Dårlig datakvalitet forringer forsyningskæden
Dårlig datakvalitet i forsyningskæden kan i værste fald betyde mistede kunder. Det kan derfor undre, at mange virksomheder ikke arbejder struktureret med løbende at forbedre kvaliteten af deres data. Ifølge analysefirmaet Gartner Group er én af barriererne, at datakvalitet ofte opleves som et it-problem og ikke et fælles problem for hele organisationen.
Vi forberedte os længe og grundigt på projektforløbet, og da den store dag var kommet, og systemet gik i drift, forventede de fleste, at systemet ville køre som smurt i olie. Jeg husker ganske tydeligt, da jeg igangsatte den første MRP-beregning og spændt ventede på resultatet i form af en eventuel fejlliste.
Og fejllisten kom. Det i et omfang så jeg af hensyn til regnskovene ikke nænnede at printe den. Mængden af fejl var på det nærmeste uoverskuelig. Flere varer havde endnu flere varenumre. Kostpriserne var ikke blevet lagt korrekt ind i systemet. Varerne var ikke registeret på de korrekte lokationer osv.
Men hvad gik galt? I grunden nok det meste af dét som kunne gå galt. Og med risiko for at hive en gammel traver frem af stalden kan overskriften på situationen siges at være mangel på people, process and technology.
Da det var første gang i mands minde, at virksomheden implementerede nyt ERP-system, var der ikke skabt en kultur til kvalitetssikring af alle logistikdata. En kultur, som skal understøttes af nogle strukturerede processer, der sikrer, at tingene bliver testet, indtil der er systemmæssig bevisførelse for, at de er korrekte. Og sidst, men ikke mindst, har teknologien heldigvis udviklet sig markant siden, så de strukturerede processer kan understøttes af god software, som både kan minimere antallet af fejl og den mængde af manuelle ressourcer, der medgår til at sikre, at systemet fødes med korrekte og valide data, herunder processen med at overføre data fra ét system til et andet.
I det omtalte ERP-projekt blev mange data overført manuelt med en simpel manuel kontrol undervejs. Og de data, som blev overført automatisk ved brug af scripts, havde åbenlyst ikke de nødvendige elementer til kvalitetssikring som en integreret del af processen.
Kan skade leveringsevne
Når vi i dag hjælper virksomheder med at flytte data i forbindelse med implementering af nyt ERP- system, er det nærmest som at køre sin bil ind i vaskehallen nede på tanken. Først en grovskylning og så en storvask, der afsluttes med lidt polérvæske og en lækker tørring. Det er en fast defineret proces, som sikrer, at resultatet på den anden side bliver som forventet hver gang.
Sommetider kan man på en trist vintersøndag godt håbe på, at den gamle Toyota, som vi kører ind i vaskehallen, kommer ud som en ny og fin Audi. Men sådan er det hverken på tankstationen eller i forbindelse med datamigreringer. Der hverken kan eller skal laves grundlæggende om på produkter eller produktsammensætninger samtidig med, at der migreres data. Sådanne strukturelle ændringer forøger eksponentielt risikoen for fejl.
At data skal være af høj kvalitet, håber jeg, at mit indledende eksempel viser med al ønskelig tydelighed. Men eksemplet fortæller ikke så meget om konsekvenserne af ringe datakvalitet gennem værdikæden i virksomheden.
I værste fald kan konsekvensen være, at virksomheden simpelthen ikke er i stand til at levere varer til sine kunder. Mange kan desværre nok nikke genkendende til situationen: vi troede, vi havde 500 på lager, men havde kun 200. Og manglende leveringsevne kan meget vel og relativt hurtigt føre til sure miner hos kunderne og i værste fald, at kunden vælger at forlade butikken.
Et andet eksempel på konsekvenser af dårlig datakvalitet er, at ledelsesrapporteringen i virksomheden bliver utroværdig. Og når det ikke længere er muligt at stole på den information, som skal danne grundlag for vigtige beslutninger, begynder de potentielle konsekvenser hurtigt at tårne sig op til en særdeles ubehagelig størrelse.
Oplever dårlige data som it-problem
Værdikæden i relation til datakvalitet strækker sig helt fra leverandørdata til detaljerede kundedata. Et graverende eksempel på at dårlig datakvalitet i dette tilfælde CRM-data kan få en kunde til at forlade butikken, oplevede jeg for nogle år siden, hvor en virksomhed skulle udsende en kampagne per brev til deres kunder.
Én af kunderne bar navnet Svend Nielsen. På grund af mangelfulde processer og teknologisk understøttelse var dette blevet til Sved Nielsen, da han modtog brevet. Det er svært at fortænke den stakkels mand i, at han reagerede på dette. Ikke mindst set i lyset af at dagens systemer til vask og rens af data nærmest per automatik afslører og opfordrer til korrektion af denne type af fejl.
Derfor kan det også undre, at der ikke er flere virksomheder, som arbejder struktureret med løbende at forbedre kvaliteten af deres data. Ifølge analysefirmaet Gartner Group er én af barriererne, at i alt for mange virksomheder opleves datakvalitet som et it-problem og ikke som et fælles problem for hele organisationen.
Som tidligere nævnt er en væsentlig forudsætning for at lykkes på den lidt længere bane, at både medarbejdere, processer og it er på plads. Og meget ofte kan der opnås mange væsentlige forbedringer helt uden at inkludere softwaresystemer, men ved at arbejde med holdninger og arbejdsgange. Al erfaring peger dog også på, at har virksomheden mange data, er det en forudsætning, at arbejdet relativt hurtigt understøttes af it.
Svære beregninger
En anden barriere, som kan stå i vejen for at komme godt i vej med datakvalitetsprojekter, er, at det kan være svært at opstille en skarp og præcis business case på de nødvendige investeringer i ressourcer og teknologi. Det kræver, at der gennemføres beregninger og estimater på, hvad det eksempelvis koster at miste en kunde, eller hvad det koster ikke at være i stand til at levere en ordre til en kunde.
Ud over disse relativt konkrete forhold kan der også medtages forhold såsom virksomhedens image. Her bliver det straks mere vanskeligt at sætte kroner og øre på fordelene ved god datakvalitet. Men når dagen er omme, bør langt de fleste beslutningstagere blot ved brug af almindelig sund fornuft kunne finde mange og gode argumenter for, at der skal arbejdes struktureret med sikring af kvaliteten af virksomhedens data.
