Datakwaliteit op orde. Zonder een datawarehouse.

Datamanagement is het geheel van afspraken, processen en techniek waarmee je je gegevens betrouwbaar, vindbaar en bruikbaar houdt. AI-projecten stranden zelden op de techniek. Ze stranden op de gegevens eronder. Prometheus21 brengt de data van MKB-bedrijven op orde, zodat automatiseringen, rapportages en AI-toepassingen kloppen. Vanuit Rotterdam, door heel Nederland.

AI Datamanagement is het fundament onder onze andere diensten. We meten je datakwaliteit, schonen op, koppelen bronnen en leggen vast wie waarvoor verantwoordelijk is. Modulair opgezet, zodat je begint bij het proces dat je morgen wilt automatiseren.

Vraag een datascan aan Doe de Datamanagementscan (5 min)
6dim
Dimensies waarop we meten of je data klopt: volledigheid, juistheid, consistentie, actualiteit, uniciteit en validiteit
art.5
De AVG eist in artikel 5 dat persoonsgegevens juist zijn en waar nodig geactualiseerd. Datakwaliteit is ook een wettelijke verplichting
0dwh
Datawarehouses die je nodig hebt om te beginnen. We starten bij het proces dat je als eerste wilt automatiseren
Waarom dit eerst komt

Je automatisering is zo betrouwbaar als de data eronder.

Vraag een ondernemer naar zijn grootste kostenpost en hij noemt personeel, huisvesting of inkoop. Vrijwel nooit noemt hij de uren die weglekken aan gegevens natrekken, corrigeren en opnieuw invoeren. Die uren staan op geen enkele factuur, dus ze worden nooit geteld.

Zolang mensen het werk doen, blijft dat verborgen. Een medewerker die een raar adres ziet, corrigeert het stilletjes. Zodra je datzelfde proces automatiseert, verdwijnt die stille correctie en komt de fout er aan de andere kant gewoon uit.

Daarom is datamanagement bij ons het fundament onder betrouwbare AI en onder AI Automatisering, AI Advies en de rest van onze dienstverlening. Het is zelden het leukste onderwerp. Het is wel het onderwerp dat bepaalt of de rest werkt.

Wat is datakwaliteit? Datakwaliteit is de meetbare uitkomst van datamanagement, doorgaans uitgedrukt in zes dimensies: volledigheid, juistheid, consistentie, actualiteit, uniciteit en validiteit. Datakwaliteit is de thermometer, datamanagement is de verwarming.

Geen jarenlang programma
Wij beginnen bij het proces dat je als eerste betrouwbaar wilt hebben. De rest van je databerg kan wachten tot er een reden voor is.
Naast je IT-leverancier
Je softwareleverancier kent zijn eigen pakket het beste. Wij kijken naar de keten eromheen, waar de meeste fouten ontstaan.
Meetbaar in plaats van gevoel
Een score per dimensie maakt bespreekbaar wat nu een onderbuikgevoel is. Je weet daarna waar je staat en wat het eerst aandacht verdient.
Herkenbaar?

Acht signalen dat je fundament rammelt

Datakwaliteit merk je zelden aan de data zelf. Je merkt het aan het handwerk eromheen. Wie hieronder drie of meer herkent, heeft geen AI-probleem maar een fundamentprobleem.

Dezelfde klant staat er meerdere keren inDrie records, drie adressen, en niemand weet welke de juiste is.
Twee systemen, twee omzetcijfersDe boekhouding zegt iets anders dan het CRM, en de discussie gaat over wie gelijk heeft.
Prijzen lopen achter op je leverancierIn de webshop staat iets anders dan in het ERP, en de marge blijkt pas achteraf.
Er bestaat een Excel die de echte lijst isIedereen weet welke, niemand weet wie hem bijhoudt, en hij staat op iemands bureaublad.
Nieuwe medewerkers moeten de weg vragenWaar staan de goede gegevens is geen domme vraag als het antwoord per collega verschilt.
Een rapportage kost twee dagenWaarvan anderhalve dag opschonen voordat er iets te rapporteren valt.
Niemand is eigenaar van de klantgegevensSales, administratie en support vullen alle drie iets in, volgens hun eigen logica.
Elke koppeling levert handwerk opTwee systemen verbinden lukt technisch wel, maar de velden kloppend krijgen blijft mensenwerk.
Wat we meten

De zes dimensies van datakwaliteit

Datakwaliteit is meetbaar. Deze zes dimensies vormen de standaard waarop we scoren tijdens een datascan, zodat je precies weet welk type fout je waar hebt zitten.

De zes dimensies van datakwaliteit, met voorbeelden uit het MKB
Dimensie De vraag die je stelt Voorbeeld uit het MKB Wat er misgaat bij automatisering
Volledigheid Staat alles gevuld wat je nodig hebt? Een offerte-aanvraag zonder e-mailadres of zonder postcode De workflow kan niet routeren of versturen en valt stil
Juistheid Klopt wat er staat? Het adres van een klant die twee jaar geleden is verhuisd Zendingen, facturen en post komen op het verkeerde adres uit
Consistentie Zegt elk systeem hetzelfde? De omzet in het CRM wijkt af van de omzet in de boekhouding Rapportages spreken elkaar tegen en niemand vertrouwt de uitkomst
Actualiteit Hoe oud is het? Een prijslijst van vorige maand terwijl de leverancier al verhoogd heeft Offertes gaan de deur uit onder de kostprijs
Uniciteit Staat het er een keer? Drie records voor dezelfde klant, elk met een deel van de historie Klanten krijgen dubbele berichten en de historie klopt nooit
Validiteit Heeft het de juiste vorm? Telefoonnummers in tien verschillende notaties Koppelingen weigeren de invoer of maken er stilletjes iets anders van
Waarom dit AI breekt

AI vergroot uit wat er al mis was

Een medewerker die een raar adres ziet, corrigeert het stilletjes en gaat door. Een workflow verwerkt er duizend zonder te kijken. Precies dat verschil maakt datakwaliteit belangrijker zodra je gaat automatiseren.

Chatbots en assistenten

Hij antwoordt correct, uit een document van twee jaar geleden

Een AI-assistent die op je eigen documenten is aangesloten, geeft antwoord op basis van wat hij vindt. Staat er een verouderde procedure of een oude prijslijst tussen, dan krijgt je klant die met volle overtuiging voorgeschoteld. Het model doet niets fout. De bron klopt niet.

Automatisering

De workflow routeert naar de verkeerde persoon

Automatiseringen sturen op velden. Is een veld leeg, verkeerd gevuld of in de ene bron anders genoteerd dan in de andere, dan komt de aanvraag bij de verkeerde afdeling terecht of nergens. Bij tien aanvragen valt dat op. Bij duizend niet.

Offertes en calculatie

De tool rekent keurig, met prijzen van vorige maand

Een offertetool is zo goed als de artikeldata eronder. Lopen prijslijsten, staffels of klantcondities achter, dan produceert het systeem in seconden een offerte waar je maanden last van hebt. Dit is bij handelsbedrijven de meest voorkomende schadepost.

Rapportage en forecast

Een voorspelling op historie met gaten erin

Modellen die vooruitkijken, leunen volledig op wat er achter je ligt. Ontbrekende periodes, dubbele records of definities die halverwege zijn veranderd leveren een uitkomst op die er overtuigend uitziet en nergens op slaat.

Ook een wettelijke kant

Rommelige klantgegevens zijn ook een AVG-kwestie

Artikel 5 van de AVG eist dat persoonsgegevens juist zijn en waar nodig geactualiseerd worden. Datzelfde artikel eist dataminimalisatie en opslagbeperking: je verwerkt alleen wat je nodig hebt en bewaart het niet langer dan nodig. Dubbele klantrecords, adressen van jaren terug en bestanden die niemand meer opschoont vallen daarmee onder een tekortkoming in de naleving.

Dat maakt opschonen twee dingen tegelijk: het verbetert je processen en het verkleint je risico. Onze compliance-praktijk wordt geleid door een CIPP/E-gecertificeerde specialist, dus we kunnen beide kanten in een traject meenemen. Meer daarover op de pagina AI Compliance.

Onze dienstverlening

Zes modules, los te nemen of als pad

Je begint bij het proces dat je wilt automatiseren. Een datawarehouse is zelden de eerste stap. De modules hieronder vormen samen een logisch pad, maar zijn ook afzonderlijk zinvol.

01 · Inzicht

Datascan

Een nulmeting op de zes dimensies over je belangrijkste bronnen. Je krijgt een score per dimensie, de concrete bevindingen en een volgorde waarin je ze het beste aanpakt. Dit is de module waarmee vrijwel iedereen begint.

Nulmeting Score per dimensie Prioriteitenlijst
02 · Opruimen

Opschoning en ontdubbeling

Een gerichte actie op je klant-, artikel- of leveranciersbestand. We ontdubbelen, corrigeren en standaardiseren, en leveren de regels mee waarmee we dat gedaan hebben. Zo kun je het herhalen zonder ons.

Ontdubbelen Standaardiseren Herhaalbare regels
03 · Verbinden

Bronintegratie

Systemen koppelen zodat een wijziging op een plek overal doorwerkt. CRM, ERP, webshop, boekhouding en de tools eromheen. Hiermee verdwijnt het overtypen tussen systemen, meestal de grootste stille kostenpost.

API-koppelingen Synchronisatie Een waarheid
04 · Vastleggen

Datamodel en definities

Vastleggen wat een klant is, wat omzet is en wanneer iemand actief heet. Dit is de module die het vaakst wordt overgeslagen en die de meeste ellende voorkomt, want zonder gedeelde definities blijven je systemen elkaar tegenspreken.

Begrippenkader Veldafspraken Datamodel
05 · Borgen

Eigenaarschap en werkafspraken

Wie mag wat invoeren, wie beheert welk veld en wie besluit bij twijfel. Governance in gewone taal, passend bij een organisatie zonder datateam. Zonder deze stap zakt je kwaliteit binnen een half jaar terug naar het oude niveau. Zie ook ons praktische raamwerk voor data governance.

Rollen Werkafspraken Beheer
06 · Bewaken

Monitoring

Signalering die afwijkingen meldt voordat ze in een rapportage of een automatisering terechtkomen. Denk aan een melding zodra er records zonder e-mailadres binnenkomen of zodra twee bronnen uit elkaar gaan lopen.

Signalering Kwaliteitsmeting Vroege waarschuwing

Geen idee hoe jouw data ervoor staat?

Met een datascan weet je binnen een paar dagen hoe je scoort op de zes dimensies en waar je het beste kunt beginnen.

Vraag een datascan aan Doe de Datamanagementscan (5 min)
Onze aanpak

Van rommelige data naar een betrouwbaar fundament

Nulmeting

We meten de kwaliteit op de zes dimensies over je belangrijkste bronnen en maken zichtbaar waar de gaten zitten. Meten in plaats van vermoeden.

Prioriteren

We bepalen samen welk proces als eerste betrouwbaar moet zijn. Dat is zelden het proces met de meeste fouten, maar dat met de meeste impact.

Opschonen en koppelen

We ontdubbelen en corrigeren wat ertoe doet en zorgen dat een wijziging op een plek overal doorwerkt, zodat het niet opnieuw uit elkaar loopt.

Borgen

We leggen definities en eigenaarschap vast en richten signalering in. Zonder deze stap zakt de kwaliteit terug zodra de aandacht wegvalt.

De afweging

Zelf doen, je leverancier vragen of ons inschakelen

Alle drie de routes zijn verdedigbaar. Het hangt af van hoeveel bronnen je hebt, hoeveel tijd je intern kunt vrijmaken en of het probleem binnen een systeem zit of ertussen.

Drie routes naar betere datakwaliteit vergeleken
  Zelf oppakken Je IT- of softwareleverancier Prometheus21
Waar het begint Bij de collega die er last van heeft en tijd overhoudt Bij het pakket dat zij geleverd hebben Bij het proces dat je wilt automatiseren
Blikveld Het bestand dat nu pijn doet Binnen hun eigen systeem, waar ze veel van weten De keten tussen systemen, waar de meeste fouten ontstaan
Wat je overhoudt Een opgeschoond bestand dat langzaam weer vervuilt Een beter ingerichte applicatie Meting, opschoning, koppeling en werkafspraken die het vasthouden
Doorlooptijd Loopt door tussen de dagelijkse werkzaamheden Afhankelijk van hun planning en releasecyclus Scan in dagen, daarna per module afgebakend
Grootste risico Het zakt weg zodra het druk wordt Problemen tussen systemen blijven liggen Externe partij, dus je moet ons wegwijs maken

Wij werken graag samen met je bestaande leverancier. Zij kennen hun pakket beter dan wij ooit zullen doen. Onze toegevoegde waarde zit in wat er tussen de systemen gebeurt en in de afspraken eromheen. Lees ook hoe wij werken.

Voorbeeldscenario, geen klantcase

Zo ziet zo'n traject er in de praktijk uit

Onderstaand scenario is een illustratie van het type situatie dat we bij handelsbedrijven tegenkomen, samengesteld uit onze praktijkervaring. Het beschrijft geen bestaande klant en de cijfers zijn indicatief.

De situatie

Groothandel, 30 medewerkers

Het bedrijf wil de offerteafhandeling automatiseren. Binnenkomende aanvragen worden nu handmatig omgezet naar een offerte, wat per stuk een half uur kost.

  • Prijslijsten van vier leveranciers, elk in een eigen formaat
  • Klantstaffels in een losse Excel naast het ERP
  • Dezelfde klant meerdere keren in het systeem
Wat er gebeurt

Eerst meten, dan opruimen

De datascan laat zien dat de grootste risico's in actualiteit en uniciteit zitten. De automatisering wordt uitgesteld tot de artikeldata en het klantbestand kloppen.

  • Prijslijsten via een vaste inleesroute bijgewerkt
  • Klantbestand ontdubbeld, staffels terug in het ERP
  • Signalering op artikelen zonder actuele inkoopprijs
Waar het toe leidt

De automatisering kan pas daarna

Met een betrouwbaar artikelbestand kan de offertetool eindelijk gebouwd worden. Zonder die voorbereiding had het systeem in seconden verkeerde prijzen geproduceerd.

  • Prijzen actueel in plaats van weken achterlopend
  • Een klant, een record, een historie
  • Het fundament ligt er ook voor de volgende automatisering

Wij hebben het eerst bij onszelf gedaan. Onze eigen toepassingen draaiden aanvankelijk op losse databases per project. Die hebben we geconsolideerd naar een omgeving met gescheiden schema's per toepassing, met toegangsregels op rijniveau en een back-upstrategie eromheen. Dat was geen leuk werk en het leverde direct rust op. Het is precies het traject dat we nu voor MKB-bedrijven doen.

Gratis gids

Weet jij hoeveel klanten je hebt?

Dertien vragen die je aan drie collega's stelt, los van elkaar en zonder overleg. Verschillen hun antwoorden, dan weet je meteen waarom je cijfers dat ook doen. Invullen kost twintig minuten en je hebt er geen systeemtoegang voor nodig.

Een invulblad dat je drie keer print en uitdeelt
Een vergelijkingsblad om de antwoorden naast elkaar te leggen
Een score die zegt of er eerst iets aan je data moet gebeuren

Ontvang de gids in je inbox

Laat je gegevens achter, dan sturen we je de gids toe.

Veelgestelde vragen

Staat jouw vraag er niet bij?

Datamanagement is een breed onderwerp en elke organisatie zit anders in elkaar. Stel je vraag gerust, dan krijg je een eerlijk antwoord. Ook als dat antwoord is dat je hier nog even niet aan toe bent.

Stel je vraag
Datamanagement is het geheel van afspraken, processen en techniek waarmee een organisatie haar gegevens betrouwbaar, vindbaar en bruikbaar houdt. In de praktijk gaat het om het opschonen en ontdubbelen van bestanden, het koppelen van databronnen, het vastleggen van definities en eigenaarschap, en het bewaken van de kwaliteit in de tijd.
Datakwaliteit is de meetbare uitkomst: klopt wat er staat, staat het er een keer, is het compleet en actueel. Datamanagement is alles wat je doet om die uitkomst te bereiken en vast te houden. Datakwaliteit is de thermometer, datamanagement is de verwarming.
Niet alles tegelijk. Je hebt de gegevens nodig die het proces raken dat je wilt automatiseren, en die moeten kloppen. De rest kan wachten tot er een reden voor is. Wie eerst de data van de hele organisatie op orde wil hebben, komt zelden aan automatiseren toe. Op onze pagina AI Advies lees je hoe we die volgorde bepalen.
In het MKB zelden. Een datawarehouse is zinvol wanneer je veel bronnen wilt combineren voor analyse over langere periodes. Voor betrouwbare processen en automatiseringen is het meestal genoeg om bestanden op te schonen, systemen te koppelen en definities vast te leggen. Wij adviseren het pas als er een concrete aanleiding voor is.
Aan de symptomen. Dezelfde klant meerdere keren in het systeem, cijfers die per rapportage verschillen, een Excel die als de echte lijst geldt, en handwerk bij elke koppeling. Een datascan maakt het meetbaar op de zes dimensies, zodat je een score hebt in plaats van een onderbuikgevoel.
Een BI-partij maakt je cijfers zichtbaar in dashboards en rapportages. Wij zorgen dat de gegevens daaronder kloppen, zodat processen, automatiseringen en AI-toepassingen erop kunnen draaien. Een dashboard op onbetrouwbare data toont het probleem alleen sneller en in mooiere grafieken. In de praktijk gaan de twee prima samen: wij leggen het fundament, zij bouwen het inzicht.
Ja, dat doen we regelmatig. Je softwareleverancier kent zijn eigen pakket het beste en wij hebben geen belang bij het vervangen daarvan. Onze toegevoegde waarde zit in de keten eromheen: wat er tussen systemen misgaat, welke definities uiteenlopen en waar handwerk ontstaat.
Een datascan duurt doorgaans twee tot vier dagen, afhankelijk van het aantal bronnen en hoe toegankelijk ze zijn. Je krijgt een rapport met de score per dimensie, de concrete bevindingen en een volgorde van aanpakken. Daarna beslis je zelf of en welke vervolgmodules je afneemt.
Dat hangt af van het aantal bronnen, de staat van de gegevens en welke modules je afneemt. Omdat de aanpak modulair is, kun je klein beginnen met een scan en daarna zelf bepalen wat de moeite waard is. Tijdens de gratis kennismaking maken we een concrete inschatting voor jouw situatie.
Je data blijft van jou. We werken bij voorkeur binnen je eigen omgeving. Waar verwerking buiten je omgeving nodig is, leggen we dat vast in een verwerkersovereenkomst en kiezen we voor opslag binnen de EU. We werken secure by design en compliant by default, net als bij onze andere diensten.
Artikel 5 van de AVG eist dat persoonsgegevens juist zijn en waar nodig geactualiseerd worden. Datzelfde artikel eist dataminimalisatie en opslagbeperking. Dubbele klantrecords, verouderde adressen en bestanden die niemand opschoont zijn daarmee een tekortkoming in de naleving. Meer hierover op onze pagina AI Compliance.
Verder lezen

Waar datamanagement op aansluit

Volgende stap

AI Automatisering

Zodra het fundament ligt, kun je processen automatiseren die daarvoor te risicovol waren. Je automatisering is precies zo betrouwbaar als de data eronder.

Naar AI Automatisering
Beginpunt

AI Advies

Weet je nog niet waar je moet beginnen? In een adviestraject bepalen we samen of datamanagement inderdaad je eerste stap is, of dat er iets anders voorgaat.

Naar AI Advies
Naastgelegen

AI Compliance

Juistheid, dataminimalisatie en opslagbeperking zijn AVG-verplichtingen. Opschonen verbetert je processen en verkleint tegelijk je risico.

Naar AI Compliance

Datascan aanvragen voor jouw MKB-bedrijf

Met een datascan weet je binnen een paar dagen hoe je scoort op de zes dimensies van datakwaliteit, waar je grootste gaten zitten en in welke volgorde je ze het beste aanpakt. Daarna beslis jij wat er gebeurt.

Vraag een datascan aan Doe eerst de Datamanagementscan
Kennisbank

Verder lezen over datamanagement

Van datascan tot RAG-systeem: de onderwerpen die onder het fundament vallen.

Hoe dit samenhangt

De zes onderwerpen die hieraan raken

Datakwaliteit is zelden een doel op zich. Deze zes onderwerpen zijn waar het fundament voor gelegd wordt.