Data Quality Management: definitie, levenscyclus en verantwoordelijkheden

Samenvatting

Data Quality Management staat in 2026 bovenaan de BARC-trendlijst met een score van 7,9 uit 10.

Data Quality Management: wat er gebeurt

BARC beschrijft Data Quality Management als het proces om data gedurende de hele levenscyclus accuraat, betrouwbaar en geldig te houden. De aanpak verbindt eisen van gebruikers met het proces waarin data ontstaat, wijst verantwoordelijkheden toe en controleert of het afgesproken kwaliteitsniveau wordt gehaald.

In de BARC Data, BI and Analytics Trend Monitor 2026 gaven 1.579 gebruikers, consultants en leveranciers Data Quality Management gemiddeld een 7,9. Daarmee staat het onderwerp op de eerste plaats, gedeeld met dataveiligheid en privacy.

Data quality betekent volgens BARC dat data geschikt is voor een specifieke toepassing. De data moet de juiste vorm en structuur hebben, correct weergeven wat ze beschrijft en passen bij het beoogde gebruik. ISO 8000-8 biedt hiervoor een referentiekader.

Waarom Data Quality Management belangrijk is

Fouten blijven vaak verborgen tot ze een beslissing, proces of analyse raken. Daarna ontstaan tegenstrijdige kengetallen, handmatig herstelwerk en lange discussies over de juistheid van data. Onduidelijke verantwoordelijkheden en ontbrekende eisen liggen vaak eerder in de keten.

De bron koppelt betrouwbare data ook aan processen en AI-toepassingen. Perfecte kwaliteit bestaat niet; fouten blijven voorkomen. DQM maakt daarom vooral zichtbaar welke kwaliteit een specifieke toepassing nodig heeft, wie daarop aanspreekbaar is en wat er gebeurt wanneer data niet aan de afspraak voldoet.

Voor BI-teams verschuift de aandacht zo van alleen controles achteraf naar afspraken over ontstaan, gebruik en opvolging. Dat maakt kwaliteit een combinatie van technische controles en organisatorische keuzes.

Concrete takeaway voor Data Quality Management

Leg per dataset vast waarvoor de data dient, welke zakelijke, technische en wettelijke eisen gelden en wie eigenaar is. Meet daarna het afgesproken kwaliteitsniveau tijdens de levenscyclus en documenteer de reactie op afwijkingen. Zo krijgt een rapport, proces of AI-toepassing een aantoonbare kwaliteitsbasis zonder te doen alsof foutloze data haalbaar is.