Eén klant, één artikel, één adres: overal dezelfde gegevens.

Een klant belt over een factuur en de verkoper vindt hem drie keer in het CRM, met drie verschillende adressen. De boekhouding stuurt de herinnering naar het oude adres. In de webshop heeft hetzelfde artikel een ander gewicht dan in het magazijnsysteem, dus de verzendkosten kloppen niet. Niemand heeft dit expres gedaan. Het is er in de loop van tien jaar ingeslopen, en nu is er elke week iemand een middag bezig met uitzoeken welke versie de goede is.

Waarom je stamgegevens uit elkaar lopen

Stamgegevens zijn de dingen die niet elke dag veranderen: klanten, leveranciers, artikelen, medewerkers, locaties. Ze staan in elk systeem dat je gebruikt, en elk systeem denkt dat zijn eigen versie de juiste is. Een nieuwe collega voert een klant opnieuw in omdat de zoekfunctie hem niet vond. Een leverancier verhuist en het wordt in twee van de vier pakketten aangepast. Een artikelnummer krijgt bij de inkoop een streepje dat bij de verkoop ontbreekt.

Het gevolg is niet één grote fout, maar duizend kleine. Ze kosten je pas geld als je erop gaat rekenen. Een rapportage die de omzet per klant optelt, telt Janssen BV en Jansen B.V. apart. Een koppeling die bestellingen doorzet, blijft hangen op een artikel dat in het ene systeem wel bestaat en in het andere niet. Op dat moment blijkt dat de data het probleem was, niet de software.

Eerst meten, dan opschonen

We beginnen niet met opruimen, we beginnen met tellen. Op een export van je klanten, artikelen en leveranciers meten we hoe groot het probleem is: hoeveel dossiers waarschijnlijk dubbel zijn, welke velden structureel leeg staan, hoeveel adressen niet bestaan volgens de postcodetabel, hoeveel artikelen geen eenheid of gewicht hebben. Je krijgt een lijst met aantallen, geen mening. Vaak blijkt dat tachtig procent van de rommel in twee of drie velden zit.

Daarna schonen we op. Voor het herkennen van dubbelen gebruiken we AI, omdat een mens Jansen, Janssen en JANSSEN B.V. wel bij elkaar ziet horen maar een simpele zoekopdracht niet. Voor het beslissen doen we het andersom: de software zet de twijfelgevallen naast elkaar, en iemand van jullie die de klanten kent kiest. Alles wat we samenvoegen of aanpassen leggen we vast, zodat een verkeerde keuze terug te draaien is. Persoonsgegevens verwerken we op een server in de EU, volgens de AVG, en na afloop is de opgeschoonde data van jou.

Eén bron, en de rest volgt

Opschonen alleen helpt een paar maanden. Daarna staat de eerste klant weer dubbel in het CRM. Wat blijvend werkt, is per gegeven afspreken welk systeem de bron is. Het adres van een klant komt uit de boekhouding. Het gewicht van een artikel komt uit het magazijnsysteem. De andere pakketten mogen dat gegeven tonen, maar niet zelf wijzigen. Die regel is simpel om op te schrijven en lastig om vol te houden zonder techniek erachter.

Daarom koppelen we de bron aan de rest. Verandert het adres in het bronsysteem, dan gaat het automatisch mee naar de webshop en het CRM. Dat is werk dat we vaak samen doen met Datapipelines, en als je tegelijk overstapt op een nieuw pakket combineren we het met een Datamigratie, omdat dat het enige moment is waarop je de vervuiling niet mee hoeft te nemen. Binnen tien werkdagen heb je een werkend prototype van één gegevensstroom, bijvoorbeeld het klantadres, zodat je ziet hoe het voelt voordat we de rest aanpakken.

Schoon houden is het echte werk

De data is schoon op de dag dat we klaar zijn. De vraag is hoe die er over een jaar uitziet. Daarom bouwen we controles op het moment van invoeren: een klant kan niet worden opgeslagen zonder KVK-nummer, een artikel niet zonder eenheid, en wie een nieuwe klant aanmaakt ziet eerst de drie die er al op lijken. Dat is minder werk dan het klinkt, en het scheelt meer dan een jaarlijkse grote schoonmaak.

Wat er toch doorheen glipt, komt in een maandelijks rapport. Zoveel nieuwe dubbelen, zoveel lege velden, en wie ze heeft ingevoerd, zodat je de oorzaak kunt aanpakken in plaats van het gevolg. Wie welk gegeven mag wijzigen en wie de eigenaar is, leggen we vast in je Data-governance, en de cijfers uit dit rapport landen als je wilt direct in je Data & rapportage. Zo blijft het geen project dat één keer is gedaan, maar een gewoonte die het bedrijf zelf in de hand heeft.