Meer in de kennisbank over Datamanagement
Data Kwaliteit / Data AuditData audit: het stappenplan naar AI-ready data.
Een data audit is geen lange spreadsheet met problemen, het is een gestructureerde scorekaart die laat zien welke bronnen je eerst moet aanpakken om AI werkend te krijgen. Voor MKB-directies met AI-ambities die zeker willen weten dat hun data het fundament kan zijn.
- 2-4 weken doorlooptijd voor complete audit
- Investering vooraf besproken
- 6 stappen van scope tot presentatie aan directie
- Voorkomt typisch 30-100k aan verkeerde AI-investering
Meten voordat je bouwt: dat voorkomt maanden verspilling.
Een data audit is een gestructureerd onderzoek naar de kwaliteit en geschiktheid van jouw databronnen voor een specifiek doel. In onze context: geschiktheid voor AI-toepassingen. We meten per kritische bron de zes kwaliteitsdimensies objectief, spreken de eigenaren en gebruikers, vergelijken bevindingen met wat jouw AI use cases vragen en leveren een rapport op met scorekaart, gap-analyse en een routekaart voor verbetering. Je krijgt harde cijfers en concrete acties.
Waarom je dit moet doen voordat je AI bouwt? De meeste MKB-AI-projecten die vastlopen, lopen vast op data. Een leadscoring-model dat slecht scoort omdat de CRM vol dubbele records zit. Een chatbot die verouderde antwoorden geeft omdat de kennisbank drie jaar niet is opgeschoond. Een forecasting-model dat onbruikbaar is omdat SKU's niet matchen tussen ERP en e-commerce. Stuk voor stuk problemen die je met een audit vooraf had kunnen zien, en binnen weken oplosbaar waren geweest. Zonder audit investeer je blind; met audit investeer je gericht. Dit sluit aan bij onze data kwaliteit-gids over de zes dimensies.
Een goede data quality assessment kijkt naar drie lagen. Technisch: scores per dimensie per bron, gemeten met SQL of profiling-tools. Procesmatig: hoe ontstaan problemen, wie is verantwoordelijk, welke validaties ontbreken aan invoerkant. Strategisch: welk kwaliteitsniveau eist elke geplande AI-use-case en waar zit de gap. Alleen de combinatie van deze drie lagen levert een audit op die tot bruikbare acties leidt. Een audit die alleen technisch meet, mist de oorzaken. Een audit die alleen procesmatig kijkt, mist de objectieve cijfers. Een audit zonder use-case-koppeling levert te brede aanbevelingen op.
| Laag | Wat je bekijkt | Zonder deze laag |
|---|---|---|
| Technisch | Scores per dimensie per bron, gemeten met SQL of profiling-tools | Mis je de objectieve cijfers |
| Procesmatig | Hoe problemen ontstaan, wie verantwoordelijk is en welke validaties ontbreken | Mis je de oorzaken |
| Strategisch | Welk kwaliteitsniveau elke geplande AI-use-case eist en waar de gap zit | Worden de aanbevelingen te breed |
Veeg opzij om de hele tabel te zien
Onze data audit stappenplan kent zes stappen die binnen twee tot vier weken worden uitgevoerd. Week een: scope, bronselectie en eerste profiling. Week twee: interviews met eigenaren en diepte-profiling. Week drie: gap-analyse per use case en rapport-schrijven. Week vier: presentatie en nabespreking. Voor grotere organisaties (100 plus medewerkers) kan dit uitlopen naar zes weken door meer stakeholders, maar het kernidee blijft: geen audit mag langer duren dan dat, anders wordt het een project. Deze snelheid past ook bij hoe directies beslissen: zien werkt, wachten niet. Lees ook hoe dit raakt aan onze AI-strategie-aanpak.
Na de audit heb je drie concrete deliverables. Ten eerste een data audit rapport met scorekaart, bevindingen en routekaart. Ten tweede een data audit checklist voor herhaalde metingen zodat je zelf kunt monitoren zonder afhankelijk te blijven van ons. Ten derde een kosten- en tijdsplan voor de verbeteracties, klaar om door te zetten naar uitvoering. Bij bedrijven die serieus willen doorpakken, volgt direct een opschonings- en governance-fase via onze data schoonmaken-aanpak en governance-raamwerk.
Data audit: Gestructureerd onderzoek naar kwaliteit en AI-geschiktheid van databronnen. Meet zes dimensies objectief, koppelt bevindingen aan use cases, levert rapport met prioriteiten. Data assessment framework: Het raamwerk dat ons onderzoek structureert: bronselectie, profiling, interviews, gap-analyse, rapportage en presentatie. Herhaalbaar per periode of per nieuw AI-initiatief.
Onderzoeksvragen per bron.
De vier kernvragen die we per databron beantwoorden tijdens een audit. Samen vormen ze het minimale beeld dat je nodig hebt voor AI-beslissingen.
Vraag 01
Wat is in de bron aanwezig?
Een inventarisatie van schema, velden, records en geschiedenis. Hoeveel klanten staan erin, sinds wanneer, welke velden worden echt gebruikt. Deze basisvraag lijkt eenvoudig maar levert vaak al verrassingen op: velden die niemand nog gebruikt, duplicaten-percentages hoger dan verwacht, ontbrekende geschiedenis. We rapporteren dit als tabel per bron met kernmetrics: recordaantallen, veldbezetting, datumranges en groei-trend. Typisch halve dag werk per bron. Dit is de basis voor alle volgende analyses.
- Schema en velden inventariseren
- Recordaantallen en geschiedenis
- Veldbezettingspercentages
- Groei-trend en archivering
Vraag 02
Hoe scoort de bron op de zes dimensies?
De kwantitatieve kern van de audit. Per bron een objectieve score op accuracy, completeness, consistency, timeliness, validity en uniqueness. Gemeten via SQL, Great Expectations of Soda Core. Resultaat: een heatmap die in een oogopslag laat zien waar het knelt. Een bron kan 95 procent scoren op completeness (meeste velden gevuld) maar 45 procent op consistency (veel verschil met ander systeem). Zo'n verschil is precies wat audit naar boven haalt. Deze heatmap is het sterkste communicatiemiddel naar directie omdat het visueel en objectief is.
- Objectieve scores per dimensie
- Heatmap voor directie-communicatie
- Herhaalbaar voor periodieke metingen
- Onderbouwd met queries
Vraag 03
Hoe ontstaan de problemen?
De procesmatige vraag. Een lage completeness-score kan twee heel verschillende oorzaken hebben: ontbrekende validaties aan de invoerkant of afdelingsbeleid dat bepaalde velden niet verplicht stelt. Zonder de oorzaak te kennen, ga je symptomen opschonen en zit over zes maanden in dezelfde situatie. Via interviews met data-eigenaren en sleutelgebruikers begrijp je de oorzaken. We verwerken dit als root-cause-analyse bij elke grote score-afwijking. Voor MKB-audits beperken we dit tot zeven tot tien interviews; meer levert zelden extra inzicht.
- Root cause per probleem
- Interviews met eigenaren
- Proces versus symptoom
- Beperkt tot 7-10 gesprekken
Vraag 04
Volstaat de kwaliteit voor de geplande AI?
De strategische vraag. Per geplande AI use case vertaal je de zes dimensies naar minimum-eisen. Een factuurverwerkings-AI vraagt 95 procent plus op accuracy van factuurvelden. Een leadscoring-model vraagt 90 procent plus op completeness van CRM-velden. Een RAG-chatbot vraagt 95 procent plus op timeliness van documenten. Per use case vergelijk je vereist niveau met huidig niveau. De gap is je verbeterplan. Deze stap is belangrijk: pas met een gap-analyse wordt de scorekaart een routekaart. Onze auditrapporten bevatten altijd deze vertaling per use case zodat directie concrete beslissingen kan nemen.
- Vereisten per AI use case
- Vergelijking huidig versus vereist
- Gap-analyse als routekaart
- Beslissingsbasis voor directie
| Vraag | Wat we doen | Wat het oplevert |
|---|---|---|
| Wat is in de bron aanwezig? | Schema, velden, records en geschiedenis inventariseren | Een tabel per bron met kernmetrics |
| Hoe scoort de bron op de kwaliteitsdimensies? | Per dimensie objectief meten met SQL, Great Expectations of Soda Core | Een heatmap voor directie |
| Hoe ontstaan de problemen? | Interviews met data-eigenaren en sleutelgebruikers | Een root-cause-analyse bij grote afwijkingen |
| Volstaat de kwaliteit voor de geplande AI? | Per use case het vereiste niveau naast het huidige leggen | Een gap-analyse als routekaart |
Veeg opzij om de hele tabel te zien
Deliverables na de audit.
Wat jij ontvangt na afronding van een data audit. Bruikbaar voor directie, data-team en eventuele implementatiepartners.
Deliverable 01 · Rapport
Scorekaart en bevindingen
Schriftelijk rapport van 25-40 paginas met samenvatting voor directie (eerste A4), scorekaart per bron als heatmap, gedetailleerde bevindingen per bron met voorbeelden, gap-analyse per geplande AI use case en prioriteiten-matrix. Alles onderbouwd met queries en screenshots. Dit is de basis voor vervolgbeslissingen en wordt aan directie en data-team geleverd. Geschreven in toegankelijk Nederlands, met vakjargon alleen waar het nodig is.
25-40 paginas Heatmap Gap-analyse Onderbouwd
Deliverable 02 · Routekaart
Kosten en tijdsplan
Een concreet plan met verbeteracties, kostenschatting, doorlooptijd en benodigde capaciteit. Per actie duidelijk welke AI-use-case hij mogelijk maakt. Dit plan is direct bruikbaar als input voor directie-goedkeuring of als briefing naar een implementatiepartij. Belangrijk: deze routekaart is niet gekoppeld aan ons uitvoeren; wij hebben geen belang bij een groot project. Ons doel is bruikbaar advies.
Acties Kosten Doorlooptijd Onafhankelijk
Deliverable 03 · Checklist
Herhaalbare meting
Een data audit checklist die je zelf kunt uitvoeren om per kwartaal of halfjaar voortgang te meten zonder externe hulp. De checklist bevat de queries of testen die bij de audit zijn gebruikt, plus instructies om resultaten te interpreteren. Dit maakt je onafhankelijk van ons voor vervolgmeting en bouwt interne capaciteit. Periodieke herhaling voorkomt dat data-kwaliteit langzaam terugzakt zonder dat iemand het ziet.
Zelf herhaalbaar Queries bijgeleverd Onafhankelijk Kwartaal
Zo voeren we een data audit uit.
Zes stappen die we standaard doorlopen bij iedere MKB-audit, met vaste deliverables per stap.
Scope-sessie
Halve dag met directie en data-eigenaren. Bronnen, use cases en diepgang bepalen. Toegangen regelen.
Profiling
Per bron zes dimensies meten via SQL, Great Expectations, cross-system matching. Objectieve scorekaart.
Interviews
Zeven tot tien gesprekken met eigenaren en sleutelgebruikers. Root-cause bij grote afwijkingen.
Gap-analyse
Per AI use case vereist niveau versus huidig niveau. Gap vormt de prioriteiten-lijst.
Rapport
Schriftelijk met scorekaart, bevindingen, gap-analyse en routekaart. 25-40 paginas.
Presentatie
Aan MT of directie. Concrete aanbevelingen, prioriteiten, vervolgstappen. Checklist voor herhaling.
Onze belofte: Binnen vier weken heb je objectief inzicht in waar je data staat en wat er moet gebeuren om AI-ready te worden. Zonder langlopend project en zonder vendor-lock-in. Gekoppeld aan onze werkwijze en bredere data kwaliteit-pillar.
Audits en hun uitkomsten.
Hoe een data audit bij drie verschillende MKB-profielen tot heel verschillende conclusies leidde, en wat dat opleverde.
Installatiebedrijf · 25 medewerkers
Audit voorkomt verkeerde AI-investering van 60.000 euro
Situatie: Een installatiebedrijf wilde een AI-klantenservice-chatbot laten bouwen op hun documentenarchief. Offerte van een leverancier lag klaar voor 60.000 euro. Directie vroeg een audit om zeker te weten dat de data geschikt was.
Audit-bevindingen: 2.800 interne documenten, waarvan 41 procent ouder dan vijf jaar en 22 procent intern concept zonder autorisatie. Meerdere versies van dezelfde handleidingen naast elkaar. Timeliness-score: 38 procent. Zonder opschoning zou de chatbot tegenstrijdige of verouderde antwoorden geven.
Beslissing en resultaat: De 60.000 euro AI-investering ging niet door. Eerst een opschoningsfase van 15.000 euro. Zes maanden later werd een kleinere AI-chatbot gebouwd voor 35.000 euro, werkend op schone data. Totale investering: 50.000 euro. Zonder audit waren dat 95.000 euro plus een mislukt project geweest. De audit zelf kostte 12.500 euro. Terugverdiend binnen weken.
Zakelijke dienstverlening · 70 medewerkers
Audit brengt CRM-ondubbeling als prioriteit
Situatie: Een zakelijke dienstverlener had ambities op het vlak van AI-gedreven marketing: lead scoring, e-mail personalisatie, content-suggesties. De directie wilde weten of dit kon met de huidige CRM, Exact en marketing-stack.
Audit-bevindingen: Belangrijkste probleem was uniqueness in CRM: 23 procent dubbele contactrecords door handmatige invoer over de jaren. Consistency tussen CRM en Exact was 61 procent. Timeliness was juist goed (95 procent). Conclusie: zonder ontdubbeling leverde leadscoring tegenstrijdige scores op omdat een klant meerdere records kon hebben.
Beslissing en resultaat: Eerst een opschoning van acht weken voor de CRM. Fuzzy matching, consolidatie, nieuwe invoer-validaties. Daarna stapsgewijze AI-uitrol. Na zes maanden: lead scoring draait, uniqueness 97 procent, AI-marketing stack aangesloten. Totale investering tot werkende AI: 85.000 euro over negen maanden. Zonder audit hadden ze direct AI-tools gekocht en maanden gefrustreerd geraakt. Onderdeel van hun bredere AI-automatiseringsproject.
Productiebedrijf · 120 medewerkers
Audit wijst naar ongeziene consistency-gap tussen ERP en MES
Situatie: Een productiebedrijf wilde predictive maintenance en voorraadvoorspelling. Data zit in SAP Business One (ERP) en een apart MES-systeem voor productielijnen. Directie had gehoord dat AI hier tonnen kon besparen en wilde de gap kennen.
Audit-bevindingen: Beide systemen op zich redelijk schoon (score 80-85 op alle dimensies). Grootste probleem was consistency tussen beide: voorraadaantallen in ERP en MES verschilden structureel door verschillende definities van "voorraad". Zonder master-data-laag zou AI tegenstrijdige inputs krijgen.
Beslissing en resultaat: Twaalf weken werk om master-data-laag met unieke product-ID's en voorraaddefinities op te zetten. Daarna AI-use-cases op beide werkten vlot. Voorraadvoorspelling bespaarde in jaar 1 ongeveer 180.000 euro door betere inkoop. Predictive maintenance voorkwam twee grote storingen. Audit kostte 18.000 euro, totaal project inclusief AI 250.000 euro. ROI duidelijk positief binnen jaar 1.
Valkuilen bij een data audit.
Fouten die audits minder effectief maken, en hoe je ze voorkomt.
Valkuil 1
Te brede scope
Een audit van "al onze data" klinkt grondig maar levert oppervlakkig werk op. Met een budget van 15.000 euro en vijf weken tijd kun je niet dertig bronnen grondig analyseren. De oplossing: prioriteer streng. Bronnen die raken aan je eerste AI-use-cases eerst, de rest volgende ronde. Een audit van tien bronnen op diepgang is waardevoller dan dertig oppervlakkig.
Valkuil 2
Technisch zonder procescontext
Alleen scores meten zonder interviews is risicovol. Een 65 procent completeness kan betekenen: kapotte invoervalidatie, afdelingsbeleid dat veld optioneel maakt of een legacy-import die ooit fout ging. Zonder oorzaak is de verbeteractie een schoonmaak-symptoombestrijding waarna hetzelfde probleem terugkeert. Altijd interviews koppelen aan cijfers. Vijftien tot twintig procent van audit-tijd moet in interviews gaan.
Valkuil 3
Geen koppeling aan use cases
Een audit die alles meet zonder te koppelen aan concrete AI-plannen levert een rapport dat niemand leest. Kwaliteitseisen zijn relatief: wat goed genoeg is voor BI is vaak niet goed genoeg voor AI. Ken je use cases, vertaal ze naar eisen per dimensie, meet tegen die eisen. Zonder deze koppeling wordt elke score subjectief: goed of slecht waarvoor? Onze audits starten altijd met use-case-inventaris.
Valkuil 4
Audit zonder vervolgstappen
Een rapport dat in een la belandt levert niets op. De audit-investering verdient zich terug via de acties die eruit volgen. Daarom leveren wij altijd een routekaart met kosten en doorlooptijd, presenteren aan directie voor commitment en bieden optioneel implementatiebegeleiding. Belangrijk: de routekaart hoeft niet door ons te worden uitgevoerd. Koppeling met onze data schoonmaken-methode voor vervolgacties.
| Valkuil | Wat er misgaat | Hoe je het voorkomt |
|---|---|---|
| Te brede scope | Oppervlakkig werk aan te veel bronnen | Streng prioriteren: eerst de bronnen voor je eerste AI-use-cases |
| Technisch zonder procescontext | Na het opschonen keert hetzelfde probleem terug | Interviews altijd koppelen aan cijfers |
| Geen koppeling aan use cases | Een rapport dat niemand leest; elke score wordt subjectief | Use cases vertalen naar eisen per dimensie en daartegen meten |
| Audit zonder vervolgstappen | Het rapport belandt in een la | Een routekaart met kosten en doorlooptijd, gepresenteerd aan directie |
Veeg opzij om de hele tabel te zien
Investering audit
Basis-audit 3-5 bronnen: vooraf besproken
Uitgebreid 6-10 bronnen: vooraf besproken
Doorlooptijd: 2-4 weken
Opbrengst
Voorkomen verkeerde AI-investering: typisch 30-100k euro
Tijdwinst door gerichte prioriteiten: 3-6 maanden
Basis voor elk vervolg AI-project: jarenlange waarde
Terugverdientijd van de audit zelf: typisch weken tot maanden, afhankelijk van welk AI-besluit hij informeert.
Over data audit.
Wat is een data audit?
Een data audit is een gestructureerd onderzoek naar de kwaliteit en geschiktheid van databronnen voor een specifiek doel. In onze context: geschiktheid voor AI-toepassingen. Een data audit kijkt naar de zes kwaliteitsdimensies (accuracy, completeness, consistency, timeliness, validity, uniqueness) per bron, analyseert processen eromheen, en vergelijkt de bevindingen met de eisen die AI use cases stellen. Het resultaat is een scorekaart met concrete prioriteiten, geen vaag rapport. Typische doorlooptijd: twee tot vier weken voor een MKB met vijf tot tien bronnen.
Hoe voer je een data audit uit?
Een data audit volgt zes stappen. Eerst scope: welke bronnen, welke use cases. Dan profiling: per bron objectief meten met SQL of tools. Dan interviews: begrijp hoe problemen ontstaan. Dan gap-analyse: vergelijk huidige kwaliteit met vereisten per use case. Dan rapport: schriftelijk met scorekaart en prioritering. Ten slotte presentatie aan directie met aanbevelingen. Belangrijk: geen audit zonder koppeling aan concrete use cases. Een audit die alles meet zonder prioriteit heeft weinig waarde.
Wat levert een data audit op?
Een data audit levert drie concrete deliverables op. Ten eerste een scorekaart met kwaliteitscores per bron per dimensie (accuracy, completeness, enzovoort), zodat je objectief kunt zien waar de problemen zitten. Ten tweede een gap-analyse per AI use case: welk kwaliteitsniveau je nodig hebt versus waar je staat. Ten derde een routekaart met geprioriteerde verbeteracties, geschatte kosten en doorlooptijd. Daarnaast: inzicht in of huidige governance-structuur volstaat en welke tools passend zijn. Alles met onderbouwing, geen vage aanbevelingen.
Wat kost een data audit in het MKB?
Wat een data audit voor MKB-organisaties kost, hangt af van scope (aantal bronnen) en diepgang en wordt altijd vooraf besproken. Dit is inclusief profiling, interviews, rapportage en presentatie aan directie. Terugverdientijd: typisch binnen een jaar omdat de audit voorkomt dat je verkeerde bronnen aanpakt of verkeerde tools koopt.
Welke data moet in een data audit?
Bronnen die raken aan je eerste AI use cases horen altijd in scope. Daarnaast: kernsystemen zoals CRM, ERP en boekhouding. Documentarchieven als je RAG-chatbots overweegt. Operationele data als je procesautomatisering wilt. Bronnen met duidelijk kleine rol voor AI laat je buiten scope om de audit behapbaar te houden. Bij twijfel: liever een kleine scope die grondig wordt doorgelopen dan een brede scope die oppervlakkig blijft. Diepgang in tien bronnen levert meer waarde dan oppervlakkigheid in dertig.
Wat staat in een data audit rapport?
Een audit rapport bevat zes onderdelen, samenvatting voor directie (een A4). Scorekaart per bron per dimensie (heatmap voor overzicht). Gedetailleerde bevindingen per bron, inclusief voorbeelden, gap-analyse per geplande AI use case. Prioriteiten en routekaart met kostenschatting, aanbevelingen over tools en governance. Onze rapporten zijn typisch 25-40 paginas, waarvan de eerste vijf voor directie bedoeld zijn en de rest voor data-eigenaren en technische teams. Alles met onderbouwing en concrete voorbeelden, geen algemeenheden.
Hoe lang duurt een data audit?
Voor MKB-organisaties duurt een data audit typisch twee tot vier weken. Week 1: scope-afstemming, toegang tot bronnen regelen, eerste profiling. Week 2: diepte-profiling en interviews. Week 3: gap-analyse en rapport-schrijven. Week 4: presentatie en nabespreking. Bij grotere organisaties (100+ medewerkers) kan dit oplopen tot zes weken, vooral door meer stakeholders in interviews. Belangrijk: snellere audits zijn mogelijk maar leveren oppervlakkiger inzichten; voor serieuze AI-ambities loont het om goed de tijd te nemen.
Wat is AI-ready data?
AI-ready data is data die geschikt is om als input voor AI-modellen of AI-toepassingen te dienen. De eisen varieren per use case. Voor supervised learning moet data gelabeld zijn, voldoende historie hebben (minimaal 2000 records) en consistent zijn. Voor RAG-systemen moeten documenten actueel en gestructureerd zijn. Voor AI-agents die systemen aansturen moet data real-time en betrouwbaar zijn. In algemene zin: AI-ready data voldoet aan hoge scores op de zes kwaliteitsdimensies, met duidelijk eigenaarschap en monitoring. AI-ready is geen binair begrip; het is een ambitieniveau dat je use-case-per-use-case invult.
Kan ik zelf een data audit doen?
Ja, je kunt zelf een data audit doen als je intern technische capaciteit hebt (SQL-kennis, profiling-ervaring) en AI-kennis. In de praktijk missen MKB-organisaties een van beide. Dan zijn externe specialisten efficient: zij hebben ervaring met andere audits, objectiviteit in oordeel en sneller een structuur. Zelf doen is vaak langzamer en levert onvollediger resultaten op. Een hybride aanpak werkt ook: externe specialist voor methodologie en rapport, interne data-engineer voor profiling-werk. Onze audits werken vaak op deze hybride manier en daar komen de beste resultaten uit.
Wat is het verschil tussen een data audit en een data assessment?
In de praktijk worden de termen vaak door elkaar gebruikt. Een data audit is doorgaans grondiger en meer compliance-georienteerd: een vastgelegd onderzoek met rapport. Een data assessment is vaak lichter en meer adviesgericht: snel inzicht voor beslisvorming. Voor de meeste MKB-organisaties is het onderscheid minder relevant dan de output: wat kom je uit de oefening? Als dat een scorekaart plus prioriteitenlijst is, maakt de naam minder uit. Wij leveren beide; bij ons is de keuze tussen "audit" en "assessment" vooral een keuze voor diepgang en dus budget.
Opgesteld met AI-ondersteuning door de redactie van Prometheus21, laatst bijgewerkt op . Hoe wij content maken
Data audit in context.
Aanpalende onderwerpen die bij een data audit aan de orde komen.
Verder lezen
- Kennisartikel
- Kennisartikel
Data schoonmaken voor AI: stap voor stap naar AI-ready data.
- Kennisartikel
Data audit laten uitvoeren?
In een gratis kennismaking bespreken we scope, bronnen en tijdsplan. Je krijgt een offerte en doorlooptijd. Binnen weken helder waar je data staat. Onderdeel van onze data kwaliteit-aanpak.
