En analyse af stamdatakvaliteten i danske produktionsvirksomheder

En analyse af stamdatakvaliteten i danske produktionsvirksomheder Jakob Schlichter Jan Stentoft Arlbjørn Anders Haug Frederik Zachariassen Institut for Entreprenørskab og Relationsledelse Syddansk Universitet 6000 Kolding White paper 2011

En analyse af stamdatakvaliteten i danske produktionsvirksomheder White paper Jakob Schlichter Jan Stentoft Arlbjørn Anders Haug Frederik Zachariassen 2011 Institut for Entreprenørskab og Relationsledelse Syddansk Universitet 6000 Kolding Gennemført med økonomisk støtte fra Industriens Fond ISBN 978 87 92471 07 9 Billede til forsiden af dette white paper er hentet fra www.sxc.hu

2 En analyse af stamdatakvaliteten i danske virksomheder

Indhold 1. Executive summary... 5 2. Baggrund for undersøgelsen... 7 2.1 Data, information og viden... 8 3. Formål med undersøgelsen... 11 4. Metode... 13 4.1 Dataindsamling... 14 5. Dataanalyse... 16 5.1 Frekvens af dårlige stamdata... 16 5.2 Kvaliteten af stamdata... 18 5.3 Omkostninger forårsaget af dårlig stamdatakvalitet... 19 5.4 Tiltag til at forbedre datakvalitet... 20 5.5 Initiativer til forbedring af stamdatakvalitet... 21 5.6 Barrierer for datakvalitet... 22 5.7 Konsekvenser af dårlige/mangelfulde stamdata... 24 6. Konklusion... 25 7. Et perspektiv på masterdata: Digitale årsrapporter... 26 8. Litteraturliste... 28 Bilag 1: Spørgeskema... 29 En analyse af stamdatakvaliteten i danske virksomheder 3

4 En analyse af stamdatakvaliteten i danske virksomheder

1. Executive summary Dette white paper præsenterer en større spørgeskemaundersøgelse foretaget med økonomisk støtte fra Industriens Fond. Formålet med undersøgelsen er at analysere sammenhænge mellem virksomheders indirekte omkostninger og kvaliteten af stamdata. Undersøgelsen tager udgangspunkt i danske produktionsvirksomheder. Stikprøverne blev inddelt i tre grupper: Små virksomheder med 1 til 49 ansatte, mellemstore virksomheder med 50 til 199 ansatte og store virksomheder med 200 eller flere ansatte. Specifikt søger undersøgelsen at give svar på: Frekvensen af dårlige stamdata? Hvilken udvikling der har været i omkostninger relateret til datakvalitet? Hvilke tiltag der iværksættes for at forbedre datakvaliteten? Hvilke barrierer der er for at sikre datakvalitet? Hvilke konsekvenser dårlige stamdata har for virksomhederne? Frekvensen af dårlige stamdata Det fremgår af undersøgelsen, at en del af de danske produktionsvirksomheder oplever en vis grad af fejl i deres stamdata. Således oplever i gennemsnit 30% af de adspurgte virksomheder, at de til tider eller ofte oplever dårlige stamdata. Problemet er størst i de store virksomheder, som på trods af en øget indsats på området og de tilsyneladende bedste IT systemer, er de, der bliver hårdest ramt omkostningsmæssigt. Grundene til dette må findes i, at de mindre virksomheder ikke er så afhængige af, at skulle træffe beslutninger på baggrund af deres systemer og graden af automatisering. Dette kan også have at gøre med de kapaciteter, der er i virksomhederne. I de større virksomheder vil fejlene ofte være mere omfangsrige og påvirke flere ressourceenheder end i de mindre virksomheder. Belægningen af kapacitetsenheder vil også typisk være større i de store virksomheder, hvorved ekstraopgaver til at udbedre fejl og mangler i forbindelse med dårlige stamdata hurtigere vil kunne influere virksomhedens omkostninger. Udviklingen i omkostninger relateret til datakvalitet Virksomhederne mener generelt, at udviklingen i kvaliteten af deres egen datakvalitet er stigende. Kun ca. 8% mener, at der har været en negativ udvikling i omkostninger forårsaget af fejl i stamdata indenfor de sidste 2 år. Hvis man sammenholder det med, at kun ca. 10% mener, at der er sket et fald i kvaliteten af stamdata indenfor samme periode, må dette siges at være en Vi har mere end 70 forskellige stykker software kørende og vi er for dårlige til at integrere felter. Vi har meget dobbeltarbejde med at flytte data. Vi har også en del forkert data som er med til at vores indtjeningsevne falder. Så laver vi flere nød systemer for at råde bod på dette, men det jo en ond cirkel og ethvert forsøg på en diskussion om at skifte IT system bliver nærmest til en religionskrig. Respondent fra case studie positiv udvikling for dansk industri. Det er dog vigtigt at påpege, at sammenhængen og overblikket med hensyn til omkostninger associeret med dårlig datakvalitet kan være svær at få øje på, medmindre man har et stort kendskab til alle forretningsprocesser i virksomheden. Dette kan også være en af årsagerne til, at en del af de adspurgte virksomheder kæmper med stamdataproblematikker. En analyse af stamdatakvaliteten i danske virksomheder 5

Tiltag til forbedring af datakvaliteten Undersøgelsen viser, at det er de mellemstore og store virksomheder, der gør mest ud af at forbedre stamdata. Der er overordnet set 80% af virksomhederne, der har forsøgt sig med en eller flere af følgende tiltag til forbedring af datakvalitet: dataoprydning, politikker for dataoprettelse, måling af kvalitet, ansvarsfordeling, uddannelse/træning, give folk ejerskab/ansvar for bestemte data og styrke ledelsens forståelse af datakvalitets vigtighed. Forskellen imellem de små, mellemstore og store virksomheder er relativt stor, idet ca. 73% af de små virksomheder har prøvet tiltag, mens de mellemstore og store virksomheder ligger på hhv. 89% og 93%. Dette kunne tyde på, at de større virksomheder ser gode stamdata som et vigtigere indsatsområde end de mindste. Alternativt kan disse data også ses i lyset af, at selvom de små virksomheder måske nok finder stamdata vigtige, så har de måske ikke de nødvendige ressourcer til at igangsætte tiltag til forbedring af stamdatakvaliteten. Effekten af de valgte tiltag er også væsentligt større i de store virksomheder, idet 81% af de store virksomheder har svaret, at tiltagene har haft moderat eller stor effekt på forbedringen af master data, mens det samme tal for de mellemstore virksomheder ligger på ca. 75%. De små virksomheder er nede på 53%. Barrierer for god stamdatakvalitet Med hensyn til mulige barrierer for god stamdatakvalitet er det bemærkelsesværdigt, at IT systemer ikke synes at være en begrænsning for virksomhederne. Over 50% af de adspurgte virksomheder mener således ikke, at IT systemerne er en barriere i forhold til datakvaliteten. De problemer, virksomhederne har, er i stedet primært organisatoriske. Disse organisatoriske aspekter inkluderer manglende uddannelse i brug af datalagringssystemerne, og der synes desuden at mangle en klar ansvarsfordeling i forhold til, hvem der skal sørge for opdateret og korrekt stamdata. I kraft af at IT systemer er blevet bedre og der er blevet afsat mange midler til forbedringer af brugen af dem, virker det naturligt, at det næste fokusområde må være at få den organisatoriske del af god stamdatakvalitet på fode. Dette må siges at være specielt vigtigt for virksomheder, der handler via e handel eller via sammenlignelige platforme. Konsekvenser af dårlige stamdata Som konsekvens af dårlige stamdata oplever virksomheder en del følgeomkostninger. Disse unødvendige ekstraomkostninger, som er forårsaget af dårlige stamdata, kan f.eks. være omkostninger i forbindelse med dårligt arbejdsmiljø, uklare arbejdsprocesser, mistede kundeordrer, produktionsfejl, dårligere produktkvalitet og dårligere kvalitet af dokumenter. Ifølge besvarelserne er de tre største problemer som følge af dårlig kvalitet af stamdata ekstra ressourceforbrug til administration, som 69% af virksomhederne har oplevet, mindre effektivitet, som 62% har oplevet og endelig længere varighed af processer/opgaver, som 59% af virksomhederne har oplevet. Derimod synes virksomhederne ikke at have væsentlige problemer med nedgang i kundeordrer ifm. dårlige stamdata, da kun 10% af virksomhederne har svaret. Tilsvarende synes dårligt arbejdsmiljø også kun at være en mindre konsekvens af dårlige stamdata med kun 18% positive tilkendegivelser fra virksomhederne. 6 En analyse af stamdatakvaliteten i danske virksomheder

2. Baggrund for undersøgelsen Danske virksomheders konkurrenceevne er inden for de seneste år kommet under stadig større pres. Den stigende globalisering har bl.a. ført til stigende produktionsaktiviteter i lavtlønslande som Østeuropa, Kina og Indien. Produkter skabes i et land og sendes på tværs af landegrænser. I flere tilfælde endda til andre kontinenter for viderebearbejdning, emballering, montage, lagring og salg (Ferdows, 1997). I Danmark har vi også set en trend mod outsourcing og offshoring af standardiserede og løntunge produktionsopgaver, mens det mere videnstunge bibeholdes (Arlbjørn et al., 2011). Den internationale finanskrise har også påvirket konkurrenceevnen bl.a. gennem øgede krav om prisreduktioner og finansiel mobilitet/likviditet. I perioder med lavkonjunktur giver det virksomheder en speciel anledning til at revurdere deres forbrug af omkostninger herunder ikke mindst de indirekte omkostninger, de såkaldte overheads. Manufacturing Overheads (MOH) og Selling, General and Administrative Costs (SG&A) refererer til en virksomheds indirekte omkostninger, også benævnt kapacitetsomkostninger eller faste omkostninger. I modsætning hertil står variable omkostninger, som varierer direkte med produktions og salgsaktiviteten, hvilket de faste omkostninger ikke gør. Typiske eksempler på MOH er maskinafskrivninger, op og omstilling af maskiner, grov og finplanlægning af produktionen, kvalitetsforebyggelse og kontrolarbejde og lønninger til ledelse og bestyrelse. Eksempler på SG&A er omkostninger til promotion, før og eftersalgsservice, kundespecifik emballering og levering, logistik, fakturering og kundekredit checks. Et kendetegn ved MOH og SG&A omkostninger er, at de er svære at henføre til de aktiviteter, som forårsager dem (Cooper og Kaplan, 1992). Herudover skal det bemærkes, at omkostningsbesparelse i form af en hensigtsmæssig reduktion af de faste omkostninger, er en effektiv strategi for virksomheder, da omkostninger sparet her er en direkte forbedring af bundlinjen. Dette stilles i modsætning til en stigning i virksomhedens toplinje, hvor en krone mere tjent ikke giver en tilsvarende direkte forbedring af bundlinjen, da de efterfølgende omkostninger til denne stigning i virksomhedens toplinje nødvendigvis skal fratrækkes. Virksomheders indirekte omkostninger udgør stadig en større andel af de samlede omkostninger på grund af to primære markedsudviklinger. For det første er den stigende konkurrence blandt virksomheder årsag til, at virksomheder ofte er presset til at udvikle flere specialdesignede og kundetilpassede produkter. Sådanne produkter har ofte en større del af indirekte omkostninger end standardiserede produkter, idet der i kundetilpassede produkter ofte indgår mere produktudvikling (R&D), flere supportfunktioner og flere fejl. Omkostninger til sådanne er for størstedelens vedkommende indirekte (Cooper og Kaplan, 1991). For det andet stiller vidensamfundet et stigende krav til videnkompetencer, hvis omkostninger ofte er svære at henføre til bestemte produkter. Denne svære henførbarhed medfører i mange tilfælde, at virksomheder har vanskeligt ved at udregne præcist, hvad deres lønsomhed er for deres produkter og/eller kundesegmenter. I forbindelse med masterdata og overhead omkostninger opstår der en særlig og central problematik. På den ene side skal virksomheden forsøge at forbedre og vedligeholde dens masterdata, således at disse data ikke er fejlbehæftet, da en for stor grad af fejl i disse data vil medføre, at virksomheden har for mange omkostninger i forbindelse med mistede kundeordrer, leveringer til forkerte kundeadresser etc. På den anden side skal virksomheden dog også være opmærksom på, at der er omkostninger ved at vedligeholde data, og at disse kan blive for store, hvis der bliver benyttet uhensigtsmæssig meget tid på denne vedligeholdelsesaktivitet. Der er således et trade off mellem på den ene side at vedligeholde data, og på den anden at sørge at omkostningerne til vedligeholdelsen af dataene ikke bliver for stor. En analyse af stamdatakvaliteten i danske virksomheder 7

Figur 2.1: Trade off mellem vedligeholdelsesomkostninger og omkostninger forårsaget af dårlige data Kilde: Haug et al. (2011) I ovenstående figur 2.1 kan dette trade off ses. Ud af x aksen er datakvalitet, mens y aksen afspejler omkostninger. Grafen, som er benævnt vedligeholdelsesomkostninger, viser, at ved stigende krav til datakvalitet stiger omkostninger ved vedligeholdelse (og forbedring) af disse. Grafen, som er benævnt omkostninger forårsaget af dårlig masterdata kvalitet, viser derimod, at der ved stigende krav til kvaliteten af masterdata er et fald i omkostninger. Kurven er her ekspotentielt faldende, da det forudsættes, at et stadigt stigende krav til niveauet i datakvaliteten kun vil medføre mindre forbedringer (f.eks. hvis eventuelle stavefejl i kunders leveringsadresser også bliver rettet, vil dette ikke have den store betydning rent fejlmæssigt). Det optimale punkt for vedligeholdelse af data kontra omkostninger forårsaget af dårlig masterdatakvalitet ligger i punktet optimum, hvor de totale omkostninger kombineret er de laveste. 2.1 Data, information og viden Det er generelt accepteret, at beslutninger ikke bliver bedre end de data, som de konkrete beslutninger træffes på grundlag af. Mere konkret skabes og bruges data i nærmest alle daglige operationer, hvor data er grundlaget for de fleste beslutninger, og hvor disse implicit er med til at definere virksomhedens kultur i kraft af at styre, hvilke termer der bruges i virksomheden (Levitin og Redman, 1998). Data kan inddeles i henholdsvis stamdata og transaktionsdata. Stamdata er karakteriseret ved at blive tastet en gang for derefter at blive brugt gentagne gange. Eksempler på stamdata er f.eks. oplysninger på et varekort såsom varenummer, varenavn og mængde. Andre eksempler kan være data om kunder og leverandører (adresser, kontaktdata og CVR numre). Et tredje eksempel kan være medarbejder stamdata såsom medarbejdernummer, lønnummer og personalekategori. De omkostninger der er relateret til dårlig datakvalitet er svære at estimere, men uformelt vurderer Redman (1998), at op til 40 60% af en serviceorganisations udgifter kan blive spist af dårlig datakvalitet. 8 En analyse af stamdatakvaliteten i danske virksomheder

Vigtigheden af valide stamdata stiger yderligere i takt med, at flere produktionsopgaver udflages (Arlbjørn og Lüthje, 2011). Man har talt om eksport af problemområder gennem outsourcing af produkter, hvor der f.eks. har været et utilstrækkeligt produktionsgrundlag, hvilket har forvoldt en lang række ekstra omkostninger til udbedring af fejl og kvalitetskontrol. Data er det laveste abstraktionsniveau, hvorfra information og viden skabes. Data kan opfattes et sæt af diskrete og objektive facts om hændelser (Davenport og Prusak, 1998). Information er en besked, der typisk formidles i et dokument og anvendes til at ændre den måde modtageren opfatter ting på (Davenport og Prusak, 1998). Viden består af erfaring, værdier, kontekstuel information og ekspertmæssig indsigt, som giver en ramme for at evaluere og indarbejde nye erfaringer og information. Det stammer fra og anvendes i tankerne hos den vidende. I virksomheder indlejres det ikke kun i dokumenter, men også i organisatoriske rutiner, processer, praksisser og normer (Davenport og Prusak, 1998). Når data behandles, bliver det således til information. Vigtige karakteristika ved sådan information er, at informationen bl.a. bør være brugbar, komplet, økonomisk og præcis (se tabel 1). Når information herefter fortolkes, bliver det til viden. Valide stamdata anses her som en udfordring i mange virksomheder (f.eks. fejl og mangler i styklister, ruter og på varekortet), da disse data ofte ligger til grund for både information og viden i form af fortolkninger fra virksomhedens medarbejdere af de stamdata, der er tilgængelige i virksomheden. Udviklingsaktiviteter med oprydning, datavask og retningslinier for god pleje af stamdata bør således stå øverst på virksomheders prioriterede projektoversigter. Disse udviklingsaktiviteter har dog ofte problemer med at blive igangsat, da der ofte eksisterer et væld af usammenhængende IT systemer i virksomheder, som gør det langsommeligt, upræcist og ressourcekrævende at opbygge beslutningsrelevant information. Tabel 1: Brugbar information Timely Relevant Accurate Complete Economical Strategiske, taktiske og driftsmæssige beslutninger bases på information. I beslutningssituationer bør informationen være rettidig (f.eks. aktuelle salgstal, faktisk lagerniveau og det konkrete antal ordre). Informationen bør vedrører de specifikke problemer, der skal løses. Informationen skal være relevant for den problemstilling, der skal løses. Informationen må ikke være fejlbehæftet. Den skal være pålidelig. Der træffes mange strategiske beslutninger som f.eks. outsourcing af produktion til en kinesisk underleverandør. Informationen skal være komplet. Hvis der f.eks. mangler nogle salgstal fra det samlede produktprogram giver det ikke samlet billede at træffe beslutninger ud fra. Som i andre forretningsområder bør man arbejde med cost og benefit analyser, når information efterspørges. Man bør således hele tiden afveje, hvilke fordele der opnås ved at skabe yderlige information i forhold til de omkostninger, der forbruges for at skabe den. Kilde: Arlbjørn og Haug (2010) En af de store udfordringer ved stamdata er at sikre, at data ikke vedligeholdes parallelt i flere systemer på samme tid, idet det ofte medfører datainkonsistens. Ikke desto mindre er det almindeligt forekommende i større virksomheder, hvor samme data ofte administreres på lokalt niveau i forskellige afdelinger (Vayghan et al., 2007; Haug et al., 2010). ERP systemer præsenteres ofte som "løsningen" på virksomheders dataproblemer, da disse systemer i kraft af at gå på tværs af hele virksomheden sikrer, at det er de samme data En analyse af stamdatakvaliteten i danske virksomheder 9

alle arbejder med (Knolmayer og Röthlin, 2006). Studier har dog vist, at det på trods af denne teknologi stadig kan være særdeles svært at opnå tilfredsstillende datakvalitet (Ross, 1999; Park og Kusiak, 2005). Foreløbige studier af danske virksomheder foretaget ved vort institut, Institut for Entreprenørskab og Relationsledelse ved Syddansk Universitet Kolding, viser samme billede, nemlig at mange virksomheder, på trods af store investeringer i informationsteknologi, ikke formår at opnå tilstrækkelig datakvalitet ikke mindst for deres stamdata (Haug et al., 2009; Haug og Arlbjørn, 2011). For at kunne fastslå omfanget og omkostningerne ved manglende datakvalitet er yderligere forskning dog nødvendig. Vi har ikke godt nok styr på vores stamdata. Vi arbejder meget i mange forskellige Excel ark med forskellige ad hoc løsninger. Dette skyldes bl.a., at vi får meget data ind fra mange forskellige kilder, som er i alle mulige forskellige formater. Og den der dataoprydning og disciplin, hvor vi begynder at rense dataene, så de alle er i samme format og uden duplikater, den har vi svært ved. Det betyder bl.a., at prisfastsætningen af vores produkter ofte foretages på skøn og intuition. Respondent fra case studie 10 En analyse af stamdatakvaliteten i danske virksomheder

3. Formål med undersøgelsen Undersøgelsen har til formål at tilvejebringe ny viden om danske produktionsvirksomheders overhead forbrug relateret til kvaliteten af stamdata. Internationale litteraturstudier omkring denne sammenhæng har afdækket, at dette område synes at være udyrket. Den grundlæggende tilgang i projektet er, at jo mindre fokus der er i virksomhederne på at sikre valide stamdata (med øget risici for ukorrekte, mangelfulde og redundante data), jo større er virksomhedernes forbrug af overheadomkostninger, idet der skal kompenseres for den manglende datavaliditet (bl.a. gennem flere manuelle processer og tjek i procesforløbet). Mere specifikt er det formålet at få undersøgt praksis indenfor følgende områder: Frekvens af dårlige stamdata (udbredelsen) Omkostninger relateret til datakvalitet Tiltag til at forbedre datakvalitet Barrierer for datakvalitet Konsekvenser af dårlige/mangelfulde stamdata Frekvens af dårlige stamdata: I forbindelse med dette emne har vi adspurgt virksomhederne (se mere om dette i afsnit 4) om, hvor ofte der opleves fejl i stamdata. Disse fejl kan opstå i f.eks. kundestamdata, leverandørstamdata, logistik stamdata og i produktionsdata i form af forkert specificering af styklister og produktionsruter mv. Disse spørgsmål skulle kunne gerne bibringe viden om, i hvilke dele af organisationen og i hvor høj grad de danske virksomheder oplever fejl i stamdata. Omkostninger relateret til datakvalitet: I denne sektion er der bl.a. blevet spurgt ind til, om der er oplevet et fald eller en stigning i de omkostninger over de sidste to år, som er forårsaget af fejl i datakvalitet og om kvaliteten af stamdata er faldet eller steget inde for samme periode. Disse spørgsmål er bl.a. blevet stillet for at belyse, om kvaliteten af stamdata hænger sammen med virksomhedens samlede forbrug af overheadomkostninger f.eks. gennem unødvendige ekstra mandetimer til at rense op i graverende fejl i stamdata. Tiltag til at forbedre datakvalitet: Der er her blevet spurgt, hvilke tiltag der er blevet gjort for at forbedre virksomhedernes datakvalitet. Sådanne tiltag kan bestå af dataoprydning, politikker for dataoprettelse, ansvarsfordeling mellem medarbejdere og en forbedret forståelse af vigtigheden i at have en effektiv tilgang til stamdata disciplin. Via dette spørgsmål har det været muligt at afdække, hvilke indsatsområder de danske virksomheder generelt ser som værende de væsentligste og/eller mindst ressourcekrævende at iværksætte. Barrierer for datakvalitet: I denne del af spørgeskemaet er der blevet spurgt ind til, hvad de største barrierer er for forbedring af stamdatakvaliteten. Dette kan være manglende placering af ansvar for kvalitet af bestemte data, manglende ledelsesfokus eller manglende træning/uddannelse af de Den største barriere i forhold til datakvalitet er at få folk til at spille med, specielt hvis det drejer sig om data der ikke skal bruges her og nu. Vi har derfor ansat en datakvalitetsmanager for at forbedre situationen." Respondent fra case studie medarbejdere, som skal benytte stamdata til at understøtte virksomhedens dag til dag operationer. I en senere analyse af data fra de besvarede spørgeskema vil dette spørgsmål muligvis blive sat i sammenhæng med hvilke tiltag til forbedringer af virksomhedernes tiltag til forbedring af deres stamdatakvalitet. En analyse af stamdatakvaliteten i danske virksomheder 11

Konsekvenser af dårlige/mangelfulde stamdata: Som den sidste del af undersøgelsen om praksis for stamdata i danske virksomheder er der blevet spurgt ind til konsekvensen af mangelfulde og/eller ukorrekte stamdata. Dette kan være relateret til områder som f.eks. mistede kundeordrer, produktionsfejl, ekstra ressourceforbrug i produktionen, generelt set mindre effektivitet og uklare arbejdsprocedurer. Via disse spørgsmål bliver det muligt at belyse på hvilke områder danske virksomheder bliver ramt af dårlig stamdatadisciplin. 12 En analyse af stamdatakvaliteten i danske virksomheder

4. Metode I denne undersøgelse består dataindsamlingen af både en kvalitativ og en kvantitativ metode. Den kvalitative del af dataindsamlingen bestod i at gennemføre en række case studier i produktionsvirksomheder og handels og servicevirksomheder omkring problemstillinger relateret til stamdata og indirekte omkostninger. Udsagnene fra de interviewede personer i case virksomhederne har dannet baggrunden for at udarbejde et spørgeskema, som efterfølgende er blevet distribueret til en bred vifte af danske produktionsvirksomheder. Dette spørgeskema er den kvantitative del af dataindsamlingen. Den kvantitative undersøgelse har alene fokus på produktionsvirksomheder, idet sådanne virksomheder, til forskel fra handels og servicevirksomheder, har en række produktionsrelaterede masterdata (f.eks. styklister, produktionsruter og ressourcer), der øger kompleksiteten i vedligeholdelsen og opdateringen af stamdata. Denne fravælgelse af handels og servicevirksomhederne blev truffet ifm. interviews hos de pågældende, hvor det blev klart, at stamdataproblematikker er mere relevante for produktionsvirksomheder end for førstnævnte. En liste af produktionsvirksomheder er trukket fra "Navne & Numre Erhverv", hvorefter fremstillingsvirksomhederne er valgt. Vi har forsøgt at sikre os imod dubletter ved kun at medtage hovedselskaber og fravælge holdingselskaber ligesom vi har fokuseret på virksomheder i normal drift. Vi har valgt at lave en yderligere segmentering indenfor de små virksomheder, da den samlede population er meget større end det nødvendige stikprøvemateriale (sample) i forhold til at få valide data. Udvælgelsen af virksomheder er sket ved hjælp af en random variabel ganget med 10.000, hvorefter de virksomheder med de største numre er blevet valgt ud indtil vi opnåede et sample der var tilstrækkeligt stort. Der blev ikke foretaget en segmentering på de store og mellemstore virksomheder, da antallet af disse var så lavt at vi valgte at medtage hele populationen. Produktionsvirksomhederne er inddelt i tre grupper efter antal ansatte: Små virksomheder (1 49 ansatte) Mellemstore virksomheder (50 199 ansatte) Store virksomheder (200+ ansatte) Den samlede population udgør således for produktionsvirksomhederne: 7.876 små virksomheder 694 mellemstore virksomheder 157 store virksomheder På baggrund af segmenteringen på antal ansatte er der foretaget en stratificeret udvælgelse for at sikre, at svarene fra de mellemstore og store virksomheder ikke bliver udvandet af de små virksomheder (da der ellers ville være overrepræsentation af de små virksomheder). Ved hjælp af en stratificeret stikprøve (grupper opdelt på faktorer såsom omsætning, alder, antal ansatte osv.) kan der herefter foretages en simpel, tilfældig stikprøveudtagning i forhold til hver delpopulation. Herefter vurderes hvad resultaterne ville være, hvis hele befolkningen blev undersøgt. Med andre ord er det via denne metode blevet sikret, at der med statistisk belæg kan generaliseres til hele populationen, dvs. at de givne, udvalgte data kan benyttes til analyser og konklusioner vedrørende alle danske produktionsvirksomheder. Hele populationen ved store og mellemstore virksomheder er medtaget grundet de mindre størrelser på disse delpopulationer. Til en del af spørgsmålene er der benyttet Likert skalaer. En Likert skala består af En analyse af stamdatakvaliteten i danske virksomheder 13

flere svarmuligheder, der er rangeret efter en typisk nummereret skala. Ved benyttelse af Likert skalaen får man mulighed for at findele svarene fra respondenterne til spørgeskemaet. Dette giver mulighed for at få et mere præcist og uddybende billede af respondenternes holdninger til diverse problematikker i forbindelse med stamdata og overhead omkostninger. Svarene, som respondenterne har givet, kan groft opdeles i 3 grupper ("ved ikke" svar sorteret fra): 1. Positive tilkendegivelser (svarmulighed 1, 2 og3) 2. Neutrale tilkendegivelser (svarmulighed 4) 3. Negative tilkendegivelser (svarmulighed 5, 6 og 7) Ved hjælp af denne grovere sortering bliver det mere overskueligt at præsentere dataene i nedenstående analyse. I nedenstående tabel 2 vises i første talkolonne til venstre de samlede registrerede selskaber for henholdsvis små, mellemstore og store virksomheder. I kolonnen stikprøve vises de virksomheder, som er blevet kontaktet. Ikke alle små virksomheder blev kontaktet, da dette ville være unødvendigt med hensyn til at sikre den statistiske validitet af data (dvs. med hvor stor sikkerhed man kan generalisere dataene). I kolonnen svar er der angivet, hvor mange virksomheder der har svaret på spørgeskemaet, mens den sidste kolonne svarprocent giver svarprocenten for den givne virksomhedstype. Disse svarprocenter må siges at være typiske for spørgeskemaundersøgelser med hensyn til de små virksomheder, mens svarprocenterne for de mellemstore og de store virksomheder er mærkbart og markant højere end forventet. Dette er blot med til forstærke udsagnet om, at stamdata er en væsentlig, relevant og interessant problematik for ihvertfald store og mellemstore danske virksomheder. Tabel 2: Den samlede stikprøvestørrelse Danske produktionsvirksomheder Virksomhedsstørrelse Registrerede selskaber Målgruppe Stikprøve Svar Svarprocent Små (0 49) 7.876 3.659 472 13% Mellemstore (50 199) 697 592 592 247 42% Store (200+) 213 157 157 68 43% I alt 8.786 4.408 787 18% 4.1 Dataindsamling Dataindsamlingen bestod i, at en gruppe på 10 studerende ved Syddansk Universitet, Kolding, har foretaget telefonopkald til listen af danske produktionsvirksomheder. Ved hvert telefonopkald er der blevet spurgt, om det er muligt at blive stillet om til virksomhedens økonomiansvarlig. Den økonomiansvarlige blev valgt som respondent, da det vurderes at det er denne person i virksomheden, som har den største indsigt i de to områder: 1) stamdata og 2) overhead omkostninger. Det blev også overvejet i stedet at kontakte ITansvarlige, men ved nærmere granskning, bl.a. igennem casestudierne og ved en pilotafprøvning af spørgeskemaerne i 3 virksomheder, blev det klart, at den økonomiansvarlige i gennemsnit vil have en større 14 En analyse af stamdatakvaliteten i danske virksomheder

indsigt i de to, relevante områder. Der skal gøres opmærksom på, at det mest valide svar ville være fremkommet, hvis spørgeskemaet havde cirkuleret mellem forskellige stillinger i de respektive virksomheder (som f.eks. den IT ansvarlige, administrationspersonale etc.). Dette ville dog sandsynligvis sænke svarprocenten grundet en større oplevet arbejdsindsats for virksomhederne, hvilket ville give anledning til kontakt med en hel del flere virksomheder. Det er en begrænsning ved denne spørgeskemaundersøgelse, at kun den økonomiansvarlige er blevet adspurgt, selvom dette dog stadig må vurderes som havende en acceptabel grad af validitet. Hvis der blev etableret kontakt til den økonomiansvarlige, blev der først orienteret om undersøgelsen, og hvis den kontaktede ønskede at deltage blev der herefter pr. email fremsendt et link til spørgeskemaet via dataprogrammet survey Xact. En analyse af stamdatakvaliteten i danske virksomheder 15

5. Dataanalyse I dette afsnit vil de oparbejdede data blive præsenteret og der vil blive analyseret og konkluderet på disse. Da spørgsmålene i spørgeskemaet til tider har involveret op til flere dimensioner (se f.eks. spørgsmål fire på en af de sidste sider i dette white paper), er der til tider præsenteret en forenklet udgave af dataene, da en fyldestgørende og præcis fremstilling af data i disse spørgsmål ville gøre afrapporteringen af data i form af figurer alt for komplekst. 5.1 Frekvens af dårlige stamdata Den første del af analysen viser, hvor stor frekvensen af fejl i stamdata er i de danske virksomheder. Svarene er fordelt på 7 typer af stamdata, som det kan ses i nedenstående figur 5.1. Figur 5.1: Frekvens af fejl i stamdata % i forhold til det samlede antal virksomheder 80% 70% 60% 50% 40% 30% 20% 10% 0% Få antal fejl i stamdata Moderat antal fejl i stamdata Mange antal fejl i stamdata Typer af stamdata Som det ses af ovenstående figur er der ud af x aksen (den horisontale akse) præsenteret syv typer af stamdata, fra kundestamdata til indkøbsordrestamdata. Op af y aksen (den vertikale akse) er vist procentsatser for, hvor mange virksomheder, der i procent af det totale antal virksomheder, har givet et givent svar. Den første søjle viser, hvor mange virksomheder, der har svaret, at de oplever få antal fejl i deres stamdata. Den midterste søjle viser, hvor mange virksomheder, der har svaret, at de oplever et moderat antal fejl i deres stamdata, mens den sidste søjle endeligt viser det procentvise antal af virksomheder, som har responderet, at de oplever mange fejl i deres stamdata. Således kan man f.eks. udlede af figuren, at 70% af de adspurgte virksomheder har svaret, at de oplever ganske få fejl i deres kundestamdata. Generelt set kan man af figuren udlede, at en del virksomheder oplever en vis mængde af fejl i deres stamdata. For f.eks. de 30% af virksomhederne (den midterste og den sidste søjle lagt sammen yderst til venstre i figuren), som har svaret, at de har fejl i deres kundestamdata, må dette således siges at give problemer med f.eks. levering til den rigtige kundeadresse, hvilket selvsagt skaber ekstra transportbehov etc. Som det også ses af figuren oplever virksomhederne at have de fleste fejl i forbindelse med produktionsstamdata, varestamdata og logistikdata. Dette giver god mening, da disse tre gruppe af 16 En analyse af stamdatakvaliteten i danske virksomheder

stamdata ofte er komplekse størrelser. F.eks. kan en stykliste til et teknologisk kompliceret produkt ofte være lang og indviklet i modsætning til f.eks. leveringsadresser i forbindelse med et kundekartotek. De tre grupper af stamdata, som har den højeste fejlrate, er således også der, hvor de danske virksomheder har bedst mulighed for at forbedre sig procentvist. Med hensyn til gennemsnitsberegninger kan man jf. figur 1 se, at 64% af virksomhederne ikke oplever fejl i deres stamdata (gennemsnittet af de 7 første søjler). 18% af virksomhederne oplever i gennemsnit nogle fejl og 17% af de adspurgte virksomheder oplever i gennemsnit ofte fejl. Hvis man ser lidt dybere i dataene og ikke udelukkende forlader sig på information i figur 5.1, kan man dele virksomhederne op i tre grupper, nemlig små, mellemstore og store virksomheder. Hvis man ser på de 3 grupper af virksomheder, er det interessant at se, at der er markante forskelle mellem fejlfrekvensen i typerne af stamdata. De store virksomheder har generelt bedre styr på deres stamdata i forhold til de små og mellemstore virksomheder. Af de store virksomheder har 68% af dem i gennemsnit godt styr på deres stamdata uanset stamdatatype. Ved de små virksomheder er der derimod meget store udsving mellem kunde og leverandørstamdata (69% oplever i gennemsnit få antal fejl) og logistikstamdata, varestamdata og produktionsstamdata (57% oplever i gennemsnit få antal fejl) og til sidst salgsordrestamdata og købsordrestamdata (67,5% oplever i gennemsnit få antal fejl). De samme forskelle kan findes hos de mellemstore virksomheder med hensyn til kunde og leverandørstamdata (75% oplever i gennemsnit få antal fejl) og logistikstamdata, varestamdata og produktionsstamdata (58% oplever i gennemsnit få antal fejl) og endeligt salgsordrestamdata og købsordrestamdata (69% oplever i gennemsnit få antal fejl). Som ved det generelle billede i figur 5.1 kan det her igen udledes, at virksomhederne uanset virksomhedsstørrelse generelt oplever flere problemer med logistikstamdata, varestamdata og produktionsstamdata. Dette kan også have at gøre med de kapaciteter, der er i virksomhederne. I de større virksomheder vil fejlene ofte være mere omfangsrige og påvirke flere ressourceenheder end i de mindre virksomheder. Belægningen af kapacitetsenheder vil også typisk være større i de store virksomheder, hvorved ekstraopgaver til at udbedre fejl og mangler i forbindelse med dårlige stamdata hurtigere vil kunne influere virksomhedens omkostninger. En virksomhed på heden opererede engang med begrebet månedsregnskab. Det gav respekt, specielt når de fremmeste amerikanske børsnoterede selskaber arbejder med kvartalsregnskaber. Respekten ophørte, da det blev klart, at begrebet blev brugt, fordi det tog en hel måned at lave driftsregnskaber i Excel. Arlbjørn et al. (2010, s. 26) En analyse af stamdatakvaliteten i danske virksomheder 17

5.2 Kvaliteten af stamdata I denne del af analysen gennemgås det, hvor tilfredsstillende virksomhederne vurderer det nuværende niveau af deres stamdatakvalitet til at være. Svarene er som i figur 5.1, afsnit 5.1, fordelt på stamdatatyper og kan ses i nedenstående figur 5.2. Figur 5.2: Stamdatakvalitet % i forhold til det samlede antal virksomheder 80% 70% 60% 50% 40% 30% 20% 10% 0% Tilfreds med kvaliteten af stamdata Hverken tilfreds eller utilfreds med kvaliteten af stamdata Utilfreds med kvaliteten af stamdata Typer af stamdata I figur 2 er de samme akser benyttet som i figur 1. Af figuren kan det udledes, at virksomhederne generelt ikke er så tilfredse med kvaliteten af deres stamdata i stamdatatyperne logistik, vare og produktion. Dermed følger det opfattede niveau af kvaliteten af virksomhedernes stamdata også nogenlunde, hvor ofte virksomheden oplever fejl indenfor et område. Det er dog værd at bemærke her, at der i figur 2 er en forskydning på 5% i opadgående retning ved den første søjle i forhold til figur 1, hvilket kunne indikere, at virksomhederne generelt set kan tolerere flere fejl og stadigvæk have den overbevisning, at niveauet for kvaliteten af deres stamdata er tilfredsstillende. Hvis man analyserer på gennemsnit, kan man udlede, at 69% af de adspurgte virksomheder vurderer kvaliteten af deres stamdata som værende tilfredsstillende (igen et gennemsnit af de 7 første søjler, her blot for figur 2). 17% af virksomhederne oplever i snit kvaliteten som værende hverken tilfredsstillende eller utilfredsstillende, mens 14% af de adspurgte virksomheder vurderer den i snit til at være utilfredsstillende. Ser man bort fra figur 2 og analyserer dybere i de underliggende variationer i dataene kan man analysere sig frem til, at der er en sammenhæng imellem virksomhedens størrelse og vurderingen af kvaliteten af virksomhedens stamdata. Her svarer 78% af de store virksomheder, at de er tilfredse med kvaliteten af deres stamdata, mens 73% af de mellemstore virksomheder svarer tilsvarende. Ved de små virksomheder svarer kun 66%, at de finder deres stamdatakvalitet tilfredsstillende. En årsag til denne fordeling kan være, at stamdatakvalitet for små virksomheder generelt set ikke er et så strategisk vigtigt emne som for større virksomheder. Man kunne således give den forklaring, at små virksomheder mere har fokus på indledende produktudvikling, ideskabelse og netværk og ikke har en stor produktion, som er meget afhængig af valide stamdata som en større produktionsvirksomhed har. 18 En analyse af stamdatakvaliteten i danske virksomheder

5.3 Omkostninger forårsaget af dårlig stamdatakvalitet I dette afsnit vil der blive fremsat data vedrørende udviklingen i omkostninger i forbindelse med dårlig datakvalitet. Der er konkret blevet spurgt til, hvorvidt den givne virksomhed har oplevet, at dens omkostninger er faldet eller steget i de sidste 2 år. Dette er gjort for at finde frem til mulige sammenhænge imellem dårlig datakvalitet og stigende omkostninger. Svarerne fremgår af nedenstående figur 5.3. Figur 5.3: Udviklingen i omkostninger forårsaget af fejl i datakvalitet i de sidste 2 år % i forhold til det samlede antal virksomheder 70% 60% 50% 40% 30% 20% 10% 0% Færre omkostninger forårsaget af fejl i datakvalitet Uændrede omkostninger forårsaget af fejl i datakvalitet Flere omkostninger forårsaget af fejl i datakvalitet Typer af stamdata I figur 5.3 viser den første søjle, at virksomhederne her har svaret, at de har oplevet, at de omkostninger der er forårsaget af fejl i deres datakvalitet generelt set er faldet. Den midterste søjle viser, at der har været et uændret omkostningsniveau, mens den sidste søjle viser, at der er opstået flere omkostninger, som er forårsaget af fejl i stamdatakvalitet. Vedrørende figur 5.3 kan det generelt siges, at der er ikke så store udsving indenfor de forskellige stamdatatyper, når det kommer til spørgsmålet, om virksomheden indenfor de sidste 2 år har oplevet en stigning i omkostningerne forårsaget af dårlig datakvalitet. I gennemsnit har 58% af virksomhederne svaret (gennemsnittet af de 7 første søjler), at de mener, at deres omkostninger ikke er steget på baggrund af fejl i datakvalitet. Tilsvarende mener i gennemsnit 33% af virksomhederne, at der har været et uændret omkostningsniveau, mens 9% mener, at der har været flere omkostninger for virksomheden i de sidste 2 års tid. Kigger man lidt dybere i de underliggende variationer i dataene, og ser bort fra figur 5.3, kan man udlede, at virksomhedens størrelse ikke har den store effekt på deres vurdering af omkostningerne i forbindelse med fejl i stamdata. De store virksomheder ligger en lille smule bedre end de små og mellemstore virksomheder med et gennemsnit på 61% imod 60% og 57% for hhv. de mellemstore og de små virksomheder. Den lille forskel skal dog også ses i lyset af den statistiske standardafvigelse (dvs. i hvor høj grad dataene ville være forskellige, hvis præcis den samme spørgeskemaundersøgelse blev lavet af en anden gruppe forskere). Der er ligeledes heller ikke den helt store variation stamdatakategorierne imellem, da forskellen i besvarelserne her kun ligger på 6%. Ved de store virksomheder skiller indkøbsordrestamdata sig ud med 53%, som altså ligger klar under gennemsnittet for de samlede stamdatatyper. En analyse af stamdatakvaliteten i danske virksomheder 19