Databerikning betyder att ett befintligt register kompletteras med nya eller uppdaterade uppgifter. Värdet ligger inte i att samla flest fält, utan i att göra informationen mer användbar för en bestämd uppgift. För att behålla kontrollen behöver företaget kunna se vad som har lagts till, varifrån uppgiften kommer, hur posten matchades och när ändringen godkändes.
Bestäm vad berikningen ska lösa
Börja med ett konkret användningsfall. Säljteamet kanske behöver rätt företagsstorlek för att fördela konton. Kundservice kan behöva aktuella kontaktvägar. Ekonomifunktionen kan vilja minska returpost. Varje behov leder till olika fält och olika krav på aktualitet.
Gör därefter en fältlista med tre beslut: vilket ändamål fältet har, vem som använder det och hur ofta uppgiften behöver kontrolleras. Ett fält som saknar tydlig användare eller åtgärd bör inte följa med bara för att det råkar vara tillgängligt. Om personuppgifter behandlas måste uppgifterna vara relevanta för ändamålet och verksamheten behöver ha en tillämplig rättslig grund.
En genomgång av datakvalitet i register hjälper till att skilja fullständighet från verklig användbarhet. Ett register kan ha många ifyllda kolumner och ändå ge dåliga beslut.
Matcha innan du kompletterar
Databerikning förutsätter att en extern eller ny uppgift kopplas till rätt befintlig post. För företag är organisationsnummer ofta en stark identifierare, men ett kundregister kan även innehålla arbetsställen, koncerner och dubbletter. För personer kan namn och adress förändras eller delas av flera, vilket gör matchningen mer känslig.
Bestäm därför vilka identifierare som krävs för en säker matchning. Dela resultatet i säkra träffar, osäkra träffar och poster utan träff. Skriv inte tillbaka osäkra förslag som om de vore bekräftade fakta. De kan hanteras manuellt eller lämnas oförändrade tills mer underlag finns.
Matchningsgraden är inte tillräcklig som kvalitetsmått. En hög andel träffar kan fortfarande innehålla felkopplingar. Stickprov bör därför omfatta både godkända och avvisade poster.
Spara källan tillsammans med uppgiften
Ett nytt fält behöver metadata. Spara källa, hämtningstid, matchningsmetod och status för kontroll. Om samma uppgift kan komma från flera källor behövs även en regel för vilken som har företräde och hur konflikter ska visas.
Det är särskilt viktigt när berikningen sker löpande. En uppgift som var riktig vid importen kan senare bli inaktuell. Med ett verifieringsdatum går det att hitta fält som behöver förnyas utan att göra om hela registret.
När flödet ska automatiseras kan API-tjänster för kunddata och uppdateringar minska manuella överföringar. Integrationen behöver ändå logga samma beslut som ett manuellt flöde: källa, tidpunkt, resultat och fel.
Stoppa avvikelser före återskrivning
Lägg in en kontrollpunkt mellan berikning och produktionsregister. Där granskas orimliga värden, ändrade identifierare, oväntat stora bortfall och konflikter mellan gammal och ny uppgift. Bestäm i förväg vilka avvikelser som stoppar hela importen och vilka som kan läggas i en separat kö.
Arbeta gärna i en kopia eller ett avgränsat importlager tills kontrollerna är klara. Då går det att jämföra före och efter, backa en felaktig körning och visa vem som godkände ändringen. Den ordinarie processen för registervård och nummersättning kan därefter ta hand om återkommande uppdateringar.
Mät kvaliteten efter importen
Följ upp om de berikade fälten faktiskt används och förbättrar arbetsuppgiften. Relevanta mått kan vara andel verifierade poster, fel per stickprov, returpost, poster med okänd källa och tid till nästa kontroll. Mät också hur många fält som aldrig används.Sätt ett omprövningsdatum för både fälten och källorna. Om ändamålet förändras behöver företaget bedöma om uppgifterna fortfarande behövs. Databerikning är därmed ett styrt förändringsarbete, inte ett engångsköp av fler kolumner.
