Wat is Master Data Management?
Master Data Management (MDM) is een alomvattende methodologie die gericht is op het identificeren, beheren en onderhouden van de meest cruciale gegevensbestanden van een organisatie. Het is niet alleen een technologische oplossing, maar een combinatie van hulpmiddelen, processen en beheerskaders die zijn ontworpen om één betrouwbaar overzicht van bedrijfskritische informatie te creëren. Dit artikel gaat uitgebreid in op Master Data Management en het belang ervan.
Masterdata ontleden
Onder stamgegevens verstaan we de centrale, niet-transactionele gegevensentiteiten die essentieel zijn voor de bedrijfsvoering van een organisatie. Hieronder vallen doorgaans:
Materiaalgegevens – Grondstoffen, onderdelen, specificaties, vervangingsregels, informatie over naleving, enz.
Klantgegevens – Namen, contactgegevens, voorkeuren, aankoopgeschiedenis en demografische gegevens
Productgegevens – Artikelnummers, beschrijvingen, specificaties, prijzen en categorieën
Personeelsgegevens – Personeelsgegevens, functies, rapportagestructuren en bevoegdheden
Gegevens van leveranciers/verkopers – Bedrijfsgegevens, contracten en overzicht van de zakelijke relatie
Financiële gegevens – Rekeningschema, kostenplaatsen, winstcentra, juridische entiteiten, financiële hiërarchieën, enz.
Het idee achter de implementatie van een masterdatasysteem – een systeem dat uitgaat van een ‘golden record’ als enige bron van waarheid – is om de efficiëntie te verhogen en interne processen soepeler en eenvoudiger te maken naarmate deze opschalen.
In grote lijnen kunnen de uitdagingen worden onderverdeeld in verschillende categorieën die elkaar niet uitsluiten, zoals hieronder wordt toegelicht.
1. Uitdagingen bij de invoering van een ERP-systeem of bij de migratie naar een nieuwe versie van een bestaand bronsysteem
2. Specifieke problemen bij het waarborgen van de integriteit van de gegevens tijdens de operationele fasen
3. Technische en procesgerelateerde uitdagingen
4. Strategische en managementuitdagingen die inherent zijn aan grote ondernemingen
Het doel van dit artikel is om een aantal van deze beperkingen, die specifiek zijn voor de implementatie of schaalvergroting van MDM, op een rijtje te zetten en de best mogelijke oplossingen en maatregelen aan te reiken die organisaties kunnen overwegen om deze problemen op te lossen.
Hieronder volgen de belangrijkste technische uitdagingen waarmee organisaties te maken kunnen krijgen met betrekking tot hun bestaande stamgegevens:
Technische uitdagingen
Vanwege de enorme hoeveelheid gegevens die grote organisaties dagelijks genereren, kunnen datasets in de ERP-stamgegevens enorm groot worden, wat tot diverse uitdagingen leidt die grotendeels van technische aard zijn
1. Bronnenintensieve gegevensnormalisatie
Organisaties die gegevens van slechte kwaliteit willen corrigeren, komen er vaak achter dat er geen enkele logica bestaat waarmee complexe stamgegevens kunnen worden gestandaardiseerd – met name voor materialen en MRO-onderdelen met unieke, uitgebreide specificatiebladen.
Zonder duidelijk beleid lopen de problemen op het gebied van gegevens sterk uiteen en kunnen ze niet op grote schaal worden opgelost met alleen traditionele regels. Daardoor zijn bedrijven sterk afhankelijk van handmatige, door mensen gestuurde normalisatie. Branchespecifieke nuances maken dit nog ingewikkelder, waardoor op maat gemaakte verwerkingsmethoden nodig zijn.
Daarom zijn traditionele MDM-bedrijven vaak aangewezen op grote teams van handmatige analisten, die doorgaans in regio’s met lage kosten zijn gevestigd, om gegevens effectief te beheren en te standaardiseren.
In de span van vijf jaar, de gebruik van kunstmatige intelligentie in bedrijfsprocessen heeft fundamenteel gewijzigd Masterdatabeheer. Ja, er zijn verschillende problemen zoals hallucinaties en de inherente uitdagingen die gepaard gaan met het trainen van een AI-model op basis van gegevens over diverse leveranciers, onderdelen en producten uit verschillende sectoren, maar hierin komt snel verandering.
Deze veranderingen gaan zo snel dat wij bij Verdantis binnen een korte periode van één jaar onze activiteiten op het gebied van het opschonen van stamgegevens hebben omgezet van een door mensen gestuurd proces naar een door AI gestuurd proces dat door mensen wordt goedgekeurd
Dit betekent dat het model er niet alleen voor zorgt dat de normalisatie van gegevens veel efficiënter verloopt, maar dat het zichzelf ook voortdurend bijleert hoe individuele stamgegevensrecords op de juiste manier moeten worden beheerd.
Hoe dan ook, hier volgen enkele uitdagingen op het gebied van gegevensnormalisatie die veel rekenkracht vergen en inherent zijn aan de meeste ERP-systemen
1. Identificatie van duplicaten – Het opsporen van L1-duplicaten in de leveranciers-, klanten- en MRO-stamgegevens aan de hand van kenmerken zoals het onderdeelnummer van de fabrikant, het TIN (belastingidentificatienummer) van de leverancier en e-mailadressen van klanten. Het opsporen van L2-duplicaten aan de hand van een door AI gegenereerde betrouwbaarheidsscore.
2. Gegevens normaliseren – Het structureren van losse tekst in duidelijke, vooraf gedefinieerde velden voor gestandaardiseerde, schone en voor automatisering geschikte gegevens. Bijvoorbeeld: het standaardiseren van bedrijfsnamen of websiteadressen naar één definitief standaardformaat, of het standaardiseren van de maateenheden voor reserveonderdelen naar één wereldwijde maateenheid.
3. Attributen extraheren – Het extraheren van belangrijke informatie uit een bepaald hoofdrecord. Bijvoorbeeld: de plaats van de leverancier uit het adres halen, onderdeelspecificaties uit de productbeschrijving halen, enzovoort
Voorbeeld: het normaliseren van MRO-reserveonderdelengegevens bij een wereldwijd opererend productiebedrijf
Een wereldwijd opererend productiebedrijf met vestigingen in Noord-Amerika, Europa en Azië heeft meer dan 300.000 materiaalstamgegevens, waaronder MRO-reserveonderdelen, afkomstig van duizenden leveranciers. In de loop der jaren zijn deze gegevens ingevoerd door verschillende teams in diverse regio’s, waarbij elk team zijn eigen naamgevingsconventies, maateenheden (bijv. „mm“ versus „inches“) en talen gebruikte. Een enkel onderdeel zoals een hydraulische klep zou als volgt kunnen worden weergegeven:
HYD. KLEP 2IN STAAL
Klep, hydraulisch, 2”
2-inch hydraulische klep, RVS
Bij gebrek aan een standaardformaat of taxonomie had het bedrijf moeite om duplicaten op te sporen, wat leidde tot overbevolking, onconventionele uitgaven, en vertragingen bij het onderhoud.
2. Ongelijksoortige systemen
Veel mensen gaan er vaak van uit dat bedrijven doorgaans uitsluitend met één ERP-systeem werken, zodat een integratie met dat systeem zou zorgen voor een naadloze afstemming van de bedrijfsvoering.
Dit is echter nauwelijks het geval; verschillende ondernemingen maken gebruik van meerdere ERP-bronsystemen, met name in verschillende regio’s, aangezien elk van deze systemen verschillende voordelen biedt, afhankelijk van de locatie, de taal en de systeemvereisten.
Bovendien komt het regelmatig voor dat bedrijven zowel oudere als nieuwere versies van hetzelfde ERP- of EAM-systeem ondersteunen, waardoor het probleem nog groter wordt.
Aangezien de stamgegevens in elk van deze bronsystemen mogelijk op verschillende manieren zijn geconfigureerd, is de enige logische oplossing in dergelijke gevallen om alle databases te integreren in één centraal stamgegevensbeheersysteem.
Voorbeeld: Een wereldwijd opererend bedrijf kan in Europa SAP gebruiken, in de VS Oracle en in Azië een eigen ontwikkelde tool. Zonder een uniform beheer van stamgegevens kan hetzelfde materiaal drie keer in de lijst voorkomen, met kleine verschillen, wat leidt tot onnauwkeurige voorraadniveaus, vertragingen bij bestellingen en fouten in de financiële rapportage.
3. Gegevensbeheer en vertrouwelijkheid
1. Voldoet aan de AVG – Het beheer van stamgegevens, met name die van klanten en potentiële klanten, kan lastig zijn gezien regionale en nationale wetgeving zoals CAN-SPAM en de AVG
2. Wetgeving inzake gegevensbescherming – Belangrijke gegevensrecords, met name in bepaalde kapitaalintensieve sectoren, vallen onder afzonderlijke bedrijfsspecifieke beleidsregels om diefstal van bedrijfsgeheimen te voorkomen
3. Gevoelige gegevens – De stamgegevens van bepaalde sectoren en bedrijven zijn bijzonder gevoelig, zoals defensie, overheidsinstellingen enz., waardoor gegevensbeheer
Het wordt nog ingewikkelder wanneer informatie van de eigen organisatie moet worden samengevoegd uit meerdere niet-ERP-systemen, zoals CRM-software, onderhoudssoftware van derden, gegevensplatforms enzovoort.
Voorbeeld: Onjuiste omgang met gevoelige klantgegevens bij een wereldwijd opererend retailbedrijf
Een wereldwijd opererend detailhandelsbedrijf gerold uit klantgegevens in de regio's waarbij zij in bedrijf gesteld maar deed niet zetten de passend toegangscontroles in plaats naar de gegevens. Voor voorbeeld, gevoelig velden zoals voorkeuren voor afmelding en aankoopgeschiedenis waren alle toegankelijk voor meerdere teams. Daarom, een Europese klant die zich op grond van de AVG heeft afgemeld beëindigd omhoog ontvangen a marketing e-mail uit hun Amerikaans systeem, welke dan gelanceerd een nalevingsonderzoek. De betaling leverancier’s de bankgegevens waren actief in niet-gerelateerde afdelingen. In overige woorden, daar was a het ontbreken van op rollen gebaseerde toegang en gegevensbeheer, welke onthuld regelgevende en belangrijke intern risico.
4. Ontbrekende informatie
Door menselijke fouten of het ontbreken van informatie kan het voorkomen dat sommige stamgegevensrecords simpelweg geen informatie of gegevens bevatten die verplicht hadden moeten zijn.
Veel andere records bevatten mogelijk geen informatie over velden die weliswaar nuttig hadden kunnen zijn, maar niet verplicht waren.
Dit betekent dat, wil de data daadwerkelijk van nut zijn, de records moeten worden aangevuld met de relevante informatie en gegevens.
Net als het standaardiseren van gegevens was ook dit een uiterst middelenintensief proces, leidde het tot kostenoverschrijdingen en was het moeilijk om dit binnen een korte doorlooptijd op te lossen vóór de opkomst van kunstmatige intelligentie.
Bekijk deze korte video voor meer informatie over onze AI-gestuurde Auto Enrich AI
Tegenwoordig kunnen AI-modellen zoals Auto Enrich AI zelfstandig het open web, talloze leverancierscatalogi en interne bedrijfsgegevens doorzoeken en analyseren om individuele gegevensrecords op grote schaal aan te vullen.
5. Datasilo’s en problemen met systeemintegratie
De meeste organisaties groeien organisch en bouwen gaandeweg verschillende systemen op voor diverse functies: CRM voor de verkoop, ERP voor de bedrijfsvoering, gespecialiseerde tools voor marketing, enzovoort. Elk systeem vormt een potentiële silo waarin een eigen versie van klant-, product- of leveranciersgegevens wordt opgeslagen.
De uitdaging ligt in het integreren van deze uiteenlopende systemen om één samenhangend overzicht van de gegevens te creëren, zonder de bestaande bedrijfsprocessen te verstoren. In een concreet voorbeeld ontdekte een telecommunicatiebedrijf waarmee we samenwerkten dat dezelfde klanten in zeven verschillende systemen waren opgenomen, elk met tegenstrijdige contactgegevens en service-informatie. Dit leidde tot dubbele marketinginspanningen en verwarring bij de klantenservice.
Voorbeeld: gegevenssilo’s van leveranciers in de productiesector
Een wereldwijd opererend productiebedrijf dat in verschillende regio’s verschillende ERP-systemen gebruikte, kampte met gefragmenteerde leveranciersgegevens: dezelfde leveranciers stonden vermeld onder verschillende namen, met verschillende contactpersonen en verschillende voorwaarden. Dit gebrek aan integratie leidde tot dubbele betalingen, vertragingen bij de inkoop en een gebrekkig inzicht in de prestaties van leveranciers. Het ontbreken van een uniform overzicht van de stamgegevens leidde tot operationele inefficiënties en hogere kosten.
Management- en strategische uitdagingen
Dit zijn ongetwijfeld enkele van de lastigste problemen binnen MDM. Deze problemen zijn voornamelijk het gevolg van gebrekkige bestuursprotocollen, menselijke fouten en het ontbreken van duidelijk vastgelegde goedkeuringsprocessen.
1. Gegevensbeheer
Bedrijven die zich in een groeifase bevinden, kampen met gebrekkige normen en protocollen op het gebied van gegevensbeheer. Het idee om een standaardwerkwijze op te stellen voor iets zo elementairs als leveranciersgegevens kan als een vreemd en primitief concept overkomen.
Het is echter een verstandige zet, die ervoor kan zorgen dat herhaaldelijke en dure gegevenscorrecties overbodig worden.
Het proces begint echter van bovenaf: een organisatie die zich richt op het nemen van datagestuurde beslissingen zal „databeheer“ van nature van bovenaf en over de hele linie stimuleren; een organisatie die dit louter als een punt op een checklist beschouwt, zal veel eerder in een situatie terechtkomen waarin een ERP-ramp als gevolg van problemen met het gegevensbeheer.
Zodra ze zijn gedefinieerd, kunnen technologische oplossingen het gegevensbeheer afdwingen door gegevens in verplichte velden verplicht te stellen, deze te valideren en formaten te converteren en maateenheden in gestandaardiseerde datasets.
1. Inconsistente taxonomieën
2. Tegenstrijdige gegevensbladen
3. Onduidelijke eenheden van meting
2. Problemen op het gebied van bestuur en eigendom
Wie is de „eigenaar” van de klantgegevens: marketing, verkoop of klantenservice? Wie bepaalt hoe productinformatie moet worden gestructureerd: de afdeling merchandising of het supply chain-team?
De uitdaging ligt in het opzetten van duidelijke kaders voor gegevensbeheer waarin de verantwoordelijkheid wordt vastgelegd en verantwoording wordt afgedwongen voor de kwaliteit van de gegevens. Zonder deze duidelijkheid mislukken initiatieven op het gebied van gegevensbeheer vaak, omdat geen enkel team zich verantwoordelijk voelt voor het waarborgen van de nauwkeurigheid en volledigheid van de gegevens.
3. Draagvlak binnen het bedrijfsteam
Het is voor journalisten, leveranciers en softwarebedrijven gemakkelijk om te beweren dat „data de nieuwe olie is”. De realiteit is echter dat de meeste bedrijfsteams moeite hebben om de waarde van overvloedige, relevante en volledige data met eigen ogen te zien.
Hoewel de voordelen van duidelijke, betrouwbare en consistente gegevens algemeen bekend zijn, slagen bedrijfsteams er doorgaans niet in om de waarde ervan vanuit een totaalperspectief te overzien.
Stamgegevens zijn, met name in sectoren met veel vaste activa, doorgaans wijdverbreid binnen alle organisatorische functies en hebben invloed op de teams die zich bezighouden met onderhoud, inkoop, productie, de toeleveringsketen, productontwikkeling, verkoop en vraagbeheer.
Het lijkt een hele opgave om van elk van hen te verwachten dat ze gegevens uploaden, bijwerken en verantwoording afleggen voor wat een overbodige en repetitieve taak lijkt. Het aannemen van apart personeel voor deze taak is een extra investering die de woede van de financiële en HR-afdelingen opwekt.
Nu technologie tegenwoordig echter steeds toegankelijker wordt, beseffen bedrijfsteams steeds meer de waarde van het opbouwen van betrouwbare datasets die kunnen worden getraind om concrete resultaten te verbeteren. Organisaties kunnen proactief demo’s, besprekingen, workshops en succesverhalen inplannen die de waarde van investeren in een ‘data-first’-cultuur duidelijk aantonen.
Helaas is dit een van die uitdagingen waarvoor leiderschap en draagvlak bij het management nodig zijn, en geen enkele technologische of softwaregebaseerde oplossing kan dit proces versnellen of oplossen.
1. Afstemming tussen bedrijfs- en IT-teams
2. Tijdschema’s voor de implementatie
3. Weerstand tegen verandering
4. Goedkeuringen en beoordelingen
Goedkeuringsprocessen en controles zijn essentieel voor het handhaven van de kwaliteit van stamgegevens, maar ze leiden vaak tot operationele en strategische knelpunten. Vertragingen ontstaan door onduidelijke rollen, een gebrek aan urgentie en onduidelijke verantwoordelijkheden – vooral wanneer cruciale updates nodig zijn, zoals het aanmaken van nieuwe leveranciers of het aanmaken van artikelen.
Zonder een consistent kader gaan verschillende bedrijfsonderdelen op uiteenlopende wijze om met goedkeuringen en validaties, wat leidt tot een wisselende gegevenskwaliteit en een verzwakt bedrijfsbeheer. Bovendien vergroot het ontbreken van audittrajecten, documentatie en duidelijke rolverdeling de nalevingsrisico’s en vermindert het inzicht in wie wijzigingen heeft goedgekeurd en waarom.
Om deze problemen op te lossen, moeten organisaties gestandaardiseerde, geautomatiseerde workflows invoeren die bedrijfsregels handhaven en verantwoordingsplicht waarborgen. Wanneer masterdatabeheer in een gecentraliseerd systeem is geïntegreerd, ontstaan er traceerbare processen met consistente, tijdige beoordelingen en goedkeuringen over de verschillende afdelingen heen.
Dergelijke oplossingen stroomlijnen niet alleen de besluitvorming, maar verbeteren ook de nauwkeurigheid van de gegevens en de naleving van de regelgeving. Speciaal ontwikkelde softwaretools voor masterdatabeheer ondersteunen dit door gestructureerd beheer, traceerbaarheid en transparantie te bevorderen – essentieel voor het realiseren van hoogwaardige, betrouwbare gegevens op grote schaal.
5. Effectiviteit van stamgegevens in meerdere domeinen
Zoals eerder besproken, draagt centraal beheerde stamgegevens bij aan procesoptimalisatie en efficiëntie binnen alle teams, en de meerwaarde die dit oplevert, zelfs binnen afzonderlijke afdelingen, staat buiten kijf.
Om echter echte, tastbare waarde te creëren op basis van schone stamgegevens, ligt de kracht ervan in het samenvoegen van de beschikbare informatie binnen verschillende domeinen van stamgegevens.
Helaas zijn maar heel weinig bedrijven voldoende toegerust om stamgegevens bedrijfsbreed te interpreteren, terwijl de meeste deze werkwijzen slechts toepassen binnen een paar specifieke disciplines, zoals inkoop, de toeleveringsketen of leveranciersstamgegevens
Dit zijn enkele van de belangrijkste en meest in het oog springende uitdagingen op het gebied van Master Data Management. Hieronder geven we nog enkele aanwijzingen voor een uitgebreider overzicht van de uitdagingen waarmee bedrijven doorgaans worden geconfronteerd.
Hoe deze uitdagingen te overwinnen
Begin klein en breid strategisch uit
In plaats van in één keer een bedrijfsbrede MDM-implementatie te proberen, kunt u het volgende overwegen:
- Te beginnen met één cruciaal gegevensdomein (zoals klant- of productgegevens)
- Aandacht voor bedrijfsprocessen met een grote impact
- De meerwaarde aantonen alvorens uit te breiden
Investeer in tools en processen voor gegevenskwaliteit
Moderne platforms voor gegevensbeheer bieden krachtige mogelijkheden voor:
Geautomatiseerde ontdubbeling
Standaardisatie van formaten en waarden
Gegevensverrijking uit betrouwbare bronnen
Voortdurende controle van de gegevenskwaliteit
Zorg voor duidelijke bestuursstructuren
Voor effectief MDM is het volgende nodig:
- Vastgestelde rollen en verantwoordelijkheden op het gebied van gegevenseigendom
- Duidelijke procedures voor het wijzigen en bijwerken van gegevens
- Regelmatige controles van de gegevenskwaliteit
- Functieoverschrijdende commissies voor gegevensbeheer
Een evenwicht vinden tussen technologische en procesverbeteringen
Vergeet niet dat MDM niet alleen een technologische uitdaging is:
- Technologie maakt beter gegevensbeheer mogelijk
- Maar processen en mensen zijn bepalend voor het succes
- Opleiding en verandermanagement zijn essentiële onderdelen
Koppel MDM aan bedrijfsresultaten
De meest succesvolle MDM-initiatieven sluiten rechtstreeks aan bij de bedrijfsdoelstellingen:
- Verbeterde klantervaring
- Effectievere marketing
- Verbeterde operationele efficiëntie
- Betere naleving van de regelgeving
- Nauwkeurigere rapportage en analyse
Conclusie: De weg vooruit
Uitdagingen op het gebied van masterdatabeheer kan zijn ingewikkeld. Dat zei, zij zijn niet onmogelijk naar overwinnen. Als jouw organisatie neemt a strategisch aanpak naar MDM (bestuur, technologie en focus op bedrijfsresultaten), dan jij kan omzetten gegevens uit een last omzetten in een concurrentievoordeel.
MDM is onmisbaar voor elk bedrijf dat met gegevens werkt. Dit ondanks de veelvoorkomende uitdagingen op het gebied van masterdatabeheer. Maar als je wist wat uitdagingen je zou te maken kunnen krijgen met in het implementatieproces, jij zou zijn in staat naar identificeren en voorkomen die kwesties voordat ze bocht tot problemen.
In een milieu dat hoort gegevens verwezen naar als ‘de nieuwe olie‘, MDM zal zijn de raffinaderij draaien de ruw gegevens omzetten in waardevolle omzet informatie. Door leren over, en aanpakken de hieronder uitdagingen, organisaties zal uitsnijden uit a duidelijk pad dus zij kan maximaliseren de waarde van hun gegevens naar maken beter, beslissingen met meer zelfvertrouwen.
De vaak–moeilijk reis in de richting van effectief beheer van stamgegevens is a de moeite waard inspanning voor organisaties die overwinnen hun uitdagingen en beseffen duidelijker gegevens, slanker activiteiten, en groter naleving naar initiatieven op het gebied van digitale transformatie.
Uitdagingen op het gebied van masterdatabeheer kan zijn ingewikkeld. Dat zei, zij zijn niet onmogelijk naar overwinnen. Als jouw organisatie neemt a strategisch aanpak naar MDM (bestuur, technologie en focus op bedrijfsresultaten), dan jij kan omzetten gegevens uit een last omzetten in een concurrentievoordeel.
MDM is onmisbaar voor elk bedrijf dat met gegevens werkt. Dit ondanks de veelvoorkomende uitdagingen op het gebied van masterdatabeheer. Maar als je wist wat uitdagingen je zou te maken kunnen krijgen met in het implementatieproces, jij zou zijn in staat naar identificeren en voorkomen die kwesties voordat ze bocht tot problemen.
In een milieu dat hoort gegevens verwezen naar als ‘de nieuwe olie‘, MDM zal zijn de raffinaderij draaien de ruw gegevens omzetten in waardevolle omzet informatie. Door leren over, en aanpakken de hieronder uitdagingen, organisaties zal uitsnijden uit a duidelijk pad dus zij kan maximaliseren de waarde van hun gegevens naar maken beter, beslissingen met meer zelfvertrouwen.
De vaak–moeilijk reis in de richting van effectief beheer van stamgegevens is a de moeite waard inspanning voor organisaties die overwinnen hun uitdagingen en beseffen duidelijker gegevens, slanker activiteiten, en groter naleving naar initiatieven op het gebied van digitale transformatie.
