Prioriter datavask etter regnskapsmessig risiko
De viktigste forbedringene er dem som reduserer konkret risiko i den aktuelle økonomiprosessen.
Et register kan ha tusen små navneavvik og én uavklart bankkonto. Prioritering bør følge konsekvensen av feil bruk, ikke bare antall avvik. Samtidig kan mange små feil avsløre en systematisk kilde- eller eksportfeil.
Beskriv hvilke oppgaver dataene styrer: betaling, avgift, reskontro, rapportering eller visning. Den samme mangelen kan få forskjellig betydning når et felt går fra informasjonsvisning til automatisk beslutning.
Tre forbedringer med forskjellig risiko
Syntetisk eksempel. Tabellen bruker kvalitative vurderinger, ikke en sertifisert risikomodell.
| Avvik | Omfang | Mulig konsekvens | Prioriteringsgrunnlag |
|---|---|---|---|
| Ukjent kontoendring | 1 leverandør | Betaling til feil konto | Må avklares før betalingsbruk |
| Manglende kundeidentitet | 20 åpne poster | Feil kravskobling | Undersøk beløp og referanser |
| Ulike store bokstaver i navn | 1 000 poster | Søke- og visningsproblem | Rett med kollisjonskontroll |
Navnevasken kan være rask, men den skal ikke forsinke en kritisk avklaring. Kontoendringen kan også kreve annen kompetanse og kontrollkilde enn teknisk normalisering.
Vurder tiltaket, ikke bare problemet
For hvert tiltak bør dere notere forventet risikoreduksjon, innsats, avhengigheter og reverserbarhet. En masseendring kan gi nye feil dersom normaliseringen slår sammen forskjellige identiteter. Prøv derfor på et avgrenset grunnlag før hele registeret endres.
Skill kortsiktig sikring fra varig retting. En manuell kontroll før betaling kan redusere risiko mens kilden forbedres. Den bør ha eier og frist, ellers kan den bli en permanent omvei.
- Finn hvilke prosesser som faktisk bruker feltet.
- Undersøk berørt beløp og antall objekter.
- Vurder om feilen oppdages før eller etter økonomisk virkning.
- Rett årsaken så nær kilden som praktisk mulig.
- Kontroller både forventet gevinst og mulige nye kollisjoner.
Ikke la poengsummen gi falsk presisjon
En lokal poengmodell kan hjelpe rangering, men tallene er vurderinger. Dokumenter antakelsene og behold mulighet for faglig overstyring. En ukjent konsekvens bør ikke automatisk få lav score fordi beløpet mangler.
Offentlig datakvalitetsveiledning anbefaler å prioritere kritiske data og undersøke årsaken til problemene. Det gir metodestøtte, men avgjør ikke norsk bokførings- eller avgiftsbehandling. Konkrete regnskapsmessige avklaringer må ha sitt eget grunnlag.
Godkjenn tiltaksplanen når hver viktig risiko har en ansvarlig handling, og målingen viser om forbedringen faktisk reduserte problemet.
Les avvikskategorier og kvalitetsgrenser og eskalering.
Velg et målepunkt før navnevasken: antall uavklarte søketreff og identitetskollisjoner i et kjent prøvegrunnlag. Etter endringen kan dette sammenlignes med samme grunnlag. En reduksjon i antall mellomrom er ikke alene bevis på at søk og matching ble bedre eller at forskjellige kunder fortsatt er atskilt.