Met een constant dreigend gevaar voor de ontregeling van zowel de demand, alsook de supply chain, hebben een groot aantal bedrijven ingezet op de implementatie van nieuwe technologieën en nieuwe manieren van werken om te streven naar meer veerkracht, wendbaarheid en controle in hun activiteiten. Deze initiatieven omvatten doorgaans digitale transformatie, in de hoop dat een betere zichtbaarheid en analyse van de datasets waarover bedrijven vandaag de dag beschikken, deze bedrijven zal helpen hun doelen te bereiken. Echter, al te vaak leveren die veranderingsinitiatieven niet het verwachte rendement op en struikelen ze al vroeg wanneer de kwaliteit van de bedrijfsgegevens onvoldoende blijkt te zijn. Dit is typisch als het gaat om ‘materials master data’, d.w.z. de gegevens over voorraad, of het nu gaat om grondstoffen of afgewerkte producten.
Deze rommelige situatie is een veelvoorkomend probleem en resulteert in inefficiëntie, verwarring en verspilling; die zich op zijn beurt vertalen in hogere kosten. Zo worden de voorraadniveaus hoger dan nodig, de inkoop buitensporig en stijgen de materiaalkosten. In de huidige omgeving, waarin kostenbeheersing van essentieel belang is voor de bedrijfscontinuïteit is dit een probleem dat bedrijven kunnen missen als kiespijn. De oplossing is om de master data op te schonen, fouten en duplicaten te verwijderen, ontbrekende gegevens toe te voegen en ervoor te zorgen dat gegevens actueel en goed gestructureerd zijn.
Het belang van Master Data cleaning
In essentie is de master data van een bedrijf een gestructureerde dataset van materialen, goederen en diensten van een bedrijf. Voor ‘materials master data’ zijn dit de gegevens die nodig zijn om de orde en effectiviteit van het materiaalbeheer te waarborgen. Dit betreft het gehele proces van aankoop van goederen en materialen tot het beheer van het magazijn en de bewegingen die erin plaatsvinden. Normaal gesproken zijn hier gegevens zoals het serienummer, de naam, beschrijving en kenmerken van elke ‘Stock Keeping Unit (SKU)’ - elk item - waarmee een bedrijf werkt terug te vinden. Daarnaast kunnen ook de details van de leverancier, het onderdeelnummer van de leverancier en andere inkoopgerelateerde gegevens hierin worden opgenomen.
Ondanks het belang van masterdata lijden ze vaak aan een gebrek aan zorgvuldigheid, waarbij fouten cumulatief binnensluipen door slechte gegevensmigratie en databasebeheer, slechte gegevensgeneratieprocessen en onvolwassen gegevensbeheer. Deze fouten leiden vaak tot:
- Lagere serviceniveaus
- Verhoogde behoefte aan werkkapitaal
- Overmatige aankopen
- Hogere niveaus van verouderde voorraad
- Gebrek aan kritische voorraad
- Vaker bedrijfsonderbrekingen
- Verspilde moeite in voorraadboekhouding en rapportageprocessen
Het netto-effect hiervan is dat operaties duurder en minder efficiënt worden uitgevoerd. Door deze problemen op te lossen en de kosten te verlagen, leveren een schone masterdataset en volwassen dataprocessen voordelen op in de transparantie van bedrijfsprocessen, vermindering van materiaalverspilling en toenemende winstgevendheid.
Het proces van Master Data cleaning
Het algemene doel van het opschonen van masterdata is om één enkele, consistente en complete dataset te hebben die in het bedrijf kan worden gebruikt. Dit doel wordt bereikt door:
- Gegevens opvangen volgens een standaardformaat
- Ervoor zorgen dat de gegevens correct en up-to-date zijn
- Redundantie zoals duplicate gegevens te verwijderen
- Voor zover mogelijk, het invullen van lege velden met ontbrekende gegevens
Traditioneel zijn deze taken buitengewoon belastend en vereisen ze veel tijd en aanzienlijke inspanning gedurende een lange tijd om de dataset te verzamelen en te beoordelen, vervolgens elk item te doorlopen en die opschoningsactiviteiten te voltooien. In de meeste gevallen is de taak eindeloos omdat er voortdurend "slechte" gegevens worden toegevoegd; uiteindelijk wordt de klus opzij gezet en nooit voltooid. Door verbeterde analytische tools en een systeembenadering hoeft dat echter niet meer het geval te zijn. Door de juiste mensen te betrekken, de juiste processen te implementeren en hen te ondersteunen met de juiste tools, kan het opschonen van masterdata snel, nauwkeurig en consistent gebeuren.
De aanpak:
Het gebruik van moderne analytische tools in de bedrijfsvoering is niet nieuw. Ze worden al lange tijd gebruikt om de vraagprognose te verbeteren, minimum- en maximumvoorraadniveaus vast te stellen en knelpunten in de bedrijfsvoering te identificeren. Meer recente ontwikkelingen brengen nu twee krachtige mogelijkheden samen: geavanceerde modellering en automatisering. Die verminderen aanzienlijk de handmatige inspanning die nodig is om een goede dataset te bekomen. Door ze te gebruiken, omvat het proces om master data op te schonen vier stappen:
Stap 1: Master Data Verificatie
Bij het verzamelen van de gegevens worden deze beoordeeld om te controleren op fouten, de volledigheid ervan te evalueren en duplicatie te identificeren. De beoordeling categoriseert de gegevens op basis van de fouten die ze hebben.
Stap 2: Ontwikkeling van Sjablonen
Het gebruik van sjablonen zorgt ervoor dat master data correct en consistent zijn gestructureerd, en deze bepalen welke velden vereist zijn en hoe ze moeten worden ingevuld. Die sjablonen kunnen voldoen aan industrie- of sectornormen, maar kunnen alternatief ook door een bedrijf worden ingesteld op basis van zijn eigen specifieke behoeften. Hoewel niet elk kenmerk erin hoeft te worden opgenomen, moet het sjabloon minstens voorschrijven wat nodig is om een item te beschrijven en uniek te identificeren. Dat omvat het definiëren van de normen voor het beschrijven van de klasse van een item (en eventuele subklassen), evenals kenmerken zoals fysieke afmetingen en waaruit het is gemaakt. Het sjabloon moet bijvoorbeeld voorschrijven hoe elk veld wordt uitgedrukt, zoals de lengte van het veld (d.w.z. het aantal toegestane tekens) en de syntaxis waarin het veld moet worden uitgedrukt (bijvoorbeeld tekst, getal).
Stap 3: Data cleaning
Door gebruik te maken van de geavanceerde mogelijkheden van oplossingen zoals weergegeven op de webpagina ‘Bestaande oplossingen’ van deze website, worden de eerder geïdentificeerde problemen automatisch herkend en in sommige gevallen ook aangepakt. Over het algemeen gaan deze tools als volgt te werk:
- Ervoor zorgen dat de individuele tekens die in de data worden gebruikt, correct zijn. Dit betekent bijvoorbeeld:
- Niet-typbare tekens vervangen
- Overtollige tekens verwijderen
- Syntaxis en spelfouten corrigeren
- Letters vervangen wanneer ze onjuist als cijfers worden gebruikt
- Het automatisch koppelen van de data aan hun bijhorende klasse binnen het sjabloon
- Klasse en subklasse van gegevens identificeren
- Attributen en hun waarden identificeren
- Gegevens opmaken volgens het sjabloon
- De volgorde van gegevens opnieuw verdelen volgens het sjabloon. Typische sjablonen kunnen bestaan uit: klasse -> subklasse -> fabrikant -> onderdeelnummer -> kenmerken
- Het opsporen van duplicaten in de data nadat deze is opgeschoond
- Artikelklassen vergelijken en synoniemen overwegen
- Codes en hun variaties vergelijken, zonder rekening te houden met opmaak
Stap 4: Master Data Management
Het opschonen van master data is niet iets dat eenmalig kan worden gedaan en daarna vergeten kan worden. Zonder het juiste databeheer zal de kwaliteit van de gegevens snel afnemen, met dezelfde gevolgen als voorheen. Om dit te voorkomen, moet effectief databeheer een actief onderdeel zijn van de bedrijfsvoering, gearticuleerd en gerealiseerd door middel van goede processen, databeheer en vooral training. Dit begint met een heldere definitie van de processen die masterdata creëren en wijzigen, en de rollen en verantwoordelijkheden van degenen die die processen uitvoeren. Die processen moeten ook de stappen en tools bevatten die de datakwaliteit continu controleren. Voordat bijvoorbeeld de gegevens van nieuwe items aan de hoofddatabase worden toegevoegd, moet worden bevestigd dat het formaat correct is en kunnen intelligente agenten controleren of het toe te voegen item geen duplicaat is van een bestaand item.
Tot slot:
Het opschonen van masterdata lijkt voor de hand liggend en een ‘quick-win’. Velen onderschatten echter wat nodig is, ofwel door alleen zeer elementaire tools in te zetten, zoals Excel-spreadsheets, ofwel door een tool te kopen en het bredere wijzigingsbeheer dat nodig is te negeren. De gegevens moeten op zijn minst worden gestructureerd volgens de sjablonen die deze normen vereisen, en die taak is er een die geautomatiseerde tools veel efficiënter en goedkoper kunnen uitvoeren.