Sluta städa all er data: fällan med generella datakvalitetsprojekt

Kvalitet spelar roll, men inte överallt

Det är sant att AI ställer högre krav på datakvalitet än det mesta som kom före. En modell som fattar beslut automatiskt förstärker fel i underlaget istället för att dämpa dem, vilket vi gick igenom i förra artikeln: ju närmare automatiserad handling, desto mindre tolerans för skräpdata.

Den sanningen leder ofta till fel slutsats i praktiken. Många organisationer möter kravet på bättre datakvalitet med ett generellt datakvalitetsprojekt: en satsning som ska städa, standardisera och kvalitetssäkra data brett över hela verksamheten, innan man ens vet vilket beslut datan faktiskt ska stödja. Det låter ansvarsfullt. Det är också, i de flesta fall, bortkastade pengar.

Dark data: det ingen pratar om

Anledningen handlar om hur mycket av företagens data som faktiskt aldrig används. Splunks globala undersökning bland över 1 300 IT- och affärsledare visar att 55 procent av organisationers data är så kallad dark data, det vill säga insamlad och lagrad, men aldrig analyserad eller använd till något. IBM, som refererar samma underlag, landar på att 60 procent av respondenterna uppskattar att hälften eller mer av deras data är dark data, och en tredjedel uppskattar andelen till 75 procent eller mer.

Dark data är, med Gartners definition, information som samlas in och lagras i den löpande verksamheten men som i regel aldrig används för något annat syfte: gamla loggfiler, tidigare versioner av dokument, information om anställda som slutat för länge sedan, formulärsvar som aldrig kopplades till en analys. Den finns där av gammal vana, för att lagring blivit billigt nog att aldrig behöva säga nej.

Koppla ihop de två sakerna: om 55–60 procent av er data aldrig används, och ett generellt kvalitetsprojekt per definition rör sig över all data, städar ni till stor del ett rum ingen någonsin går in i. Det är som att storstäda inför bjudning: dammsuga vinden ingen varit uppe på sedan 90-talet, skura garaget med den punkterade cykeln, kratta i skogen bakom huset, medan gästerna hela kvällen bara sitter kvar i vardagsrummet. Arbetet är fortfarande en kostnad. Det skapar bara inget värde alls.

Varför det känns rätt ändå

Generella datakvalitetsprojekt är lockande av tre skäl som alla är begripliga, men fel.

De känns rättvisa: att fokusera kvalitetsarbete på bara vissa system kan kännas som att välja favoriter internt, medan "vi städar allt" känns neutralt och rimligt att motivera i en styrgrupp.

De känns framtidssäkra: tanken att "vi vet inte vilken data vi kommer behöva imorgon, så bättre att allt håller hög kvalitet" är intuitiv, men den bortser från att kvalitetsarbete inte är en engångsinsats. Data som inte används tappar kvalitet igen så fort ingen längre underhåller den, vilket gör "framtidssäkringen" till ett löpande åtagande utan slutdatum.

De är lättare att sälja internt än det alternativ som faktiskt fungerar: ett smalt, användningsfall-drivet initiativ känns litet och oglamoröst jämfört med ett program som heter något i stil med "datakvalitet 2.0" och omfattar hela verksamheten.

Det som faktiskt fungerar: gå baklänges från beslutet

Rätt startpunkt är inte datan, det är beslutet eller den handling datan ska stödja. Precis som i modellen för data-till-handling vi gick igenom tidigare (deskriptiv, prediktiv, preskriptiv) skiljer sig kvalitetskravet dramatiskt beroende på vad datan faktiskt ska användas till. Ett internt dashboard tål betydligt sämre data än ett system som fattar automatiserade beslut.

Det ger en enkel testfråga innan ni startar ett kvalitetsinitiativ: vilket specifikt beslut, vilken specifik modell eller vilket specifikt system är det här arbetet till för? Om svaret är "generellt, för hela verksamheten", är det ett tecken på att arbetet bör brytas ner innan det startar, inte skalas upp.

Det här är också precis det som Data Asset-förmågan (en av de fem förmågorna vi gick igenom i artikeln om datavärde) egentligen handlar om: inte att all data håller hög kvalitet, utan att den data som faktiskt används går att hitta, lita på och applicera på rätt problem. Det är en helt annan, mycket smalare ambition än att städa allt, och den går faktiskt att uppnå.

Slutsatsen är inte att strunta i kvalitet

Poängen är inte att datakvalitet inte spelar roll. Poängen är att kvalitetsarbete som saknar en koppling till ett specifikt användningsområde är ett bedrägligt tryggt sätt att spendera pengar på 55–60 procent av er data som ändå aldrig kommer göra nytta. Nästa gång någon föreslår ett generellt datakvalitetsprojekt är den bästa frågan inte "hur mycket kostar det", utan "vilket beslut blir bättre av det här, och varför städar vi inte bara datan som beslutet faktiskt bygger på?"

Källor: "The State of Dark Data", Splunk (global undersökning, 1 300+ IT- och affärsledare); IBM, "What is dark data?" (refererar samma Splunk-underlag samt Gartners definition av dark data).