Tiskem vychází zkrácená verze. Listopadovou anketu najdete zde.

Rád bych reagoval na prezentované názory profesionálů týkající se oblasti managementu kvality informací (dat). Důvodem k reakci je skutečnost, že mnohé z prezentovaných názorů jsou za hranicí principů managementu kvality, a tedy nekorektně informují o významu pojmu zlepšování kvality informací (dat) ve společnostech. Dotazovaní měli odpovědět na dvě základní otázky:

* Co nejvíce ovlivňuje kvalitu dat, na které oblasti se při jejím zlepšování soustředit a jakým chybám se vyhnout?
* Jaká bývá míra nečistoty dat, lze ji zlepšit automatizovaným nebo i ručním čištěním?

První z otázek se týkala problému vzniku nekvalitní informace. Na tuto otázku není možná odpověď pouze v několika řádcích, avšak principiálně lze říci, že nekvalitní informace je důsledkem nekorektně fungujícího procesu. Druhá část otázky se dotýká oblasti vlastních principů zlepšování a to je oblast, kde dotazovaní nekorektně aplikují principy managementu kvality na produkt – informaci (data). Obecně lze říci, že je nutné se vyhnout takovým chybám, které nejsou v rozporu s principy managementu kvality, jako např. TQM, Deming, Juran.

Druhá otázka z pohledu dopadů je správná, avšak její znění je z pohledu kvality informací zavádějící. Důvodem k tomuto tvrzení je skutečnost, že ohodnocování nekvalitních informací (dat) na bázi procent typů defektů je sice zajímavé, avšak nikoliv vypovídající. Lze najít mnoho případů, kdy nepatrná nekvalita vede k významným finančním dopadům, a naopak »hrubá chyba« má pouze malé či nepatrné ekonomické dopady. Ekonomické stránky dopadů nekvalitních informací se dotklo pouze několik dotazovaných. Pojďme se podívat na základní nekorektnosti prezentované dotazovanými:

Definice kvality informací (dat)

Nesouhlasím s tím, že pojem kvality informací je »značně široký« a relativní. Kvalita informací je zcela přesně definována a lze říci, že jde o »trvalé naplňování požadavků očekávání znalostních pracovníků a koncových uživatelů« na kvalitu informace. Informace je tvořena třemi základními komponentami, kterými jsou definice, hodnota a prezentace, a tedy za nekvalitní informaci považujeme tu, která vykazuje nekvalitu v jednom a více atributů. Proto se domnívám, že pojem »kvalitní informace« (dato) je definována jednoznačně. Velice podstatným požadavkem je naplňování požadavků a potřeb uživatelů informací (dat), neboť jejich cílem je pracovat efektivně, a tedy s vysokou přidanou hodnotou pro organizaci. K tomu je nutné, aby informace podporující procesy organizace byly přesné a nikoliv validní. Tomuto tématu jsem se věnoval v několika svých publikovaných článcích.

Dopady nekvalitních informací

Nekvalitní informace (data) se do života organizace zcela jednoznačně promítají. Jak jsem uvedl výše, mnohem zásadnější jsou finanční dopady, neboť tyto dosahují částek kolem 15 % až 25 % zisku společnosti. Vyjadřování nekvality v procentech nekvalitních záznamů je sice možné, avšak nic neříkající. Jakou vypovídací schopnost má skutečnost, že 50 % adres je defektních (nekvalitních), oproti tomu, že přesnost kontaktních informací je 30 % (které ovšem, jež znamenají milion korun nadbytečných nákladů)? Vyjádření ekonomického dopadu je mnohem zásadnější z pohledu fungování organizace než prezentace typů defektů a jejich frekvence. Důvodem je skutečnost, že i stoprocentní validní (tedy kvalitní) záznam nemusí být přesný. Nepřesnost tak způsobuje nadbytečné náklady. Ke kategorizaci nákladů lze použít kategorie »muda«, jež definoval Masaaki Imai ve své knize Gemba Kaizen a jež Larry. P. English aplikoval na informaci.

Cílem managementu kvality informací není sledovat zlepšení validnosti záznamů oproti původně zjištěnému stavu (za pomocí data profiligu) a následného »proměření« kvality po procesu čištění dat – data cleansing. Naopak, cílem kvality informací je zajištění přesnosti informace a minimalizace »muda«. Za tímto účelem je potřebné sestavit COQ (Cost Of Quality) systém obsahující základní kategorie PAF modelu (Prevention, Appraisal, Failure) a sledovat, jakým způsobem se projevují změny v implementaci zlepšování kvality informací. Jde tedy zejména o sledování trendů v jednotlivých kategoriích, neboť zde existuje určitá souvislost mezi zralostí organizace a trendy v COQ systému.

Kde kvalitu informací zlepšovat?

Z odpovědí jsem se dověděl, že zlepšování kvality informací (dat) by se mělo dít na úrovni zdrojů nebo na úrovni datového skladu. Nekorektní porozumění skutečnosti »kde provádět preventivní a korekční kroky« vedou k závěrům typu »dosažení přiměřené kvality dat (informací) vyžaduje zavedení procesů systematického čištění dat«. Pokud se zamyslíme nad tím, kde vzniká informace, pak mimo transakce typu CDR (call detail record), výběr z bankomatu, zaplacení útraty kartou, informace vzniká při komunikaci se zákazníkem a následném přepisu informací do provozních systémů organizace. Důvodem vzniku nekvalitní informace je nekorektně fungující proces. Pokud přijmeme tuto tezi, pak k řešení problémů s kvalitou informací je blízko – protože management kvality nám k tomu dává přímo návod. Jde o princip Gemba Kaizen. Ten říká, že ke zlepšování má docházet v místě vzniku defektu, a tedy i toto místo je místem implementace například prevence. Jinými slovy, místa jako datový sklad nejsou tím správným místem, kde zlepšovat kvalitu informací (dat). K tomu, aby bylo možné »udržet kvalitu dat na určité úrovni« v datovém skladu je doporučováno masivní čištění dat při každé aktualizaci datového skladu – tedy v případě batch zpracování jednou denně, týdně (v závislosti na potřebách) nebo on-line v případě tzv. »aktive« data warehouse.

Problém je v tom, že z »čištění dat« (data cleansing) není nic jiného než oprava, korekce. A tedy se jedná pouze o nákladovou položku, do níž je nutné zahrnout mimo nákup licence nástroje, také náklady na zaměstnance, náklady na tvorbu reportu, náklady na dodatečné manuální korekce atd. Tedy jde o zcela neefektivní cestu, jak řešit problémy s kvalitou informací (dat). Proč tedy organizace v tomto pokračují dále? Aby bylo možné »čistit« data, je nutné provést určitou inspekci kvality dat (informací). Inspekce je sice nutná, avšak podobně jako čištění se z toho stal pravidelný a trvalý proces doporučovaný mnoha firmami. Zde se opět dostáváme do konfliktu s principy managementu kvality, neboť »zbavení se trvalé závislosti na masivní inspekci a čištění dat« je jedním ze základních potřeb – viz E. W. Deming: Out of Crisis.

On-line čištění

Některé z technologií lze využití pro minimalizaci vzniku defektu. Přičemž tímto defektem rozumím nekorektní prezentaci, překlep, záměnu jména s příjmením atd. Implementací těchto nástrojů lze minimalizovat tyto překlepy a minimalizovat možnost vytvoření redundantního záznamu (zejména v oblasti klientů). Nutné si je uvědomit, že tímto způsobem zajišťujeme pouze validitu informace (data).

Datová pravidla zajišťují kvalitu informací (dat)

S tvrzením v mezititulku nelze souhlasit z pohledu přesnosti informace. Zajišťují maximálně validitu, konzistenci a to je asi tak všechno. Nedotýkají se přesnosti informací (mj. zde máme zákon »o ochraně osobních údajů«), neboť přesnost ovlivňuje efektivnost procesu. Skutečně validní informace neznamená přesnou informaci, a tedy efektivní a korektně fungující proces.

Nové auto do servisu?

Dotazovaní profesionálové poskytli čtenářům určitý pohled na problematiku kvality informací a zároveň prezentovali přístup »jejich« firem k řešení problematiky kvality informací (dat). Je smutné konstatovat skutečnost, že mnohé doporučované postupy jsou zavádějící a vystavují firmy významným nadbytečným nákladům. O to víc, že k dispozici je celosvětově uznávaná metodika řízení kvality informací TIQM® (Total Information Quality Managememt) vytvořená Larrym P. Englishem a plně respektující principy managementu kvality. Inspekční a opravené procesy (automatické, manuální) jsou prezentovány za způsob zlepšování kvality informací (dat). Dovolím si zde položit otázku. Dovedete si představit, že by automobilka každé vyrobené auto posílala do servisu na opravu? Já osobně nikoliv, neboť cena by byla výrazně vyšší. Alespoň o 15 % až 20 % na auto. Je toto cílem automobilky? Paralelu s informacemi si čtenář najde sám.

Milan Kučera

Certified TIQM® Professional, Associate Consultant Information Impact International, Inc. (USA)