Vurder datakvalitet og modenhet

Arbeidet med datakvalitet utvikler seg ofte stegvis. Mange virksomheter starter med enkeltstående tiltak og beveger seg gradvis mot en mer systematisk og helhetlig tilnærming. Dette kan beskrives som en modenhetstrapp.

Modenhetstrappen

Modenhetstrappen har fem trinn. Den viser hvordan arbeidet med datakvalitet kan utvikle seg fra tilfeldig og lite strukturert håndtering til kontinuerlig forbedring. Jo høyere modenhet desto bedre kontroll på dataene, og desto bedre grunnlag for å utvikle og bruke KI-systemer.

Du kan bruke modenhetstrappa som et enkelt refleksjonsverktøy som kan gi en indikasjon på hvor dere er i dag og hvilke forbedringer dere bør prioritere videre:

• Har dere felles prinsipper for datakvalitet?

• Måler dere kvalitet systematisk?

• Er det tydelig hvem som har ansvar for dataene?

• Er dataene dokumentert og forståelige for andre?

Målet er ikke å nå høyeste nivå med en gang. Start med å forstå hvor dere er og ta ett steg av gangen. Små forbedringer i datakvalitet kan gi stor effekt på resultatene i KI-systemet.

De to første trinnene

På de laveste nivåene håndteres ofte data ad hoc, for eksempel i enkeltprosjekter eller når det oppstår behov. Dette gir ofte ujevn kvalitet og gjør det vanskelig å gjenbruke data eller forstå hvordan de er blitt til. Resultatet kan bli ustabile og lite pålitelige KI-løsninger.

Det tredje trinnet

Etter hvert som modenhet øker, etableres felles begreper, prinsipper og rutiner. Datakvalitet måles og følges opp, roller og ansvar blir tydeligere. På dette nivået blir dataene mer forståelig og konsistente, det blir enklere å vurdere om de er egnet til bruk i KI-systemene.

For de fleste virksomhetene er dette et viktig mål. Når datakvalitet håndteres systematisk får du et mer stabilt og pålitelig grunnlag for analyse og KI. Risiko for feil og skjevheter reduseres og det blir lettere å forklare og etterprøve resultatene.

Trinn fire og fem

På de høyeste nivåene er datakvalitet tett koblet til virksomhetens mål og styring. Kvalitet måles kontinuerlig og forbedringer skjer fortløpende. Dette gir et robust og skalerbart grunnlag for bruk av KI og gjør det mulig å tilpasse endringer over tid.

Dette betyr i praksis at for å lykkes med KI bør du som minimum ha en systematisk tilnærming til datakvalitet som innebærer at:

• du har oversikt over hvilke data du bruker

• du har definert sentrale begreper og hva dataene betyr

• du måler og følger opp datakvalitet

• roller og ansvar er tydelig fordelt

• dataene er dokumentert og sporbare