Datakwaliteit meten en verbeteren: regels, scores en dashboards

Meet productdatakwaliteit met regels die het PIM-systeem automatisch controleert, en stuur op een paar scores die iedereen begrijpt. Gebruik zes dimensies als kader, maak elke dimensie concreet in validatieregels, bereken een completeness-score per kanaal en taal en blokkeer publicatie onder een afgesproken drempel. Een maandelijks dashboard en een vaste verbetercyclus zorgen dat de kwaliteit niet terugzakt.

Waarom kwaliteit telt voor conversie en retouren leest u in productdatakwaliteit. Dit artikel gaat over het meten en verbeteren zelf.

Welke dimensies van datakwaliteit meet u?

In de literatuur over datakwaliteit circuleren honderden dimensies; het Wikipedia-overzicht noemt bijna 200 termen, met weinig overeenstemming over definities. Voor productdata werken zes dimensies goed, omdat u ze elk in een controleerbare regel kunt vertalen.

Welke validatieregels stelt u in?

Een validatieregel is een controle die het PIM-systeem uitvoert bij import, bij bewerking en vlak voor publicatie. Leg elke regel vast met dimensie, ernst en actie. Onderstaande regels zijn een startset; de grenswaarden zijn voorbeelden die u per assortiment bepaalt.

Twee aandachtspunten. Het GTIN-controlecijfer berekent u volgens de methode van GS1: vermenigvuldig de cijfers van rechts naar links (zonder het controlecijfer) afwisselend met gewichten 3 en 1, tel de uitkomsten op en trek de som af van het eerstvolgende gelijke of hogere tienvoud. Een geldig controlecijfer bewijst alleen dat de code goed is getypt; of hij bij het juiste product hoort, controleert u bij de leverancier. En bij een wijziging van een fysieke afmeting of het brutogewicht van meer dan 20 procent schrijven de GS1-regels een nieuwe GTIN voor. Laat het PIM-systeem zulke wijzigingen signaleren.

Verplichte wettelijke informatie hoort ook in uw regels. Denk aan productveiligheidsinformatie onder de GPSR of allergenen bij levensmiddelen.

Hoe berekent u een completeness-score?

Een completeness-score is het aandeel verplichte attributen dat is ingevuld. Bereken de score per product, per kanaal en per taal, want elk kanaal heeft andere verplichte velden.

Rekenvoorbeeld: een bureaustoel heeft voor de eigen webshop 20 verplichte attributen, waarvan 17 gevuld. Score webshop: 17 / 20 = 85 procent. Voor bol zijn 24 attributen verplicht, waarvan 18 gevuld: 75 procent. De Duitse vertaling ontbreekt, dus voor het Duitse kanaal is de score lager.

Werk met twee lagen:

1. Harde score: alleen de verplichte velden. Koppel daar een publicatiedrempel aan, bijvoorbeeld 100 procent voor blokkerende velden.
2. Zachte score: verplichte plus aanbevolen velden. Gebruik die om verrijkingswerk te prioriteren.

Hoe kiest u de drempels?

Er bestaat geen algemene norm voor een goede score; drempels zijn een afspraak tussen de data-eigenaar en de kanalen. Een werkbare aanpak (indicatief):

• Blokkerende velden voor een kanaal: altijd 100 procent, anders gaat het product niet live.
• Aanbevolen velden voor hardlopers en nieuwe introducties: een hoger doel dan voor de lange staart van het assortiment.
• Nieuwe kanalen of talen: start met een lager doel en verhoog dat per kwartaal.

Leg elke drempel vast met de reden en de eigenaar, zodat een team weet waarom een product wordt tegengehouden. Pas een drempel alleen aan via het governance-overleg.

Een hoge completeness-score met foute waarden is waardeloos. Rapporteer daarom altijd ook het percentage producten dat alle validatieregels doorstaat.

Wat hoort er op een datakwaliteitsdashboard?

Een dashboard voor productdatakwaliteit toont trends en aanwijsbare oorzaken. Neem minimaal deze onderdelen op:

• Gemiddelde harde completeness-score per kanaal en per taal, met trend over de laatste maanden.
• Percentage producten dat alle blokkerende regels doorstaat.
• Top tien regels met de meeste overtredingen.
• Score per productfamilie en per leverancier, om de bron van fouten te vinden.
• Aantal producten per workflowstatus en de gemiddelde doorlooptijd tot publicatie.

Leveranciersdata is vaak de grootste bron van fouten. Meet daarom per leverancier en geef gerichte feedback, zoals beschreven in leveranciersdata onboarden. Voor gegevens in GS1 Data Source biedt GS1 Nederland een Data Quality Membership met rapportages en advies, en met GS1 Data SelfCheck kunnen bedrijven zich laten certificeren om logistieke of labelinformatie zelf te controleren.

Hoe verbetert u datakwaliteit structureel?

Gebruik een vaste cyclus van vijf stappen:

1. Meet de uitgangssituatie met scores en regelrapporten.
2. Analyseer de oorzaak. Een structurele oorzaak zit in het datamodel of de bron (een ontbrekend attribuut, een slechte leveranciersfeed). Een operationele oorzaak zit in het proces (verrijking niet afgerond).
3. Verbeter gericht: een verrijkingssprint per familie, een aangepaste importmapping of een nieuwe keuzelijst.
4. Controleer of de scores stijgen en het aantal overtredingen daalt.
5. Borg het resultaat in een strengere regel, een aangepaste workflowstap of een afspraak met de leverancier.

Kwaliteit wordt pas een prioriteit als iemand erop wordt aangesproken. Leg eigenaarschap en drempels vast in uw governance en koppel de drempels aan de overgangen in uw workflows.

Belangrijkste punten

• Meet productdata langs zes dimensies en vertaal elke dimensie naar controleerbare regels.
• Leg per regel dimensie, ernst en actie vast, en laat regels draaien bij import, bewerking en publicatie.
• Bereken completeness per product, kanaal en taal, en rapporteer daarnaast het percentage producten dat alle regels doorstaat.
• Valideer GTIN's op lengte, controlecijfer en uniciteit, en signaleer wijzigingen die volgens GS1 een nieuwe GTIN vereisen.
• Verbeter in een vaste cyclus en borg elke verbetering in een regel, workflow of leveranciersafspraak.