategie en datakwaliteit in de praktijk

Sonny en Julien bespreken de verbinding tussen datastrategie en datakwaliteit, met nadruk op praktische toepassing, gebruikersbehoeften en teamverantwoordelijkheid voor succesvolle implementatie.

In deze aflevering bespreken Sonny van Bergen en Julien de cruciale rol van datastrategie en datakwaliteit in organisaties. Waar datastrategie vaak als een abstract concept wordt gepresenteerd, ontdekken ze hoe deze inzichten in de dagelijkse praktijk kunnen worden geïntegreerd. In een tijd waarin data de motor van efficiëntie en besluitvorming zijn, zijn de dilemma’s en frustraties van data professionals relevanter dan ooit.

Gedeeld worden de uitgebreide ervaring in het datamanagement, en start met het schetsen van zijn carrièrepad. Na te zijn begonnen met dashboards en statistieken, verschuift zijn focus naar compliance en strategische datavraagstukken. “De meerwaarde uit data halen, dat is de kern.” — Julien (04:00). Dit vormt het vertrekpunt voor hun gesprek over het belang van heldere datastrategieën.

De eerste keer dat Julien met datastrategie in aanraking kwam, was bij de RVO, waar hij als datakwaliteitsspecialist betrokken was bij het opzetten van een datastrategie. Er wordt uitgelegd dat de datastrategie niet alleen moet gaan over wat je met data wilt bereiken, maar vooral hoe dit wordt uitgewerkt in concrete business cases. “Als je niet weet wat je met data wilt bereiken, heeft de rest van het proces weinig waarde.” — Julien (32:15). Deze quote benadrukt de frictie tussen strategische doelen en de dagelijkse realiteit in organisaties.

Julien spreekt over de uitdagingen van datakwaliteit en de subjectiviteit ervan. Wat voor de ene gebruiker als onvoldoende kwaliteit wordt ervaren, kan voor een ander acceptabel zijn. De sleutel ligt in het afstemmen van kwaliteitscriteria op de daadwerkelijke doelen en het gebruik van de data. “Kwaliteit moet fit for purpose zijn.” — Julien (20:10). Dit inzicht legt de verantwoordelijkheid voor datakwaliteit niet alleen bij de data-afdeling, maar bij de gehele organisatie.

Sonny en Julien gaan in op de noodzaak dat een datastrategie een verlengde is van de bedrijfsstrategie. “Als dat niet op elkaar is afgestemd, waarom doe je het dan?” — Sonny (42:25). Dit roept vragen op over de volwassenheid van organisaties; veel data-afdelingen zitten al op een hoog niveau, terwijl de rest van de organisatie vaak achterblijft. Het gebrek aan afstemming en samenhang leidt tot inefficiëntie en onduidelijkheid.

Een concrete casus komt aan bod waarin Er komt aan bod het verbeteren van data-processen bij een klant. Door het implementeren van realtime data-analyse, worden de risico’s van foutieve data geminimaliseerd en kan de organisatie beter inspelen op marktvraag. Hij illustreert de noodzaak voor duidelijke processen en strategische keuzes in het datakwaliteitsmanagement. “Je moet weten wat je wilt bereiken met je data om het goed te kunnen beheren.” — Julien (55:30).

De aflevering laat ook zien dat de implementatie van datastrategieën vaak politiek geladen is. Het ontwikkelen van een business case voor data gedreven werken is niet minder belangrijk dan het verbeteren van datakwaliteit. “Als er geen directe meerwaarde in geld is te zien, is de businesscase vaak zwak.” — Julien (49:15). Benadrukt wordt de noodzaak voor datamanagers om niet alleen met datakwaliteit om te gaan, maar ook te begrijpen hoe ze de waarde van data kunnen communiceren naar andere afdelingen.

Deze aflevering biedt niet alleen een blik op hoe datastrategie en datakwaliteit samenhangen, maar biedt ook handvatten voor professionals die deze concepten willen toepassen in hun organisatie.

Bij Databewuster zien we hoe cruciaal het is dat teams in organisaties de waarde van data begrijpen en het belang van datakwaliteit erkennen. Het ontbreken van deze bewustwording leidt vaak tot misverstanden en inefficiënte processen. Sonny vergezelt data professionals in de uitdagingen die ze dagelijks tegenkomen en helpt hen om de theoretische inzichten om te zetten naar praktische oplossingen op de werkvloer.

Neem contact met ons op om deze inzichten te helpen implementeren in jouw organisatie en samen de weg naar een datagedreven cultuur te verkennen.

Wat er in deze aflevering langskomt

• Introductie en Datastrategie
• Van Datastrategie naar Datakwaliteit
• Het Proces van Datakwaliteitsmanagement
• Interview en Stakeholder Betrokkenheid
• Politiek en Strategische Keuzes
• DPA en Privacy Overwegingen
• Training en Bewustzijn Creëren
• Afsluiting en Toekomstige Conversaties

Transcript

Julien, goeiedag. Goeiedag. Welkom in de studio, de wagen als in Delft. Bedankt voor je komst. We hebben het in de vorige twee afleveringen die ik al opgenomen heb gehad over datastrategie. Dat was met de werkgroep datastrategie. Deze periode staat in het teken van datastrategie en hoe je dat naar de praktijk brengt. En daar heb jij ook een stukje ervaring mee, dus daar wil ik je op uit gaan vragen. En dan het brugje maken naar onder andere een stukje datakwaliteit. Eerst ben ik eventjes benieuwd of je mij ook kort in een minuutje of twee minuutjes kan vertellen wie ik eigenlijk aan tafel heb zitten. Tja, mijn naam is Julien. Ik ben sinds, wat is het, sinds een tien, elf jaar bezig in de data. Vrij lang al. Ja, best wel. Ooit begonnen als, net zoals jij, ook in de PI kant met dashboards en dergelijke. Vrij snel realiseerde ik me dat in de data ook best wel heel veel vraagstellingen waren die wat meer aan de compliance en de strategiekant zaten. Datakwaliteit bijvoorbeeld was een van de dingen in. En eigenlijk sindsdien in de datamanagementkant gekomen. Ja. Ja, en dat doe ik eigenlijk al sinds, wat is het, echt de data management kan, sinds 2017 ongeveer. En de laatste vier jaar als zelfstandig ondernemer. Ik geef ook les op het gebied van data management, data governance, data architectuur ook. Dan vooral vanuit een enterprise data architectuur zijde. Ja, dat in een nutshell. Ja, je hebt alles wel een beetje gezien en aangeraakt. Ja, best wel. Dus ja. Ja, breed inzetbaar ook. Dat klopt. Best een breed profiel erin van privacy naar datakwaliteit, naar metadata, gestructureerde data, ongestructureerde data. Eigenlijk best wel met heel veel vraagstukken te maken gehad. En eigenlijk ook elke keer een soort vanzelfde techniek erop toegepast. Heel erg te kijken van weet je, hoe zit dat nou daadwerkelijk en wat is nou daadwerkelijk de toegevoegde waarde die we erbij maken. Misschien dat we daar mooi een bruggetje naartoe kunnen maken. Want ik ben heel erg benieuwd of je mij iets kunt vertellen over de datastrategie die jij gezien hebt en hoe je dat vertaalt naar de praktijk. Ja, nee, dat is een goede vraag. De eerste keer dat ik echt met een datastrategie te maken had, of tenminste de totstandkoming van een datastrategie, was bij de RVO. Ik was toen de tijd ingehuurd als data kwaliteitsspecialist om een traject te gaan starten. En dat was dezelfde tijd dat de datastrategie eigenlijk werd opgezet. Databeleid en dergelijke. En dat werd eigenlijk een soort van duale rol. Waarbij ik de organisatie hielp om de datastrategie ook te vertalen. En dat we het er ook over hadden. Naar een stukje datakwaliteitsmanagement en datakwaliteitsbeleid en dat soort dingen. Ja, en hoe zag dat er dan uit? Kan je dan misschien wat meenemen in hoe dat proces ging of aan wat voor documenten ik moet denken? Ja, nou ja, er. Was geen voorbeeld van wat er in de datastrategie stond. Waar jij aan gewerkt hebt. Goeie vraag. Dan moet ik even weer in de memory lane gaan. Als je kijkt naar de datastrategie gaat, stond het eigenlijk heel erg in van wat wil de organisatie inderdaad met data gaan doen. Kom je echt meer in de situatie van data gedreven werken, dat soort. Eigenlijk ook wel een beetje buzzwoorden, moet ik het eerlijk zeggen. Dat dit zijn meerwaarde halen uit de data. En dan eigenlijk de volgvraag is, maar wat is dat eigenlijk? Meerwaarde uit de data halen van, ja weet je, je kan het hebben van we hebben een schat met informatie, data in onze organisatie en daar willen we meer mee doen. Maar dat is nog niet voldoende, laat het zo zeggen. Dat is heel abstract en dat maakt het niet concreet. En ja, dus dat moet worden vertaald naar een stukje verder. En dat zijn use cases vaak die uit een data-strategie vloeien. Business cases. En een van die business cases, daar werkte ik toen aan. Dus dat is eigenlijk ook de relatie die ik ermee had. Dus de data-strategie werd opgesteld. Daarmee werd ik vervolgens op die strategie. Dat was echt van we willen als organisatie groeien in het gebruik van data. We willen naar een datagedreven organisatie gaan. En vanaf dat punt eigenlijk met die doelstelling ook vanuit het hoger management laat het zo zeggen. Moesten een aantal piketpalen moesten worden ingeslagen. Eentje van is de dataverantwoordelijkheid. Maar inderdaad de governance kant. Wie is verantwoordelijk voor wat? Aan de andere kant heb je ook een stukje van datakwaliteit. Hoe zorgen we dat de kwaliteit nou kan geborgd worden als we het over data hebben? Een van de belangrijkste dingen met datakwaliteit, wat ik zei, of merk. En dat een andere aanraking in combinatie met de datastrategie is. Kwaliteit moet fit for purpose zijn. En kwaliteit is ook iets wat heel erg subjectief is in dat perspectief daardoor. Je kan je voorstellen, als wij met data werken. En een primaire sleutel of iets anders technisch is niet op orde. Dan is voor ons, in ons oogpunt, de kwaliteit van die gegevens niet op orde. Maar voor iemand die helemaal niks aan die data moet gaan koppelen, dan boeit het mei. Prima, ja. Je gaat niet in te scoren daarop. Nee, exact. Dus je moet er heel erg in gedachten houden als je het met over datakwaliteit hebt. Wat is het doel wat je met die data wil bereiken? En het doel dat is in die strategie vaak, tenminste de piketpalen… Zou het daar duidelijk moeten worden? Exact. Dus als jouw datastrategie… Dat zie ik eigenlijk elke keer. Als je een datastrategie duidelijk is waar je naartoe wil… Daarnaast ook een aantal duidelijke cases heeft hoe je er naartoe wil, wat je er eigenlijk wil gaan doen. Dan kan je vervolgens ook je data management pick-out praten heel goed inrichten. Dat te bereiken uiteindelijk. Dus in plaats van verbeteren om het verbeterde. Ja, inderdaad. En dat is inderdaad een van de dingen die ik vaak zie bij organisaties met collega’s en dergelijke als we het over praten. Als dat eerste punt, dus die datustrategie, die doelen, eigenlijk niet goed geformuleerd zijn, dan heeft het eigenlijk het volgende proces heel weinig waarde. Je weet ook eigenlijk niet wie je het goed doet. Nee, exact. En weet je, slaag z’n eigen vlees ook niet. Tenminste zou die niet moeten doen. Nee, dat weet waarschijnlijk wel heel vaak. Maar dat zie ik dus vaak. Ja, in de praktijk ook, ja. Want wat ik nu al merk is dat een data-afdeling of een ICT-afdeling maakt eigenlijk niet uit wat voor afdeling het is. Die heeft heel veel behoefte en een soort van ambitie om data op een bepaald niveau te krijgen. Maar dat moet wel in aanraking zijn. En daar komt die datastrategie wat mij betreft ook weer heel erg naar voren. Dat die twee dingen, ook met, want een datastrategie is eigenlijk gewoon een verlengde van een bedrijfstrategie. En als dat niet met elkaar evenredig is, in elkaar geverweven, laat het zo zeggen. Ja, dan merk je eigenlijk ook van, weet je, waarom doe je het nou uiteindelijk? Want als je, ja weet je, verbeteren de wereld niet om het te verbeteren. Elke keer als ik dan weer zoiets hoor, dan zou jij hem ook zeggen. Dat klinkt allemaal zo logisch dat je eigenlijk bijna denkt van, hoe kan het dan dat je het toch niet altijd ziet? Het zou eigenlijk naar mijn idee heel logisch moeten zijn dat je hebt een doel. En hoe ga je dat doel bereiken? Nou, daar heb je mensen voor nodig en je hebt een bepaalde richting en informatie nodig. Nou, als we de informatiekant opgaan, zullen we kunnen kijken van waar komt het dan vandaan en wat voor systemen, dan kunnen we het uiteindelijk over data gaan hebben. Het lijkt alsof dat heel logisch zou moeten vloeien, maar toch lijkt dat alsof dat niet altijd het geval is. Althans, ik heb het nog niet heel vaak gezien. Eens, eens. Ik denk dat dat ook het meest lastige erin is. En dat zit volgens mij een stukje op volwassenheidsniveau van de organisatie zelf erin. Kijk, weet je, de mensen in de data die zijn over het algemeen op het gebied van datamanagement relatief volwassen. Laat het zo zeggen. Ze weten waar dat de kwaliteit aan moest voldoen. Dat er bepaalde dementies en dergelijke aan zouden kunnen worden gehangen. Dat daar een nou ja, dat garbage in garbage out is dat zijn allemaal dat soort dingen dat zijn allemaal best wel van bewuste mensen die echt dagelijks met de data werken maar hoe zit dat met hoe het gevoeld wordt bij de mensen die eigenlijk, die data produceren, om het maar zo te zeggen, voor bepaalde doeleinden, dan is het een heel ander iets. Bijvoorbeeld als je gewoon heel simpele klantinformatiedata dat in een callcent wordt opgeslagen, elk callcent heeft dan wel een open tekstveld of zo, waar dan van alles en nog wat in wordt gegooid. Kun je dat nog overuit meten? Dat is heel lastig op een gegeven moment. En dan zou je van een analist horen, dan weet je, als jij daar sleutels of whatever in zit, dat is hartstikke slecht, dat kan je niet. Maar voor zo’n medewerker die dat doet. Die vindt het heel handig dat er één veldje is waar ik iets kwijt kan. Exact. Waar ik het op een andere plek niet kwijt kan. Exact. Want die kijkt gewoon op een gegeven moment weer in het scherm. Als je die klant weer een keer nodig hebt. En gaat die even kijken van wat is de historie. Heb ik dat veldje voor gebruikt. Nou, hartstikke mooi. Handig. Ja, precies. Dat is een beetje het gedachtegoed. Waarom is kwaliteit dan? En dan denk ik wel zo. Maar als je dan weer terug naar strategisch gereden hebt. Waarom wil jij eigenlijk datagedreven werken als organisatie? Waarom wil je zo goed zijn in data? Schuift het eigenlijk op een gegeven moment? Want uiteindelijk gaat het, dat is vooral natuurlijk bij commerciële organisaties zo, het gaat om geld verdienen. Dat is ook zo makkelijk. Het gaat om geld. Anders wordt het in opdracht van. Exact. En als je dan als IT-organisatie zegt, of een data-organisatie binnen zo’n bedrijf, van ja, weet je, wij doen dat omdat het op een gegeven moment… Mogelijk meer geld kan gaan laten opleveren. Vind ik een hele zwakke business case, laat ik het zo zeggen. Dus als je die business case niet hebt om dat te doen… Dan moet je dat dus daadwerkelijk in je datastrategie doen. En dat is echt best wel een less danzig iets. Want je komt van een bedrijfstrategie. Waar het eigenlijk allemaal over EBITDA en dat soort dingen gaat. En eigenlijk over van waar willen we naartoe. Nou ja, dat kan allemaal verschillende. Dan moet je eigenlijk zo’n link leggen tussen die strategie en jouw datastrategie. Want dat is niet een op zichzelf staand document. Na die datastrategie krijg je eigenlijk de vervolgvragen. die eruit komen. Dat kan je over je kwaliteitsstrategie hebben of je meten-datastrategie of whatever je daarin zit. Maar dat zijn meer… Nou ja, je pelt eigenlijk een uit af elke keer. En kan je daar misschien ons in meenemen? Dus je hebt de datastrategie, als je toen hier bijvoorbeeld… En toen ben je naar het datakwaliteitsstukje gegaan. Hoe heb je dat aangepakt? Ja, dus die datastrategie was er inderdaad. En daar stond eigenlijk wel aan het afzakniveau best wel een doelstelling in waar de organisatie naartoe wil. Daarnaast hadden we een soort van domeinstrategie, laat ik het maar zo zeggen. En in die domeinstrategie was het verbeteren van de communicatie met de klant. En ook op een bepaalde manier realtime worden in dat perspectief. Een van de elementen waar ik zelf toen mee bezig was, was dan een systeem wat eigenlijk voorheen een wat langzamer proces was. waar heel veel menselijk werk in zat. Systemen hoefden niet echt met elkaar te communiceren, omdat er een persoon tussen zat. Ja, en die kon die logica heel makkelijk ook toepassen, van nou ja, als het in het systeem X zit, dan kan ik het zo in het systeem Y door overkloppen, en dan vervolgens, dan kan het best wel naar het systeem Z gaan, en dan is dat, dan werkt het dan wel goed. Dus dat was eigenlijk dus de oude situatie. Maar, we gingen naar een real-time situatie toe. Dingen moesten realtime worden gemeten. En de personen die ermee werkten. Die moesten dan ook daadwerkelijk realtime kunnen zien. Hoe het eruit ziet. Het ging dan over het meten van mest. Wat werd afgenomen bij de boer. En wat het eigenlijk inhield. Dat we dus heel goed moesten weten. Hoe die drie systemen met elkaar communiceerden. En dat dat ook goed ging. Want als ze niet goed communiceerden met elkaar. Dan kan je dus ook niet dat real-time doen. En daar had je gelijk je businessdoel. Want dat businessdoel was het real-time maken om… De intermedia te helpen. Ja, en daar zat je use case. Dus laten we het zo zeggen. Mooi duidelijk. Exact. En daardoor kon je ook heel gericht vragen stellen. En hoe ik dat dan had aangepakt. Je hebt eigenlijk een aantal dingen nodig in dat element. Aan de ene kant moet ik hem nu eventjes heel pragmatisch op de use case leggen. Aan de andere kant wil je ook niet elke keer weer het wiel opnieuw uitvinden. Dus als je het dan over het wiel opnieuw uitvinden hebt. Dan bedoel ik eigenlijk mee. Maar je data kwaliteitsmanagementproces is eigenlijk best wel een generiek proces. Waar je een aantal stappen in hebt. En op een gegeven moment kom je tot een meting. En dan ga je over de tijd meten hoe je kwaliteit eruit ziet. Dat was het vraagstuk waar we toen in zaten. Dat je aan de ene kant iets generieks moest gaan maken. En aan de andere kant moest je iets specifieks opleveren. Dus het kwaliteitsmanagement perspectief voor dat specifieke proces. Dat aangepakt is… Eigenlijk begon het dus met een stukje databeleid te schrijven. Dus een datakwaliteitsbeleid te schrijven. Dat stoelend aan de datastrategie. Maar ook kijken naar de IV-strategie. En daar gewoon heel simpel eigenlijk zorgen dat je schrijft van… Wat willen we gaan doen met datakwaliteit? En hoog over hoe willen we dat gaan doen? Dus nog niet helemaal in de processen en dergelijke. We hebben een aantal dimensies, daar hebben we het dan over. Dan kan je bijvoorbeeld heel goed de dimensie van dame gebruiken. Maar je zou ook heel goed dimensies kunnen gebruiken die al bij een organisatie bestaan. Wij hebben er toen voor gekozen om bestaande dimensies te gebruiken. Want die waren herkenbaar. Want uiteindelijk zijn dimensies eigenlijk niet meer dingen waar je KPIs aan kan willen gaan hangen. Die het management moet herkennen. Want je moet eigenlijk ook kijken van waarom je bepaalde dingen gebruikt. En ik kijk dan heel vaak naar dame omdat ik dat een heel fijn document of boek vind eigenlijk. Omdat daar heel veel in staat. En dat proberen toe te passen op zo’n organisatie. Want het is uiteindelijk allemaal handvatten die je krijgt als persoon. Ja, dus wat je dan op een gegeven moment krijgt, op een gegeven moment is dus dat je aan de ene kant je beleidstuk schrijft, je databeleidstuk, strategie, of je data kwaliteitsbeleid in deze dan. Waar je heel duidelijk uitschrijft van waar het aan moet voldoen. Wat is je doel nou, wat je ermee bereikt? Waar moeten de mensen in de organisatie nou aan gaan voldoen? Dus dat gaat niet over techniek. Dat gaat echt over van het organisatorisch inrichten van je datacwaliteitsmanagement. Dus hoe moet het eruit zien om het te kunnen gebruiken? Waarvoor wat we willen gebruiken? Ja, echt op een heel abstract niveau. Dus echt dat een directeur nog het kan herkennen van oké, dit moeten we bereiken. Omdat we aan deze doelstellingen willen zijn. Dat is eigenlijk de eerste stap. De andere stap is, en dat is eigenlijk de tussenstaf… Je moet het gaan uitvoeren. Een stuk strategie, daar heb je proces voor nodig. Ik heb een achtergrond in business process management. Handel. Ja, het helpt. En dat betekent dus eigenlijk dat je samen met je collega’s… Eigenlijk een proces gaat tekenen van weet je… hoe zou dat nou eens kunnen gaan in deze situatie? Daarnaast moet je nog een stapje omhoog zetten… en dan zeggen van ja, oké, maar we moeten het ook zo bekijken… van hoe zou dat als handreiking kunnen zijn… voor alle andere domeinen, om dat neer te doen. Het zal niet in één keer goed zijn, maar je legt wel een eerste basis. En eigenlijk, het gedachtegoed is dat je dat iteratief via meer use cases elke keer weer verder kan uitwerken. En dan op een gegeven moment heb je dan een datakwaliteitsmanagementproces wat op jouw organisatie past. Gebaseerd is eigenlijk vaak op bekende theorieën die wel bestaan. En in jouw organisatie dus ook mee kan worden genomen. Heb je misschien een hoogovervoorbeeld van hoe de processen dan uitzag in de praktijk en dan misschien die laag erbovenop? Ja, jawel, daar kan ik wel een voorbeeld van geven. Dus eigenlijk begon je, hoe wij begonnen is dat we eigenlijk in eerste instantie zeiden van we gaan een soort van analyse doen gewoon op de data. Dat is een data profiling, noem het gewoon data profiling in deze. Dus data quality profiling, waarbij we gewoon naar de data gaan kijken op een dusdanig niveau dat we alleen maar naar omschrijvende statistieken zouden gaan kijken. Dan heb je de mean, de max, de mediaan, de mode, noem al die dingen maar op. Hoeveel missing values zijn er? Eigenlijk hele basisstatistieken. En zonder dat je daar enigszins zegt van dit is fout of niet fout, want een missing value betekent niet per se dat het fout is. Dus gewoon heel simpel, we gaan gewoon reflecteren wat in die systemen staat door een soort van gestandardiseerde… Gestandardageerd rapport, laat het zo zeggen. Dat gestandardageerd rapport is eigenlijk een van de eerste basis-elementen die je doet. Daarnaast ga je kijken, zijn er nog andere documenten beschikbaar? Bijvoorbeeld datamodellen of whatever. Eigenlijk is allemaal, dat is de eerste stap van het proces, gewoon het collecteren van bestaande gegevens. Vaak weet je, je hebt applicaties, die hebben datamodellen, die hebben systeemmodellen, die hebben business rules. Die wil je eigenlijk allemaal bij elkaar. Dat is de eerste stap van het proces en dat is best generiek. Ik spreek bij elke initiatief is eigenlijk dat dat de beste stap is. Een stukje stakeholders identificeren en dergelijke. Vervolgens kom je in de volgstap en dat is eigenlijk het gesprek met elkaar aangaan in de juiste chemie. Wij hebben er toen voor gekozen om dat via interviews te doen. Dus we mensen gingen interviewen van ja, maar weet je, we kijken naar de proces. Dus wat gaat er mis? En hoe ziet dat er dan uit? Dus dat je echt het werk met de mensen uit de business hebt. Wat gaat er nou daadwerkelijk mis bij jou in jouw werk? En hoe zie je het eruit? En hoe los je dat dan op? En dan eigenlijk vervolgens kijken. Kan je daar iets van een business rule van maken? Die je dan gaat meten. Dus je gaat het hele proces door. En op een gegeven moment zeg je. Dat hadden we heel specifiek gezegd. Het gaat niet over… Op het moment dat we die interviews doen… Noemen we het kwaliteitswensen. Niet regels. Slim. Ja, want we moeten het nog afstemmen. En dat was dus eigenlijk de eerste stap. Dus we zeiden eerst van… Oké, profileren. Dan krijg je een beetje beeld van. Stap 2. Wensen ophalen van iedereen. Stap 3. Was het dan… Eigenlijk het afstemmen in een overlegstructuur. Waarbij… Eigenlijk als liefst een soort verbaten stuurtje of wat ik nodig heb. Dus die dan samen met z’n allen gaan zeggen van deze kwaliteitsrequirements zijn echt belangrijk voor onze organisatie. Deze, ja weet je, oké, maar die kunnen we even parkeren. En dusdanig op een gegeven moment een aantal regels uiteindelijk uitkomt. Die regels waar je op uitkomt, daar ga je dus kwaliteitsdesports van maken. erin eigenlijk. Met kwaliteitsmanagement software gebruiken daarvoor. En kan je dan heel mooi over de tijd eigenlijk heen. Wat doet ze, wat er aan voldoet en wat er niet aan voldoet. Ja, en dan kom je eigenlijk weer in, weet je, je gaat kijken, want eenmaal als je weet of het voldoet of niet, dan kom je bij de vraag van wat gaan we doen als maatregel, weet je wel. Je kan mitigerende maatregelen noemen, je kan pre-finiërende maatregelen doen, je kan pre-finiëren, je kan corrigeren, Je kan verschillende maatregeltypen uitvoeren. Dat is ook weer een businessbeslissing in je maakt. Want je kan je voorstellen als jij een heel systeem moet fixen. Dat kost heel veel geld. En soms is het heel makkelijk om even te zeggen. We fixen dat even in de data. Want het is maar een commaatje elke keer die verkeerd staat of zoiets. Dat is eigenlijk een businesskeuze. Je wil maken. Want de ene kost misschien 10.000 euro. Om een aantal ontwikkelaars in te huren. Aan de andere kant is er misschien een data-analyst die dat voor eenmalige correctie, kan die dat eigenlijk voor altijd fixen. Ik heb wel best wel een goed beeld bij. Ik probeer dat we gewoon een heel goed beeld krijgen bij hoe dat proces dan doelat. Ik ben ook heel erg benieuwd of er ook dingen naar boven kwamen waar je eigenlijk niet echt helemaal uitkwam. Dus je zegt van ja, wat moeten we hier nou eigenlijk mee? Ja, waar je wel tegenaan loopt is dat je natuurlijk heel veel verschillende stakeholders hebt in zo’n proces. Dat is een van de dingen. En niet elke stakeholder is een primaire stakeholder van het proces. En dat is best wel confronterend denk ik voor het. En helaas is het af en toe ook voor ons als data professionals zijn wij niet echt de primaire stakeholder. Dan zijn ze sowieso al vanuit van ons origine zijn wij eigenlijk al een soort van faciliterend. Dus als onze kwaliteit niet voldoet en dat betekent dus dat ons dashboard niet 100% van de data gaat brengen. Dat is ook een resultaat laat het zo zeggen. Dus dat is iets waar je af en toe niet iedereen even happy mee maakt. Maar het zijn wel keuzes die gemaakt kunnen worden. En je kan het documenteren dat je die keuze maakt. En vaak kun je dat dan ook nog wel rationaliseren ook. Dus ja… Dus er komt ook wel weer een stukje politiek bij kijken. Ik denk dat data heel vaak heel politiek is. Want uiteindelijk is data een middel om een doel te bereiken. En doelen zijn politiek beladen, laat het zo zeggen. Want je kan altijd verkiezen of je nou iets langzaam en volledig correct wil doen of snel. Dat zijn gewoon strategische keuzes uiteindelijk die je maakt. Als je veel organisaties kunt verkiezen. Ik wil gewoon binnen vijf minuten een antwoord geven. En als daar dan twintig procent niet correct in is. Enfin, oké. Sommige organisaties zeggen. Ja weet je, ik doe er liever vijf weken over. Om honderd procent correctheid te hebben. Ja, dat is heel belangrijk. Ja, en dat ligt natuurlijk aan weer. Wat het primaire business tool erachter is. Dus ja, ik denk dat je bij heel vaak. Bij organisaties zoals overheden. Zal je veel meer iets langer erover doen. Om honderd procent correct te zijn gaat hebben. dan bij een commerciële partij die exact op datzelfde moment moet gaan handelen omdat anders een concurrent ermee vandoor gaat. Ja, een andere prikkel ook. Ja, exact. Of je iets uitvoert. Dus of je een uitvoeringsorganisatie bent of dat je echt commerciëel betreft bent. Exact, exact. En ja, weet je, daar komt het ook weer terug. Eigenlijk het terugbruggetje naar de datastrategie. Dat is eigenlijk wel weer gewoon een verlengde eigenlijk van hoe vertaal je de businessstrategie naar iets wat je met data doet. Ja, want wat ik nu ook om me heen merk is dat er steeds meer overheden volgens mij ook echt nu nadrukkelijker bezig zijn met rollen zoals een kwartiermaker en datastrategieën. Volgens mij toch echt wel inzien dat dat gewoon nodig is, omdat er ook gewoon zoveel data beschikbaar is. Dat is waar. En verder in dat proces, kun je daar nog iets over vertellen? Dus volgens mij zijn we gebleven bij dat je de regels hebt geformuleerd en ik hoorde je al het woord dashboard zeggen. Ja, waar zou ik best… Nee, ik zit weer een beetje te denken. Dus in het proces, dus volgens mij waren we bij stap 2. En verder, zijn er meer nog meer dingen in dat project tegengekomen? Of was eigenlijk de oplevering van dat dashboard het eindresultaat? Nee, nou ja, kijk, de oplevering van een dashboard is eigenlijk een tussenresultaat. Want het oplevering van een dashboard is eigenlijk gewoon een… Het dashboard is aan zich. Op verschillende manieren kan je dat aanvliegen. Je kan zeggen van we maken een generiek dashboard voor alle domeinen bij elkaar. Je kan ook zeggen van we maken een domeinspecifiek dashboard. Ik heb daar in het origine gedachte was ik eigenlijk meer in het gedachtegoed ook in dat project van we maken een generiek dashboard. Waar je dus eigenlijk met een soort van drop-down lijstjes kon kiezen… Welke domein of welke dienst, welke regeling en zo doorgaande… Maar ik realiseer me dan ook eigenlijk wel, als je op een gegeven moment dat wil gaan doen, nou ja, ik zou dat ik een beetje privacy achtergrond ook heb, je kan best wel eens een keer in een situatie komen waar je dan privacy gevoelige informatie bijvoorbeeld in zo’n dashboard krijgt. En helemaal als je bijvoorbeeld de resultaten van welke regels daadwerkelijk fout zijn. Bijvoorbeeld in zo’n dashboard wil gaan neerzetten. Dus dat is ook een strategische keuze. Hoe positioneer je je dashboard? Hou je het als een soort van in het domein zelf als dashboard? Of maak je het iets publiekelijks. Waar eigenlijk iedereen binnen de organisatie naar kan kijken. Dus dat is een van de dingen waar… Een vraagstelling die we toen hebben gehad. Waarbij ik toen eigenlijk als resultaat kwam… dat je op een bepaald abstractieniveau… Best heel goed het op generiek niveau kan zetten. Dus echt… Of een score of zo. Ja, exact. Maar als je dan vervolgens naar een diepgang gaat… dan heb je eigenlijk dus weer een nieuw dashboard nodig. Detail, pagina eigenlijk. Ja, exact. En die moet niet voor iedereen beschikbaar zijn. Want als dat zo is, weet je dat… Dat is soms terugvoelig. Ja, misschien dan ook niet helpend. Nee, ik denk niet dat dat helpt. Sowieso moet je dan te veel vragen stellen van kunnen we dit prijsvertechnisch wel doen? Als je echt met prijsverregels zit, dan is het al toch wel heel simpel. Niet alle data heeft natuurlijk persoonsgegevens erin. Maar ik denk dat dat is eigenlijk altijd wel een beetje de vraag. Want anders moet je voor elk rapport eigenlijk een soort van nieuwe DPA gaan uitvoeren. Als je dan kijkt, we hebben weer een dataveld waar een privacygevoelig stukje in zit. Dat wil je natuurlijk vermijden. Dus denk ik dat je dat dan beter kan opsplitsen. Dat je die vraagstelling ook heel specifiek voor het doel zelf kan gaan gebruiken. Want daar trigger je me wel een klein beetje met die DPA. Ik heb zelf in mijn opdracht bij Waternet, moest er ook een DPA uitvoerd worden. Daar heb ik zelf verder weinig mee van de hoek gehad. testen. Ga je misschien daar nog heel kort iets over kunnen vertellen over wat dat is en hoe dat in zijn werking gaat. Tuurlijk. Een DPA is een Data Privacy Impact Assessment, om het zo te zeggen. En zo’n assessment eigenlijk waar je naar kijkt is dan, je kijkt naar, het traject en hoe je die data daarin gebruikt. Dus dat kan bijvoorbeeld een applicatie zijn, maar dat kan ook een hele regeling of whatever zijn. Dus de scoping van je DPA. En in DPA ga je eigenlijk, Eigenlijk als doel ga je uiteindelijk op een gegeven moment je risico’s vastleggen van oké, hier zit de privacygevoelige informatie in welke gegevens zijn dat en hoe gaan we ermee om en hoe mitigeren we dat we niet… Laten we zeggen niet gaan zorgen dat de HVG hoeft te redden, laten we maar heel simpel zeggen. Een soort van plan over hoe je daarmee omgaat. Het is meer een soort van document wat omschrijft welke data je gebruikt. Vooral het prijsgevoelige data die je omschrijft. Dat omschrijf je eigenlijk in dat document. Je omschrijft vervolgens van Dan weet je, wat zijn de juridische kaders? Je kaders waar, wat is je doelbinding, laat het zo zeggen, om die data te gebruiken. En vervolgens vertel je ook van, hoe ga je dan met die data om? Om te voorkomen dat de privacy schendingen ontstaan. De maatregel die je gaat treffen. Ja, exact. Dus dat is eigenlijk een soort van een drieluik in een document. En vervolgens natuurlijk de bedoeling dat je dat uitvoert als organisatie en als je dat dan uitvoert en je houdt het document goed op orde, heb je ook heel goed in beeld van welke data solution je hebt van, wat voor gegevens zitten erin en wat mogen we er mee doen en ja heb. Je er ook bijvoorbeeld in op waar de data dan vandaan komt dus bijna een soort van linisch-achtige manier of is het meer beschrijvend over Ehm, Ja, je neemt wel, je zegt wel wie erbij mogen, wie er aan zitten, waar het vandaan komt. Ik zou het niet per se stellen dat het echt net zoals een technische linnetje is waarbij je echt helemaal kan volgen in hoe die data er doorheen loopt. Of zou ik dat best een hele mooie aanvulling kunnen zijn in zo’n document. Maar over het algemeen omschrijf je vooral waar het vandaan komt, wie erbij mogen, waarom ze erbij zitten, wat hun doel is eigenlijk met erbij te zitten. Zodat echt iedereen weet wie erbij zit en wie niet, laten we dat zeggen. Allright, dank je. Alsjeblieft. En ik ben tenslotte nog even benieuwd of je hebt natuurlijk echt processen uitgetekend, daar heb je ook een aantal mensen bij gehad. Zijn jullie ook nog dingen in het proces tegengekomen die daarna nog veranderd zijn of verbeterd zijn? Of heeft het echt nog impact gehad op het werkveld bijvoorbeeld, dus de mensen in het veld? Ja, of er daadwerkelijk op een gegeven moment heel veel veranderingen zijn, dat weet ik niet. Daar was ik niet meer bij betrokken. Maar wat het eigenlijk inhoudt als je het proces uit uittekent, is dat je, als je me heel eerlijk zegt, dat het proces, de uitvoering van het proces een businessproces is. Dat is denk ik heel erg belangrijk om te realiseren. Het zijn echt de mensen vanuit de business die dat moeten gaan… Waarschijnlijk moet je ze gaan begeleiden. Maar het is echt een proces waarbij je bijvoorbeeld een data steward hebt. En die data steward, diegene, die zou dat heel idealitair, zou dat hele proces moeten gaan begeleiden van de interviews geven, de kwaliteitsregels bepalen. Die is eigenlijk uiteindelijk vanuit een dataverantwoordelijkheidsperspectief de uitvoerend verantwoordelijk. Dus dat is een van de dingen die in een proces werkt. En dat je dan veel meer merkt dat de techneuten, de analisten en dergelijke veel meer in dienst staan van dat proces dan dat ze daadwerkelijk ook het proces moeten trekken. Dat is een van de dingen die ik wel heel erg belangrijk vond in de proces en ook realiseer dat ook heel erg belangrijk is. Maar ook de moeilijkheid daarin is dat je natuurlijk ook met een volwassenheidsstukje te maken heeft dan bij een organisatie. Je kan niet zomaar zeggen, jij bent data steward. Die moeten dat ook leren. Dus daar heb je echt… Je hebt niet van de andere dag data steward natuurlijk. Nee, je moet het echt leren. En je moet het ook echt gewoon gaan doen. Samen bijvoorbeeld kunnen gaan doen. Ik denk namelijk dat een data steward bijvoorbeeld heel goed zo’n traject wat ik nu uitschrijf ook zou kunnen ontwikkelen. Met het visiestuk daarin van, de ene kant moet het generiek zijn. De andere kant moet het ook specifiek voor dat andere zijn. En dat dat het vervolgens inbrengt in een soort van board. Waarbij je zegt van, weet je, beste organisatie, laten we dit op deze manier doen. Hier is een handreiking. En laten we dat iteratief dan opnemen. We hadden sowieso, die iteratie hadden we wel, het was wel echt iets waar we naar keken om dat te gaan doen. En dat was een van de belangrijkere punten ook. Omdat juist dat stukje van, weet je, we kunnen het niet in één keer helemaal goed doen. Dat het dus ook in het volgende traject elke keer een iteratie was. Ik ben nog even benieuwd ook. Nog vanuit jouw achterstof met datakwaliteit. Ik denk dat dit project best wel duidelijk is voor mij. Ik weet niet of er nog iets is wat je daarop aan wil vullen, wat we nog niet besproken hebben. Nee, ik denk dat het niet zegt. Dan ben ik tenslotte nog wel heel even benieuwd. Je geeft ook trainingen. Wat voor trainingen geef je allemaal? Eigenlijk een beetje het gebied van datamanagement, data governance en data architectuur. Dat is ook de combinatie van de drie dingen waar ik eigenlijk ervaring heb op gedaan. Dat is de unieke skillset. Weet je. En dat is eigenlijk een combinatie van, weet je, ik kijk dan heel erg naar de theorie. Bijvoorbeeld, ik ben best wel altijd naar dat boek aan het werken. Want dat is wel mijn, weet je, de bijbel vanuit ons vakgebied natuurlijk. En vervolgens probeer ik dat ook te combineren met, weet je, van hoe doen we dat dan in praktijk? En hoe zou zoiets dan daadwerkelijk in de praktijk uitzien als je dat dan doet? En ja, weet je, daar ook met z’n allen over gaan nadenken als je in zo’n sessie zit. Van, weet je, kijk, we hebben deze theorie, iedereen kan het boek lezen. En vervolgens, verbeeld je nou eens voor dat die theorie nu in praktijk moet worden gebracht. Hoe zorg je dan dat het daadwerkelijk ook met elkaar gaat samenkomen? Welke voor mensen zitten er dan vooral in jouw trading? Dat kan eigenlijk verschillen. Dat zijn van beginnende datastewards. Mensen die, ja, toch de CDO’s. De data rollen ook. Ja, je merkt het toch wel dat daar, misschien is dat ook wel een beetje de volwassenheid waar we nu op dit moment als data in de datawereld zitten. Je merkt zelf nog dat datamanagement eigenlijk nu ook nog een groeiend vak is. Dat merk je. Steeds meer mensen realiseren ook in de datawereld dat dit een heel belangrijk element is van ons vakgebied. Maar wat dat wel betekent is dat we nu vooral nog de mensen die echt in de data zitten nu nog de interesses erin hebben. Het zou eigenlijk heel mooi zijn als dit nog verder gaat ontwikkelen naar echt de business order, laat het zo zeggen. Dus echt de regelingsdirecteur, dat soort mensen, dat die echt wat meer mee kan. Ja, ik zat juist altijd weer naar onder te denken zelfs nog. Maar ik denk dat inderdaad, als je dat zo zegt, misschien al best wel redelijk belegd is. Daarom natuurlijk wel heel mooi zijn als iedereen gewoon echt het datamanagementcomponent van zijn werk ook echt krijgt. Om het zo te zeggen. Dus als je echt begrijpt voor welk stukje data in de keten jij verantwoordelijk bent. Ik denk dat dat wel heel mooi zou kunnen werken als je dus echt je bedrijfsstrategie en je datastrategie hebt. dat iedereen dat zou kunnen zien en ook echt snapt waarvoor het gebeurt. Dus is dat niet altijd genoeg, maar inderdaad omhoog. Ik denk dat daar ook nog een hele grote stap te halen is. Ik denk het namelijk wel. Want weet je, kijk, heel veel organisaties, misschien is het af en toe een buzzword, maar ze zeggen, willen data gedreven werken. Dat betekent dus eigenlijk, dat is echt de strategie van een organisatie. Er staat soms zelfs, als je op websites komt van best grote organisaties, dan staat er ook ergens in een van de eerste pagina’s, ons doel is om een data gedreven organisatie te worden. Dan denk ik, als je dat wil zijn, dan moet het op alle plekken van je organisatie zijn. En niet de honderd man die in de ICT of in de dataafdeling zitten, die data gedreven denken. Nee, dan moet je als organisatie daadwerkelijk data gedreven denken. Dus daar denk ik ook dat de adoptiekracht nu op dit moment zit. Als je in maturity levels denkt, dan denk je dat je vaak, even fictief, maar als je dan denkt, misschien zitten de meeste mensen in een data-afdeling op level 3, terwijl de rest van de organisatie op level 1 zit. Dan kan je dus, en ik geloof altijd in de zwakste schakelprincipe, dan kan je dus eigenlijk alleen maar op level 1 gaan acteren. Want ja, van 2 naar 3 is eigenlijk veel te grote gerpt. Je bent een beetje gek als level 1 hem doorgeeft en ineens zit je op 3. Je hebt het ook wel een beetje gek zijn. Ja, precies. Als je van 3 naar 2 naar 1 gaat, daar kan ik me nog wel iets voor voorstellen, zeg maar. Dus tussen afdelingen doen we. Ja, je zit dus vooral, je hebt een ander verhaal in je hoofd. Ik bedoel, als je al een vrij volwassen bent in je gedachtegoed op het gebied van data. Fit for purpose, dat soort elementen van data. Als je dat echt goed begrijpt wat dat nou betekent. Dat is heel anders dan dat jij nog heel erg mee bezig bent van, nou ja, weet je, we moeten gewoon geld verdienen. Maar ja, er komt af en toe data uit het systeem, maar dat boeit eigenlijk allemaal niet. Ik weet niet waarom we hier iets mee moeten doen en dergelijke. Waarom ik hier tijd aan moet besteden. Waarom moet ik hier bijvoorbeeld strategische capaciteit op moeten zetten. Beslissingen over moeten maken, over na moeten denken. Wat ik nou precies met data wil gaan doen als regeling of whatever. Als directeur van een niet-data-afdeling. Daar denk ik dat er nog heel veel winst in te halen is. Maar je organisatie moet wel een soort van balans hebben. Want het kan niet 100% natuurlijk. Het moet niet zijn dat de ene echt in de beginfase zit. En de andere al helemaal. Dan heb je gewoon hele grote gaten in je organisatie. En dan blijft je organisatie eigenlijk op het niveau van het laagste niveau zitten. Dat geloof ik ook. Ja, ik geloof ook heel sterk. Het blijft ook steeds in RALO. Altijd en overal. Dat het echt begint bij het bewustzijn. Dus waarvoor is het nodig en wat heb ik eraan? Anders krijg je mensen denk ik ook gewoon niet mee. En dan blijven ze gewoon hun werk doen zoals ze dat deden. Het is alleen maar extra moeite. Ja, ik denk dat het een hele goede is. Het bewustzijn creëren bij mensen. Ja, daar ben ik het helemaal eens. Ja, gelukkig. Anders had ik nog een hele felle discussie hier kunnen. Nee, nee, nee. Nee, nee, nee, maar dit is zeker mee eens. Hé, dankjewel. Voor mij is het heel erg helder. Dus ja, ik zie je wellicht graag een volgende keer weer. Dankjewel.