Stamdata og transparens: Omkostningerne ved at gøre ingenting er både skjulte og enorme

I mange organisationer bliver dårligt stamdata eller masterdata stadig betragtet som en sten i de operationelle sko snarere end en strategisk udfordring. Det er noget, der foregår nede i maskinrummet, derude på lageret, i kundeservice, på produktionsgulvet, i indkøbsafdelingen og så videre. Bag kulissen og scenetæppet derude i mørket.

Det medfører, at Master Data Management (MDM) ofte ikke bliver tildelt tilstrækkelig opmærksomhed – eller i mange tilfælde faktisk slet ikke bliver prioriteret. Dette fører til, at teams arbejder rundt om problemet i stedet for at tackle rodårsagen: at rette fejl, udligne inkonsistenser og kompensere for mangler. Selvom dette måske holder driften i gang på kort sigt, er det ikke en bæredygtig tilgang. Det mener Karim Iskandar, som er CEO International & Managing Director, Syndigo. Han har mange års erfaringer med digitale systemer med ledelsesroller i forskellige software-, teknologi- og forskningsvirksomheder – og hjulpet dem med at lancere, skalere og vokse hurtigt på internationalt plan.

”Det bliver særligt kritisk, når virksomheder accelererer digitale initiativer, udvider sig på tværs af kanaler og investerer i AI. I disse miljøer er pålidelige og konsistente masterdata ikke noget, man kan fravælge – de er absolut fundamentale. Dårlige data påvirker i ekspansionsfaser direkte vækst, risikoeksponering og beslutningstagning. Hvad der tidligere var et ’baggrundsproblem’, er blevet forretningskritisk – og en omkostningsfaktor”, fortæller han.

De skjulte omkostninger ved dårlige masterdata

En af de største udfordringer er ifølge Karim Iskandar, at omkostningerne ved dårlige masterdata sjældent er synlige. De optræder ikke som en tydelig post på budgettet. I stedet akkumuleres de gennem utallige små, men vedvarende ineffektiviteter, der er indlejret i processer og teams – og som ofte accepteres som en del af ’sådan fungerer tingene’. I virkeligheden taber organisationer betydelige mængder tid hver uge på at rette, validere og udligne data. Ifølge Gartner bruger teams 15 til 20 procent af deres arbejdstid på datakorrektion og relaterede aktiviteter, hvilket løber op i millioner i produktivitetstab hvert år.

Han fremhæver, at konsekvenserne af ufuldstændigt eller inkonsistent data – ofte på tværs af systemer og kanaler – går langt ud over operationel ineffektivitet:

• Produktlanceringer forsinkes.
• Kunder mister tillid.
• Regulatorisk rapportering bliver mere kompleks og fejlbehæftet.
• Alt dette har i sidste ende en direkte effekt på den økonomiske præstation.

Nye udviklinger forstærker problemet

Isoleret set kan disse problemer virke håndterbare. Men i kombination skaber de betydelige og løbende omkostninger. Disse effekter er ovenikøbet dynamiske og ikke statiske, og det gør situationen blot endnu mere kritisk. Karim Iskandar peger på, at effekterne tværtimod forstærkes af flere strukturelle udviklinger som for eksempel:

• AI og automatisering: AI og automatisering stiller fundamentalt nye krav til datakvalitet og -struktur. Modsat almindelige antagelser er det sjældent algoritmerne, der er årsagen, når AI-initiativer mislykkes. Ofte går de i stå, fordi de underliggende data er inkonsistente, ufuldstændige eller dårligt strukturerede. Mens mennesker kan tolke ufuldstændig eller forkert information, kan AI-systemer det ikke. Overvej et produkt, der er kategoriseret som ’udendørs’ i et e-handelssystem, men som ’sportsudstyr’ i et ERP-system. Et menneske ville måske forstå, at disse kategorier ikke nødvendigvis udelukker hinanden. For et AI-system skaber denne inkonsistens imidlertid tvivl. I AI-drevne prognose- eller prismodeller kan dette føre til forskellige beregninger af efterspørgsel og indtægter – og dermed direkte påvirke planlægning og prisstrategier. AI-systemer er afhængige af eksplicitte, veldefinerede datastrukturer for at levere pålidelige resultater. Uden dette fundament kæmper selv veldesignede modeller med at skabe værdi.
• Agentbaseret handel (Agentic Commerce): Denne dynamik bliver særligt tydelig i nye miljøer som ’agentbaseret handel’, hvor AI-systemer aktivt udvælger, evaluerer og anbefaler produkter baseret på tilgængelige data. Her medfører manglende attributter eller inkonsistente klassificeringer ikke blot nedsat ydeevne – de kan forhindre produkter i at blive vist overhovedet. Dataproblemer, der tidligere kunne omgås, har nu en direkte og ofte øjeblikkelig indvirkning på forretningsresultaterne.
• Regulatorisk og markedsmæssigt pres: Samtidig stiger det regulatoriske og markedsmæssige pres. Forventningerne til produktgennemsigtighed, bæredygtighedsrapportering, mærkning og sporbarhed bliver strengere – og håndhæves mere konsekvent. At opfylde disse krav afhænger af konsistent, velstyret data. Uden dette bliver overholdelse reaktiv, manuel og stadig mere risikofyldt.
• Hastighed som konkurrenceparameter: Endelig er hastighed blevet en afgørende konkurrenceparameter. Organisationer forventes at bringe produkter hurtigere på markedet, reducere tid til (digital) hylde, integrere partnere hurtigere og træffe beslutninger i næsten realtid. Inkonsistent masterdata bremser alle disse processer og virker i stigende grad som en direkte begrænsning for vækst.

Derfor mangler stamdata stadig strategisk prioritet

På trods af disse udviklinger kæmper mange organisationer stadig med at behandle masterdata som en strategisk prioritet. Det skyldes ofte vedvarende antagelser i stil med: At masterdata primært er et IT-emne, at fordelene først realiseres på lang sigt eller at styring introducerer unødig kompleksitet.

”I praksis er det modsatte sandt. Uden tydeligt ejerskab og struktureret styring kan dataproblemer ikke løses bæredygtigt. I stedet vokser de med organisationen. Når virksomheder udvider sig til nye markeder, introducerer yderligere systemer og øger deres operationelle kompleksitet, formerer antallet af inkonsistens sig og bliver sværere at håndtere. Værre endnu: Disse udfordringer opstår ikke isoleret. De forstærker hinanden og skaber en cykel af ineffektivitet, der bliver stadig sværere at bryde”, fortæller han.

På dette tidspunkt mener han, der tegner sig et klart billede: At gøre ingenting inden for Master Data Management er ikke en holdbar mulighed. Masterdata er en strategisk faktor – og derfor et ansvar på direktionsniveau. 

Læs også: Fysiske arbejdskrav presser ældre medarbejdere hårdest

Fra skjulte omkostninger til målbare værdier

Organisationer, der med succes tackler masterdata, tager en fundamentalt anderledes tilgang. I stedet for at starte med teknologi begynder de med at identificere, hvor dårligt data skaber friktion i forretningen – og hvad denne friktion koster. De analyserer, hvor tid tabes, hvor processer forsinkes, og hvor risici opstår. På baggrund heraf knytter de forbedringer af masterdata direkte til målbare resultater, såsom:

• Reducerede driftsomkostninger,
• Hurtigere tid til markedet,
• Forbedret overholdelse af regler,
• Bedre underbyggede beslutninger.

Et centralt styret og velgovernet masterdata-fundament muliggør konsistent og pålidelig information på tværs af systemer og teams. Det reducerer gentagne operationelle indsatser, minimerer manuelle korrektioner, understøtter automatisering og skaber det strukturelle grundlag for skalérbare AI- og digitale initiativer. I denne kontekst handler masterdata-management ikke om at vedligeholde data. Det handler om at forbedre, hvordan organisationen præstere

Stamdatastyring er ikke en teknisk opgradering

Det centrale spørgsmål i dag er ifølge Karim Iskandar ikke længere, om bedre stam- eller masterdata ville være fordelagtigt. Det er, om organisationer ’har råd til at fortsætte med at operere på fragmenterede, ikke-fremtidssikrede datastrukturer’. Dette er endnu mere kritisk, da strukturelle svagheder ikke forbliver statiske – de vokser med organisationen.

Han afslutter: ”Af denne grund er masterdata ikke længere blot et it-emne. Stamdatastyring er en forretningsbeslutning med direkte effekt på præstation, risiko og vækst. Det er blevet en forudsætning for operationel effektivitet, regulatorisk sikkerhed og bæredygtig vækst. Organisationer, der tackler dette tidligt, omdanner data fra en potentiel begrænsning til en bæredygtig konkurrencefordel”.