Slechte datakwaliteit herken je aan vier concrete signalen: dubbele records, verouderde gegevens, ontbrekende velden en inconsistente definities tussen systemen. Voor organisaties die met AI aan de slag willen, is dit geen technisch detail maar een fundamentele blokkade. De vragen hieronder helpen je beoordelen hoe je huidige data ervoor staat en wat je moet aanpakken voordat je een AI-project opstart.
Welke signalen wijzen op slechte datakwaliteit in bestaande systemen?
Slechte datakwaliteit in bestaande systemen herken je aan dubbele klantrecords, velden die structureel leeg blijven, waarden die per afdeling anders worden ingevuld en bronnen die onderling tegenstrijdige informatie bevatten. Deze signalen zijn vaak al jaren aanwezig, maar worden pas zichtbaar als je de data actief wilt gebruiken voor analyses of geautomatiseerde beslissingen.
Praktische waarschuwingstekens die je direct kunt controleren:
- Hetzelfde bedrijf of dezelfde persoon staat meerdere keren in je CRM of ERP, met kleine variaties in naam of adres
- Rapporten uit verschillende systemen geven andere totalen voor dezelfde periode
- Medewerkers vertrouwen een export niet en controleren handmatig na
- Niemand weet precies wie verantwoordelijk is voor een specifieke dataset
- Definities van begrippen als “actieve klant” of “omzet” verschillen per team
Dit soort problemen ontstaat geleidelijk. Systemen worden uitgebreid, koppelingen worden gebouwd zonder formele afspraken, en data-eigenaarschap verschuift zonder dat dit wordt vastgelegd. Het resultaat is een datalandschap dat voor dagelijkse rapportage nog acceptabel functioneert, maar voor AI-toepassingen onbetrouwbaar is.
Waarom levert slechte datakwaliteit juist bij AI grotere problemen op dan bij traditionele software?
Bij traditionele software geeft slechte data een foutmelding of een leeg veld, wat een mens direct opmerkt. Een AI-systeem doet dat niet: het presenteert een onjuist antwoord met exact dezelfde stelligheid als een correct antwoord. Dat maakt de schade moeilijker te detecteren en potentieel groter van omvang.
Traditionele software voert een vaste actie uit op basis van expliciete regels. Als een veld ontbreekt, stopt het proces of verschijnt er een foutmelding. Een AI-model of een agentic systeem redeneert op basis van patronen in data en vult gaten in met aannames. Die aannames zijn niet zichtbaar voor de gebruiker en worden niet gemarkeerd als onzeker.
Daar komt bij dat AI-systemen fouten uit de brondata versterken naarmate ze meer lagen verwerken. Een verouderd klantadres leidt in een traditioneel systeem tot een mislukte verzending. Diezelfde verouderde data in een AI-systeem dat klantgedrag voorspelt, trekt de uitkomsten van honderden of duizenden beslissingen scheef, zonder dat dit direct zichtbaar wordt in een dashboard.
McKinsey omschrijft betrouwbare data als “the lifeblood of AI”. Dat is geen metafoor: een AI-agent heeft geen eigen waarneming en ziet de organisatie uitsluitend via de data die hem wordt aangeleverd. Is die data vervuild of onbeheerd, dan versterkt elke verwerkingsstap daarboven de oorspronkelijke fout.
Wat zijn de meest voorkomende oorzaken van slechte datakwaliteit in middelgrote organisaties?
De meest voorkomende oorzaken van slechte datakwaliteit in middelgrote organisaties zijn het ontbreken van formeel data-eigenaarschap, stilletjes veranderde brondefinities, onbeheerde koppelingen tussen systemen en het gebrek aan geautomatiseerde validatie bij invoer. Technische schuld speelt een rol, maar organisatorische onduidelijkheid is vrijwel altijd de diepere oorzaak.
Organisatorische oorzaken
In veel middelgrote organisaties is niemand expliciet verantwoordelijk voor de kwaliteit van een specifieke dataset. Data-eigenaarschap is impliciet belegd bij de afdeling die het systeem het meest gebruikt, maar dat betekent niet dat die afdeling ook actief bewaakt of definities kloppen en gegevens actueel blijven. Wanneer een definitie verandert, bijvoorbeeld wat telt als een “actieve klant”, wordt dat zelden formeel vastgelegd en gecommuniceerd naar andere afdelingen die dezelfde data gebruiken.
Technische oorzaken
Systemen worden in de loop van jaren uitgebreid en gekoppeld zonder dat de onderliggende datacontracten worden bijgehouden. Een koppeling die vijf jaar geleden werd gebouwd, gaat uit van een veldstructuur die sindsdien meerdere keren is gewijzigd. Invoervalidatie ontbreekt of is minimaal, waardoor foutieve waarden onopgemerkt de database in gaan. Migraties van legacy-systemen nemen historische fouten mee zonder opschoningsstap.
Hoe meet je de datakwaliteit van je huidige datasets concreet?
Je meet datakwaliteit concreet door vijf dimensies te beoordelen: volledigheid, nauwkeurigheid, consistentie, tijdigheid en uniciteit. Voor elke dimensie stel je een meetbare norm vast en vergelijk je de werkelijke toestand van je dataset met die norm. Dit levert een concreet beeld op van waar de risico’s zitten.
Een praktische aanpak per dimensie:
- Volledigheid: Welk percentage van verplichte velden is ingevuld? Kies vijf tot tien velden die voor een AI-toepassing noodzakelijk zijn en tel het aandeel lege of nullwaarden.
- Nauwkeurigheid: Kloppen de waarden met de werkelijkheid? Neem een steekproef van een representatieve subset en vergelijk handmatig met een betrouwbare referentiebron.
- Consistentie: Worden dezelfde begrippen in alle systemen op dezelfde manier gedefinieerd en opgeslagen? Vergelijk waarden voor hetzelfde gegeven in twee of meer systemen.
- Tijdigheid: Hoe oud zijn de gegevens gemiddeld? Stel een maximale toegestane leeftijd vast voor kritieke velden en meet het aandeel records dat die grens overschrijdt.
- Uniciteit: Hoeveel dubbele records bevat de dataset? Voer een deduplicatieanalyse uit op sleutelvelden zoals naam, e-mailadres of klantnummer.
Voor een eerste meting hoef je geen uitgebreide tooling in te zetten. Een combinatie van SQL-queries op je bronsystemen en een gestructureerde steekproef geeft al voldoende inzicht om te bepalen of je data gereed is voor een AI-toepassing of dat er eerst opschonings- en governancework nodig is.
Wanneer is je data goed genoeg om met AI te starten?
Je data is goed genoeg om met AI te starten wanneer de voor het gebruiksgeval relevante velden voor meer dan 90 procent gevuld zijn, definities consistent zijn vastgelegd, er een aangewezen eigenaar is per dataset en er een proces bestaat om fouten te signaleren en te corrigeren. Perfecte data bestaat niet, maar beheerste data wel.
De drempelwaarde verschilt per type AI-toepassing. Een model dat klantverloop voorspelt heeft andere eisen aan datavolledigheid dan een systeem dat inkooporders automatisch verwerkt. Stel jezelf de volgende vragen om de gereedheid te beoordelen:
- Zijn de velden die het model nodig heeft voldoende gevuld en actueel?
- Is er een formele definitie beschikbaar voor elk sleutelbegrip in de dataset?
- Weet je wie verantwoordelijk is als een datapunt onjuist blijkt?
- Is er een mechanisme om de kwaliteit van nieuwe data te bewaken, niet alleen historische data?
- Zijn de pipelines die data aanleveren aan het AI-systeem gedocumenteerd en getest?
Als je op de meeste van deze vragen “nee” antwoordt, is het verstandig om eerst een beperkte scope te kiezen: een enkel gebruiksgeval met een overzichtelijke dataset, waarbij je tegelijkertijd de governance opbouwt die je later nodig hebt voor bredere uitrol. Bekijk welke oplossing bij jou past om gericht aan de slag te gaan.
Wie is verantwoordelijk voor datakwaliteit in aanloop naar een AI-project?
Datakwaliteit in aanloop naar een AI-project is een gedeelde verantwoordelijkheid, maar vereist een duidelijke eigenaar per dataset. In de praktijk betekent dit dat een Data Owner of Data Steward de definitie en kwaliteitsnormen bewaakt, terwijl een Data Quality Engineer de technische validatie inricht en een Data Engineer de pipelines beheert die data aanleveren aan het AI-systeem.
De rolverdeling die in de praktijk werkt:
- De Data Owner is eindverantwoordelijk voor de inhoudelijke juistheid van een dataset en stelt de normen vast voor volledigheid en versheid.
- De Data Steward bewaakt de dagelijkse naleving van die normen en is het aanspreekpunt bij afwijkingen.
- De Data Quality Engineer bouwt geautomatiseerde validatieregels en monitort de kwaliteit van inkomende data.
- De Data Engineer zorgt dat pipelines de afgesproken datacontracten respecteren en signaleert wanneer bronsystemen wijzigen.
- De IT-manager of operationeel directeur borgt dat deze rollen formeel zijn belegd en dat er een escalatiepad bestaat bij structurele dataproblemen.
Een veelgemaakte fout is om datakwaliteit als een IT-verantwoordelijkheid te behandelen terwijl de inhoudelijke definities bij de business liggen. Zonder een expliciete koppeling tussen beide ontstaan er stilletjes veranderende brondefinities die pas worden ontdekt wanneer een AI-systeem onverwacht gedrag vertoont. Formele datacontracten, schriftelijke afspraken tussen producenten en consumenten van data over velden, versheid en verantwoordelijkheid, voorkomen dit. Een gestructureerde aanpak hiervoor biedt het AI Foundationsmodel voor AI-gereedheid.
Hoe we je helpen met datakwaliteit voor AI
Veel organisaties weten dat hun data niet perfect is, maar weten niet precies waar de risico’s zitten of hoe ze die gestructureerd aanpakken. Dat is het probleem dat we oplossen: we brengen je in contact met de juiste data-specialisten die concreet kunnen beoordelen waar je data nu staat en wat er nodig is om AI verantwoord in te voeren.
Via DataConnected heb je toegang tot een zorgvuldig geselecteerd netwerk van data-professionals, waaronder Data Quality Engineers, Data Stewards, Data Engineers en Data Catalog Specialisten. Afhankelijk van je vraagstuk matchen we je met de specialist of het team dat past bij jouw situatie, zonder hoge marges of lange doorlooptijden.
Wat we concreet voor je kunnen doen:
- Een datakwaliteitsscan uitvoeren op je meest kritieke datasets
- Datacontracten en eigenaarschapsstructuren opzetten
- Geautomatiseerde validatieregels en monitoring inrichten
- Begeleiden bij de stap van datakwaliteit naar een werkende AI-toepassing
Wil je weten hoe je huidige data ervoor staat en welke stappen nodig zijn om AI verantwoord in te voeren? Neem contact op en we bespreken samen wat er nodig is.