Datakwaliteit meten voordat u dashboards bouwt

Datakwaliteit als fundament voor betrouwbare dashboards

Een dashboard maakt fouten in de onderliggende data niet zichtbaar, maar versterkt ze. Een verkeerd percentage in een strak vormgegeven grafiek krijgt meer gezag dan dezelfde fout in een ruwe export, en dus wordt er sneller op gestuurd. Business Insight en KPI Solutions positioneren datakwaliteit daarom expliciet als fundament voor betrouwbare (Power BI-)dashboards: eerst een betrouwbare gegevensbasis, dan visualisaties.

Terugkerende knelpunten: verschillende definities van 'omzet' of 'actieve klant' per afdeling, dubbele klant- of objectrecords, mutaties die met vertraging in de rapportagelaag aankomen, verplichte velden die leeg blijven, waarden buiten het toegestane bereik (postcodes, bedragen, datums) en referenties naar stamgegevens die niet bestaan. Elke fout levert een cijfer op dat plausibel lijkt en toch niet klopt.

Meet daarom eerst de kwaliteitsdimensies die voor uw vraag relevant zijn: volledigheid, juistheid, tijdigheid, consistentie, validiteit en uniciteit. Doe dat per kritieke gegevensstroom, niet voor de hele organisatie tegelijk. Koppel elke dimensie aan een meetbare regel, bijvoorbeeld het aandeel records zonder waarde in een verplicht veld of het aantal records dat de aansluiting met het bronsysteem niet haalt.

Het alternatief is herstelwerk achteraf: cijfers moeten worden gecorrigeerd, gebruikers gaan naast het dashboard weer eigen Excel-bestanden bijhouden en het dashboard verliest zijn functie als gemeenschappelijke bron van waarheid. Dat is duurder dan de nulmeting vooraf.

Kernkwaliteitsdimensies voor datakwaliteit

Eerst KPI's en streefwaarden scherp, dan pas dashboards

Stel de streefwaarden op de KPI's vast voordat u een dashboard bouwt; anders verzandt het project in discussies over cijfers die niemand kan plaatsen. Dat adviseert Passionned (10 oktober 2024), dat ook oproept zo min mogelijk dashboards te bouwen.

Leg per KPI vast: de definitie in woorden, de formule, de brongegevens en het bronsysteem, de peildatum en actualiteit, de eigenaar, de norm- en streefwaarde, de drempelwaarde waarop wordt bijgestuurd en wie er dan handelt. Zonder formule en peildatum is elk verschil van een paar procent tussen twee rapporten onoplosbaar.

Werk vraaggestuurd: bepaal per dashboard welke beslissing het ondersteunt, wie die beslissing neemt en met welk ritme (dagelijks, wekelijks, maandelijks). Ontbreekt een van die drie, dan is het dashboard waarschijnlijk niet nodig - en zeker niet vóór de datakwaliteit op orde is.

Toets de definitie daarna tegen de werkelijkheid: welke registratie vult het veld, wie is verantwoordelijk voor de juiste waarde en wat gebeurt er bij een late of ontbrekende mutatie. De uitkomsten zijn direct invoer voor de nulmeting.

Nulmeting: controleer de datakwaliteit vóór de bouw

Begin met data profiling op de bronnen die het dashboard gaat gebruiken: per veld het aandeel lege waarden, het aantal unieke waarden, de minimale en maximale waarden, afwijkende formaten en de vraag of waarden voorkomen in de bijbehorende referentietabel (bijvoorbeeld of elk klantnummer in het klantbestand bestaat).

Reconcilieer daarna kerncijfers: vergelijk de totalen uit het bronsysteem met dezelfde totalen in de rapportagelaag, per periode en per organisatieonderdeel. Verschillen wijzen op dubbele records, gemiste mutaties, verkeerde aansluitingen of filterfouten in de laadstraat.

Gebruik voor het overzicht een datakwaliteitsdashboard. Obsurv beschrijft zo'n dashboard als een middel om snel en eenvoudig de kwaliteit van uw data te controleren, in dat geval als fundament voor datagedreven assetmanagement (4 december 2023). Richt het in vóór het beslisdashboard: per gegevensset een score, de trend en de concrete afwijkingen, met per afwijking een eigenaar en een oplosdatum.

Prioriteer de bevindingen in twee categorieën: blokkerend (de KPI is aantoonbaar onbetrouwbaar en mag niet in een dashboard verschijnen) en hinderlijk (het cijfer is bruikbaar, maar de kwaliteit moet worden verbeterd). Alleen met die scheiding voorkomt u dat de bouw stilstaat op punten die er voor de gekozen vragen niet toe doen.

Blokkerend vs. hinderlijk: prioritering van datakwaliteitsafwijkingen

Continu meten, bewaken en verbeteren

Datakwaliteit is geen eenmalige actie. Dataanalytics.nl beschrijft het meten, bewaken en verbeteren van datakwaliteit als een doorlopend proces voor betrouwbare bedrijfsinformatie (15 oktober 2025). Reken dus op een cyclus die blijft doorlopen nadat het dashboard in gebruik is genomen.

Zo'n cyclus heeft vier stappen met elk een eigenaar: meten (profiling en controleregels), beoordelen (is de drempelwaarde overschreden en wat is de impact op de KPI), oplossen (bij de bron, niet in het dashboard) en verankeren (de regel toevoegen zodat dezelfde fout niet terugkomt). Herhaal de meting met een vaste frequentie die past bij het ritme van het dashboard.

Leg de afspraken vast tussen bronsysteembeheerder, gegevensbeheerder en dashboardteam: welke velden worden geleverd, wat ze betekenen, hoe actueel ze zijn, met welke frequentie ze komen en wie een afwijking meldt. Zulke afspraken - vaak een datacontract genoemd - voorkomen dat een wijziging in het bronsysteem pas opvalt als het dashboard onjuiste cijfers toont.

Borg de controles technisch in de laadstraat: validatieregels en tests bij het laden, signaleringen bij overschrijding en een periodieke steekproef naast de geautomatiseerde controles. Test opnieuw bij elke wijziging aan een bronsysteem of een definitie.

Cyclus van datakwaliteit: meten, beoordelen, oplossen, verankeren

Datakwaliteit garanderen in het operationeel dashboard

Neem de kwaliteitsinformatie op in het dashboard zelf: het moment van de laatste verversing, het aantal verwerkte records, het aantal afgewezen of ontbrekende records en de periode waarover de cijfers compleet zijn. Zo ziet de gebruiker direct of hij naar een volledig beeld kijkt of naar een tussenstand.

Business Insight geeft praktische tips en strategieën om datakwaliteit in een operationeel dashboard te garanderen. De kern: expliciete definities, herleidbaarheid tot de bron en zichtbare signalering.

Signaleer in plaats van te verbergen: toon een waarschuwing bij onvolledige of verouderde data in plaats van een grafiek met stille gaten, en laat gebruikers doorklikken naar de onderliggende records zodat een afwijkend cijfer te controleren is.

Scheid ruwe brondata van afgeleide KPI's in de inrichting, en houd definities en formules onder versiebeheer met datum en reden van wijziging. Anders is een cijfer over een half jaar niet meer te reconstrueren en verdwijnt het vertrouwen alsnog. Zet daarnaast een apart datakwaliteitsdashboard naast het operationele dashboard, zodat u de invoer blijft controleren en niet alleen de uitkomst.

Praktijkles: van eenvoudige dashboards naar een stevige datakwaliteitsaanpak

In de gemeente Losser begon het met een paar eenvoudige dashboards; dat groeide uit tot een stevige aanpak voor datakwaliteit. Dat beschrijft VNG via iBestuur in het artikel 'Van dashboards naar datakwaliteit' (14 april 2025).

De volgorde in dat voorbeeld is de omgekeerde van wat vaak wordt verwacht: niet eerst een organisatiebreed datakwaliteitsprogramma, maar beginnen met een beperkt aantal vragen en bronnen. Het bouwen van een dashboard legt vervolgens bloot welke velden ontbreken, verschillend worden gebruikt of te laat worden bijgewerkt.

De structurele winst zit in wat daarna gebeurt: de gevonden knelpunten oplossen bij de bron en de controles vastleggen, zodat dezelfde fout niet terugkeert. Van daaruit kan de aanpak worden uitgebreid naar andere gegevensstromen, met dezelfde definities en dezelfde controleregels.

Praktijkvoorbeeld: gemeente Losser – van dashboards naar datakwaliteit

Checklist: wanneer bouwt u verantwoord een dashboard?

U kunt verantwoord beginnen als aan deze voorwaarden is voldaan: elke KPI heeft een vastgestelde definitie, formule, peildatum en eigenaar; de streefwaarde en de drempelwaarde voor bijsturing zijn bekend; en per dashboard is vastgelegd welke beslissing het ondersteunt, wie het gebruikt en met welk ritme.

Verder: de nulmeting is uitgevoerd op de bronnen die het dashboard gebruikt, de bevindingen zijn geprioriteerd in blokkerend en hinderlijk, en de blokkerende punten zijn opgelost of de betreffende KPI is buiten het dashboard gelaten. De aansluiting tussen bron en rapportagelaag is aangetoond voor de kerncijfers en de belangrijkste uitsplitsingen.

Tot slot: controleregels en signaleringen zijn ingericht en getest, eigenaarschap voor meten en oplossen is belegd, er zijn afspraken over actualiteit en levering met de bronsysteembeheerder, en het dashboard toont zelf de laatste verversing en de volledigheid van de gegevens.

Twee aanvullende eisen: bepaal welke (persoons)gegevens in het dashboard mogen staan en wie ze mag zien - de Autoriteit Persoonsgegevens is de Nederlandse toezichthouder op de verwerking van persoonsgegevens - en regel de toegankelijkheid. Voor publieke dashboards bepalen WCAG 2.1 niveau AA en EN 301 549 waaraan ze moeten voldoen, aldus KWIZ.