Datakwaliteit controleren in analytics: checks en bronnen

Inleiding: wanneer analytics-data niet te vertrouwen zijn

Datakwaliteit is de basis onder analytics. Wux stelt dat de outputkwaliteit van een AI-model direct afhangt van de kwaliteit van de input. Digital Power benadrukt een technisch correcte trackingopzet; de risico's en checks daarvan staan in de sectie over tracking, tags en conversies.

De urgentie blijkt bij de stap van experiment naar productie. Wux meldt dat 88% van AI-proefprojecten (POC's) nooit productie haalt en dat van elke 33 gestarte AI-projecten gemiddeld slechts 4 live gaan. Ontbrekende doelen en draagvlak worden genoemd, net als een niet-klare data- of IT-omgeving. Een dashboard op onbetrouwbare data is daardoor niet alleen nutteloos, maar kan actief verkeerde sturing geven.

Risico's bij onbetrouwbare analytics-data

Wat je controleert: de kerncriteria van datakwaliteit

Wux noemt vier concrete eisen aan data: beschikbaar, correct, up-to-date en relevant. Controleer per dataset of die aansluit op de bron, of waarden kloppen, of de laatste wijziging binnen de verwachte frequentie valt en of de data bij de vraag horen.

Volledigheid en consistentie zijn daarnaast nodig. Volledigheid meet je door te kijken welke records, velden of gebeurtenissen ontbreken; consistentie door dezelfde definitie en waarde in verschillende systemen te vergelijken. Wux verbindt dit aan datacleaning, helder gedefinieerde data-definities en continu beheer (governance).

Data-governance betekent volgens Wux dat processen data consistent houden, privacy en ethiek bewaken en verantwoordelijkheden toewijzen. Zonder die processen verandert datakwaliteit van een eenmalige controle in een terugkerend incident.

Bronnen in analytics: welke lagen en systemen je meeneemt

Business intelligence is volgens Morgan Black het proces waarin organisaties data verzamelen, analyseren en omzetten in bruikbare inzichten voor strategische en operationele besluitvorming. De kerncomponenten zijn datawarehousing (data uit verschillende bronnen in één centrale, gestructureerde opslag), ETL-processen (extract, transform, load), visualisatietools zoals Power BI, Tableau of Looker, en predictive analytics en datamining.

In die keten zitten ruwe brondata, het datawarehouse, trackingdata, klantdata en productdata. Ciclic beschrijft dat versnipperde klantdata en datasilo's leiden tot datasynchronisatiefouten, trage verwerkingstijden en hoge opslagkosten, vooral wanneer data naar een externe tool worden gedupliceerd. Squadra laat voor productdata zien dat handmatig beheer over meerdere kanalen foutgevoelig is en leidt tot inconsistente productinformatie, verouderde specificaties of afbeeldingen, fouten in vermeldingen en een langzame introductie van nieuwe producten.

Neem per analyticsvraag de volledige keten mee: welk systeem is de bron van waarheid, welke transformatie ondergaat de data en welke systemen gebruiken dezelfde klant, order of product? Ciclic noemt de DDMA Data-Driven Marketing Onderzoek 2024 als bewijs dat datakwaliteit en databeschikbaarheid voor veel organisaties in de marketingsector nog steeds een aanzienlijk hoofdpijndossier zijn, met onpersoonlijke campagnes, gefrustreerde klanten en een stagnerende ROI als gevolg.

Vergelijking van databronnen en hun impact op kwaliteit

Checks op tracking, tags en conversies

Een tracking- en analyticsaudit controleert of de trackingopzet technisch juist is, zodat de data waarop je stuurt echt klopt. Digital Power noemt als controles: of UTM-tagging goed werkt, of conversies worden geregistreerd en of resultaten per kanaal correct worden toegeschreven. Een technisch onjuiste trackingopzet veroorzaakt verkeerde aannames in dashboards, rapportages of marketingbeslissingen.

Praktische checks: komen events niet dubbel binnen, bevatten UTM-parameters de afgesproken waarden en wordt een conversie één keer aan de juiste sessie of gebruiker gekoppeld? Digital Power noemt dit essentieel om marketinginspanningen te evalueren. Consentcategorieën en het laden van tags en pixels na toestemming staan in de privacysectie.

De audit levert volgens Digital Power een presentatie aan het team, een rapport met concrete bevindingen, inzicht in datakwaliteit, privacy-inrichting en technische opbouw, en een lijst met verbeterpunten en adviezen. De audit is adviserend, geen implementatie, duurt gemiddeld 2 tot 3 weken na ontvangst van alle benodigde toegang en informatie en kost €500.

Auditproces voor tracking en analytics (2–3 weken)

Checks per bron: volledigheid, duplicaten en consistentie

Per bron controleer je ontbrekende waarden, dubbele records, verouderde gegevens en afwijkingen tussen systemen. Vergelijk bijvoorbeeld het aantal klantrecords in het CRM, het e-mailplatform en de webshop, tel null-waarden per verplicht veld en zoek op e-mailadres, klantnummer of product-ID naar duplicaten. Kijk ook naar de laatste wijzigingsdatum: een product- of klantrecord dat niet meer synchroon loopt, is een kwaliteitsrisico.

Vertaal de patronen die Ciclic en Squadra in de brondensectie beschrijven naar concrete controles: welke records ontbreken, welke waarden wijken af en welke synchronisatie loopt achter?

Een bruikbare check is een reconciliatie: vergelijk totalen en steekproeven tussen bronsysteem en datawarehouse, en tussen datawarehouse en dashboard. Noteer per afwijking of het om een definitieverschil, een laadfout, een ontbrekend record of een verouderde synchronisatie gaat.

Toestemming en privacy als kwaliteitsdimensie

Privacy beïnvloedt de volledigheid en betrouwbaarheid van analytics direct. Digital Power beoordeelt of een website of app voldoet aan de AVG (GDPR), met aandacht voor juiste cookiebanners, het correct laden van tags en pixels op basis van toestemming en minimale dataverzameling waar nodig. Als tags pas na toestemming mogen laden, ontbreken gebruiker- en sessiegegevens voor het niet-toestemmende deel.

Cookies zijn stukjes code die van een website naar de browser worden gestuurd en daar worden opgeslagen. Adpage onderscheidt sessiecookies die bij het sluiten van de browser verdwijnen en permanente cookies die langer blijven staan. Third-party cookies van partijen zoals Meta of Google volgen online activiteiten en maken advertenties op maat, wat de meetbare dataset beïnvloedt.

Bij Google Analytics 4 vult Google ontbrekende gegevens aan met conversiemodellering en gedragsmodellering, aldus Adpage. Check in rapportages welk deel van de conversies gemodelleerd is, of consent mode correct is ingericht en of tags niet vóór toestemming vuren. Een CMP helpt toestemming per categorie vast te leggen, maar vervangt de controle op datakwaliteit niet.

Van brondata naar dashboard: checks op rapportages en KPI’s

Een dashboard weerspiegelt eerdere keuzes: welke bron, welke definitie, welke filter en welke attributie. Power BI is wereldwijd de meest gebruikte BI-tool en volgens Microsoft gebruiken miljoenen professionals deze dagelijks.

Controleer of KPI-totalen overeenkomen met de brontotalen, of dezelfde periode en filters zijn gebruikt en of conversies per kanaal op dezelfde manier zijn toegeschreven als in de brondata. Zie voor trackingrisico's de sectie over tracking, tags en conversies.

Let extra op gemodelleerde data, attributieverschillen tussen platformen en ontbrekende segmenten door consent. Vergelijk bijvoorbeeld het aantal conversies in het dashboard met het aantal orders in het ordersysteem, en noteer welke KPI's een definitie hebben die afwijkt tussen marketing, finance en analytics.

Datagovernance en eigenaarschap: van losse check naar routine

Data-governance in analytics krijgt vorm via een eigenaar per dataset of KPI, een vastgelegde definitie, een afgesproken actualiteit en een periodieke audit. Zo blijven kwaliteitscontroles geen losse acties.

Betrek de rollen die Digital Power noemt voor een tracking- en analyticsaudit: marketeers, data-analisten, privacy officers, product owners en IT-teams. Samen kunnen zij verbeterpunten uit een audit prioriteren en per punt vastleggen wie het oplost, wanneer het klaar is en hoe je controleert dat het niet terugvalt.

Voor structuur in data management en governance bestaat bijvoorbeeld de CDMP Data Management & Governance Fundamentals-training: een tweedaagse (examen)training die voorbereidt op de CDMP-certificering en het Data Management Fundamentals-examen van DAMA International, met een genoemde editie op 28–29 september 2026. Ciclic pleit daarnaast voor een warehouse-centric aanpak waarin het eigen datawarehouse centraal staat.

Praktische checklist en vervolgstappen

Gebruik de checks uit de eerdere secties als uitgangspunt en leg per check vast: welk systeem de bron van waarheid is, welke sleutel je voor reconciliatie gebruikt (klantnummer, product-ID of ordernummer) en welke afwijking nog acceptabel is. Voeg aan elke check een eigenaar, een deadline en een bewijsstuk toe, zoals een export of query waaruit blijkt dat het probleem is opgelost.

Werk bij hercontrole met een vaste steekproefaanpak en registreer per bevinding de status, eigenaar en het bewijsstuk. Koppel terugkerende bevindingen aan een periodiek overleg, zodat een oplossing niet na één cyclus verdwijnt.

Maak daarna een gefaseerde planning op basis van risico: begin met checks die direct impact hebben op rapportages, geld of privacy en laat de rest volgen.

Prioritering van checks op basis van risico