Gemeenten nemen dagelijks honderden beslissingen op basis van data: van inburgering tot vergunningverlening en van maatschappelijke ondersteuning tot de BAG. Maar hoe weet je zeker dat die data klopt? De organisatie is hiervoor aan zet (datamanagement). Maar hoe zet je dit praktisch op? De NORA-aanpak voor gegevenskwaliteit biedt een helder raamwerk. In dit artikel maken we het theoretische raamwerk, nog een stukje praktischer, zodat je er nog makkelijker in je eigen organisatie mee aan de slag kan gaan. 

 NORA Stappenplan Gegevenskwaliteit 

1. 1. Start met creëren van waarde

      Start niet groot, maar slim. Kies één dataset of proces waar fouten echt pijn doen: risico’s voor inwoners, financiële impact of externe verantwoordingsplicht. Door scherp te kiezen wordt het project behapbaar en de kans op succes groter. En het belangrijkste: datakwaliteit zorgt hiermee voor meerwaarde en wordt geen doel op zichzelf.
      Tip: Laat de business zelf bepalen wát belangrijk is — dan ontstaat eigenaarschap.

   2. Maak je gegevens glashelder

      Beschrijf samen met beleidsmedewerkers, uitvoering, functioneel beheer en dataexperts:

• • wat elk gegeven betekent; 
  • waar het vandaan komt; 
  • wie het invoert; 
  • wanneer het moet worden ingevuld; 
  • hoe systemen en bronnen samenhangen; 
  • wie gebruik maakt van een gegeven.
    Dit zorgt voor een gedeeld beeld én voorkomt dat kwaliteit wordt gezien als een “IT-probleem”. Ook kan je hierdoor nog scherper keuzes maken waar datakwaliteit meten waarde toe gaat voegen en waar niet. 

1. 3. Zet heldere kwaliteitseisen neer

De NORA kent 9 kwaliteitsdimensies, uitgewerkt naar 32 kwaliteitsattributen. Als de business hiermee aan de slag gaat, is de kans groot dat men verzuipt. Voor de meeste vraagstukken is het voldoende om de volgende twee vragen gezamenlijk te beantwoorden: 

• • Wanneer moet het gegeven ingevuld zijn (en hoe herkennen we dit geautomatiseerd)?  
  • Hoe herkennen we dat het ingevulde gegeven klopt? Maak een waar/niet waar bewering. 

 Voorbeelden: 

• • “adres verplicht bij start aanvraag”; 
  • “besluitdatum moet gevuld zijn na vergunningverlening”; 
  • “gezaghebber is ingevuld als aanvrager  <18 jaar”. 

Door eerst alleen regels te kiezen die automatisch gecontroleerd kunnen worden, ontstaat schaalbaarheid zonder extra werkdruk. Zet alleen handmatige controles in als automatisering niet kan én foutieve invoer een te groot risico vormt.
Gebruik vooral de NORA ter inspiratie of als bovenstaande vragen niet tot gewenste datakwaliteitsnormen leiden. 

1. 4. Maak kwaliteit zichtbaar

De opgestelde criteria uit stap 3 moeten meetbaar gemaakt worden. Niet één keer, maar structureel, zodat datakwaliteit structureel gemeten kan worden. Een geautomatiseerd datakwaliteitsrapportage of dashboard is hiervoor cruciaal.
Een rapportage/dashboard maakt de kwaliteit van gegevens concreet, visueel en bespreekbaar. Denk aan: 

• • waar in het proces ontstaan fouten?
  • welke gegevens moeten gecorrigeerd worden?

Technisch schaalbaar maken kan met:

• • DWH-templates voor het verwerken van kwaliteitsregels;
  • gestandaardiseerde BI-rapportages;
  • gespecialiseerde datakwaliteit-applicaties. 

5. Schoon op

   Uit de analyse blijkt welke data concreet opgeschoond moeten worden. Maak opschonen concreet: wie corrigeert welke gegevens, wanneer, en met welke ondersteuning.
   Uitvoering voert uit, functioneel beheer ondersteunt, de dataeigenaar blijft verantwoordelijk voor voortgang en besluitvorming. 

6. Continue verbeteren

Opschonen is goed — maar voorkomen is beter. Analyseer daarom:

• • waarom worden gegevens niet, niet goed of niet op tijd ingevoerd?
  • welke processtap of applicatiefunctie veroorzaakt fouten? 

Verbeter daarna structureel:

• • verplichte velden, keuzelijsten, betere schermopbouw; 
  • betere werkinstructies, opleidingen, inwerkprogramma’s; 
  • procesoptimalisatie; 
  • overleg met leveranciers over doorontwikkeling. 

Beheer gebeurt via een PDCA-cyclus: periodiek meten, bespreken, bijsturen. Zo wordt gegevenskwaliteit een leefproces in de organisatie — niet een eenmalig project. Tegelijkertijd borg je in deze fase hoe dagelijks/wekelijks signalen over foutieve data worden afgehandeld.

Aan de slag

Met deze stappen kan je een concrete stap maken in de gegevenskwaliteit van je organisatie. Pak het op als zelfstandig project of als onderdeel van bijvoorbeeld een dataproject. Enkele praktische tips hebben we in eerdere artikelen geschreven. Ga aan de slag, pas aan waar nodig, en creëer zo concrete waarde met verbeterde datakwaliteit in je bedrijfsproces. 

Meer weten?

 Voor meer informatie kun je contact opnemen met Tim van der Pol via de contactpagina.