/
Alla artiklar

Bra lösningar

Sluta tvätta data i en hubb – ge källsystemen en spegel

Många organisationer lägger stora belopp på MDM-hubbar som i det tysta rättar felaktiga uppgifter. Men när hubben tvättar datat förblir källsystemen felaktiga och ansvaret försvinner. Kvaliteten förbättras först när den som matar in uppgifterna ser vilka verksamhetsregler som brutits och vem som ska rätta felet.

Av Jens Fahlén · Publicerad · 3 min läsning

Strukturmonstret – informationsmonstret som staplar byggblocken i ordning

Inledning

När en organisation upptäcker att informationen i systemen spretar – enheter saknar kostnadsställe, adresser är ofullständiga och gamla behörigheter ligger kvar – är en vanlig reaktion att köpa en central MDM-hubb eller bygga ett flöde som tvättar data.

Tanken är lockande: låt verksamhetssystemen ta emot det som matas in, så rättar vi till uppgifterna centralt innan de når rapporter och integrationer. Men när felen rättas i det tysta längre ner i kedjan märker den som matade in uppgiften aldrig att något blev fel.

1. Tvättmaskinen döljer felen

Traditionella MDM-hubbar tar emot uppgifter från källsystemen, slår ihop dubbletter, fyller i saknade värden och skickar vidare en ”gyllene post”. Ofta synkas den sedan tillbaka till källsystemen.

Det ser ut som ordning, men tre saker händer samtidigt:

Källsystemen förblir felaktiga: Ingen i HR- eller ekonomisystemet ser att uppgiften var fel, eftersom hubben rättade den någon annanstans.

Ansvaret flyttar: Felet blir integrationens problem i stället för källans. När en automatisk process går fel letar alla i hubben, inte där uppgiften skapades.

Förtroendet minskar: Uppgifterna i nedströms system ser plötsligt annorlunda ut än det handläggaren själv ser på sin skärm.

2. Utan synliga fel finns inget skäl att göra rätt

Om en HR-administratör kan spara en ny enhet utan baskostnadsställe, och en hubb i efterhand sätter ett standardvärde, kommer nästa enhet att sparas på samma sätt. Felet blir en del av arbetssättet.

Datakvalitet går inte att lägga ut på en central hubb. Den som skapar informationen behöver också få veta när den är fel – och ha möjlighet att rätta den där den uppstod.

3. Från procentsatser till verksamhetsregler

Många verktyg för datakvalitet mäter hur stor andel av fälten som är ifyllda: ”registret har 88 procent datakvalitet”. Siffran säger lite om vad som behöver göras, eller av vem.

Det som behövs är kontroller mot verksamhetsregler – regler som beskriver hur informationen ska hänga ihop. Några exempel ur biblioteket:

Baskostnadsställe (VR-ECO-002): Har varje enhet exakt ett baskostnadsställe? Om inte går fakturor och licenser inte att konteras automatiskt.

Processroller och engagemang (VR-PRC-003): Har någon kvar en processroll trots att engagemanget har upphört? Då kan personen fortfarande beställa eller attestera.

Identitet och konton (VR-IT-002, VR-IT-012): Finns det aktiva konton vars digitala identitet inte längre är aktiv, eller konton utan ägare med aktivt engagemang? Då finns en säkerhetslucka.

Varje regel säger både vad som är fel och varför det spelar roll. Det gör det möjligt att prioritera.

4. En spegel i stället för en tvättmaskin

Ett bättre verktyg tvättar inte uppgifterna. Det läser från källsystemen, prövar dem mot reglerna och visar resultatet för den som kan rätta felet – i källan.

I stället för en rapport med tusentals tekniska avvikelser till en arkitekt får rätt person ett begripligt besked:

Till enhetschefen: ”Två medarbetare har kvar rollen beställare trots att deras engagemang har upphört. Ta bort rollerna.”

Till HR: ”Enheten Hemtjänst Centrum saknar baskostnadsställe. Komplettera uppgiften i HR-systemet.”

Till ekonomi: ”Leverantören saknar GLN. Komplettera innan första fakturan betalas.”

Till IT: ”Funktionskontot för lönesystemet saknar ägare med aktivt engagemang.”

Samma regler kan också visa hur väl varje källa följer modellen över tid, och var felen oftast uppstår – vid nyanställning, omorganisation eller chefsbyte.

5. Varför verktygen sällan räcker

Det finns gott om verktyg för datakvalitet, observability och identitetsstyrning. De kan köra regler, men de levererar sällan reglerna själva. De vet inte vad en enhet, ett baskostnadsställe eller en processroll är.

Därför får organisationer ofta lägga mycket tid på att formulera reglerna innan verktyget gör nytta. Ett gemensamt regelverk med byggblock, nycklar och kodverk är den del som saknas – och den del som går att återanvända oavsett verktyg.

Slutsats: Kvalitet skapas vid källan

Att rätta uppgifter i efterhand i en hubb behandlar symtomen. En mer hållbar väg bygger på tre principer:

1. Beskriv verksamhetsregler för hur informationen ska hänga ihop.

2. Pröva källornas uppgifter mot reglerna automatiskt.

3. Visa felet för den som äger uppgiften, så att den rättas där den skapades.

Då blir kvalitetsarbetet en del av det vanliga arbetet i stället för ett separat projekt i en hubb.

Taggar

  • #masterdata
  • #datakvalitet
  • #MDM
  • #källprincip
  • #verksamhetsregler

Vad tyckte du om artikeln?