Hvad er datakvalitet?
Datakvalitet er et mål for, hvor godt data passer til det, de skal bruges til. Gode data er korrekte, fuldstændige, opdaterede og ens på tværs af systemerne. Dårlige data giver forkerte rapporter, spildte kampagner og beslutninger, der bygger på et forkert billede af virksomheden.
Hvad betyder datakvalitet?
Datakvalitet betyder, at data er gode nok til deres formål. Det er altså et relativt begreb. En kundeliste kan være god nok til et nyhedsbrev og samtidig for dårlig til at styre salget, fordi kravene til præcision er forskellige.
Begrebet dækker både selve oplysningerne og den måde, de bliver indsamlet, gemt og vedligeholdt på. God datakvalitet er derfor sjældent et engangsprojekt. Den kræver faste rutiner og en klar fordeling af ansvaret.
Hvad er data governance?
Data governance er de regler, roller og processer, der styrer, hvordan virksomheden arbejder med data. Det handler om, hvem der ejer data, hvem der må ændre dem, og hvilke krav der gælder for at oprette og opdatere oplysninger.
Datakvalitet er resultatet. Data governance er den måde, man sikrer resultatet på. Uden governance bliver datakvaliteten typisk dårligere over tid, fordi mange forskellige personer og systemer ændrer i de samme data.
Hvilke dimensioner har datakvalitet?
Datakvalitet bliver ofte målt på seks dimensioner:
- Nøjagtighed: Data svarer til virkeligheden, fx en korrekt e-mailadresse eller jobtitel.
- Fuldstændighed: De nødvendige felter er udfyldt, fx branche og telefonnummer.
- Konsistens: Den samme oplysning står ens i alle systemer.
- Aktualitet: Data er opdaterede, så de afspejler situationen i dag.
- Gyldighed: Data følger de aftalte formater og regler, fx postnumre med fire cifre.
- Unikhed: Hver kunde eller virksomhed findes kun én gang.
Dimensionerne er gode at bruge som tjekliste. De gør det muligt at sætte tal på kvaliteten frem for at nøjes med en fornemmelse af, at data er dårlige.
Hvorfor er datakvalitet vigtig i marketing og salg?
Marketing og salg træffer mange beslutninger ud fra data. Hvilke kunder skal have hvilket budskab? Hvilke kanaler virker? Hvilke leads skal sælgerne ringe til først? Er data forkerte, bliver svarene også forkerte.
Dårlige data koster på flere måder. Mails bliver sendt til forkerte adresser, sælgere ringer til personer, der har skiftet job, og rapporter viser tal, som ingen stoler på. Det sidste er måske det dyreste, fordi ledelsen begynder at træffe beslutninger på mavefornemmelse.
Hvorfor er datakvalitet vigtig for AI?
AI-værktøjer lærer af og arbejder med de data, de får. Er data mangelfulde eller forkerte, bliver resultaterne det også. Det gælder fx automatiske bud i annoncering, lead scoring og AI-assistenter, der svarer ud fra virksomhedens egne dokumenter.
Mange virksomheder opdager først problemerne med datakvaliteten, når de vil i gang med AI. Derfor er oprydning i data ofte et af de første skridt i en AI-strategi.
Hvilke typer data findes der?
Data kan deles op på flere måder. I marketing er det især relevant at skelne mellem:
- Kundedata: Navne, virksomheder, roller og kontaktoplysninger.
- Transaktionsdata: Køb, ordrer, fakturaer og aftaler.
- Adfærdsdata: Besøg på hjemmesiden, åbnede mails og klik på annoncer.
- Firmografiske data: Branche, størrelse og placering for virksomheder.
- Holdningsdata: Svar fra undersøgelser, fx tilfredshed og anbefalinger.
Data kan også deles i kvalitative og kvantitative data. Kvalitetskravene er forskellige for de to typer, fordi tal og tekst skal kontrolleres på forskellige måder.
Hvad er typiske problemer med datakvaliteten?
- Dubletter, hvor den samme kunde er oprettet flere gange med små forskelle i navnet.
- Tomme felter, fordi ingen har haft ansvaret for at udfylde dem.
- Forskellige stavemåder, fx "A/S", "AS" og "a/s" for det samme selskab.
- Forældede kontakter, der har skiftet job eller er gået på pension.
- Data, der ikke stemmer mellem CRM-systemet, økonomisystemet og marketingværktøjerne.
- Fejl i målingen på hjemmesiden, så konverteringer bliver talt dobbelt eller slet ikke.
Hvad koster dårlig datakvalitet?
Omkostningerne ved dårlige data er sjældent synlige i regnskabet. De gemmer sig i tid og i beslutninger. Medarbejdere bruger tid på at lede efter oplysninger, rette fejl og tjekke tal, som de ikke stoler på.
Annonceplatformene bliver også påvirket. Når konverteringer bliver målt forkert, optimerer automatiske budstrategier som Smart Bidding efter de forkerte mål. Budgettet bliver så brugt på det, der ser godt ud i målingen, og ikke på det, der skaber kunder.
Den største omkostning er ofte de leads og muligheder, der går tabt. En henvendelse uden korrekte kontaktoplysninger kan ikke følges op, og en kunde, der står to gange i systemet, kan få to forskellige tilbud.
Hvordan måler man datakvalitet?
Start med de få felter, der er allervigtigst for forretningen. Mål fx, hvor stor en andel af kontakterne der har en gyldig e-mailadresse, en jobtitel og en branche. Tæl også, hvor mange dubletter der findes.
Følg tallene over tid, fx hver måned eller hvert kvartal. Det viser, om kvaliteten bliver bedre eller dårligere, og om de nye rutiner virker. Mange CRM-systemer har indbyggede rapporter, der kan vise den slags tal automatisk.
Hvordan forbedrer man datakvaliteten?
- Vælg de vigtigste data: Find de felter, som marketing, salg og ledelsen faktisk bruger til beslutninger.
- Ryd op: Fjern dubletter, opdater forældede kontakter, og udfyld de vigtigste tomme felter.
- Lav faste regler: Beslut, hvilke felter der er obligatoriske, og hvilke formater der gælder.
- Placer ansvaret: Giv en person eller en rolle ansvaret for hvert vigtigt datasæt.
- Automatiser kontrollen: Brug valideringsregler og formularer med faste valgmuligheder i stedet for fritekst.
- Mål løbende: Følg kvaliteten med få faste nøgletal, og gennemgå dem jævnligt.
Hvad er masterdata?
Masterdata er de grundlæggende oplysninger, som mange systemer og afdelinger bruger, fx kunder, produkter og leverandører. De ændrer sig sjældent, men bliver brugt hele tiden.
Fejl i masterdata spreder sig ofte meget hurtigt, fordi de bliver kopieret til andre systemer. Derfor er det ofte her, en indsats for bedre datakvalitet giver mest. Mange virksomheder vælger ét system som den gældende kilde for hver type masterdata.
Hvor ofte skal man rydde op i data?
Det afhænger af, hvor hurtigt data bliver forældede. Kontaktoplysninger i B2B ændrer sig ofte, fordi folk skifter job og virksomheder skifter adresse. En gennemgang hvert halve år er et godt udgangspunkt for de fleste.
Den bedste oprydning er dog den, der ikke bliver nødvendig. Faste regler, når data bliver oprettet, mindsker behovet for store oprydninger senere.
Hvem har ansvaret for datakvaliteten?
Datakvalitet er et fælles ansvar, men nogen skal have det sidste ord. I mange virksomheder har hver afdeling en dataejer for sine egne data, fx salgschefen for kundedata i CRM-systemet. En dataansvarlig eller en lille gruppe sikrer, at reglerne er ens på tværs.
Det vigtigste er, at ansvaret er skrevet ned. Når ingen ejer data, bliver de vedligeholdt af alle og ingen, og så falder kvaliteten.
Beskriv også, hvad ansvaret indebærer i hverdagen, fx at gennemgå dubletter hver måned og at godkende nye felter, før de bliver oprettet i de fælles systemer.
Hvordan hænger datakvalitet sammen med marketing automation?
Marketing automation bygger på data om kontakterne. Systemet beslutter ud fra felter som branche, rolle og adfærd, hvem der skal have hvilken mail, og hvornår et lead skal sendes videre til salg.
Er felterne tomme eller forkerte, rammer de automatiske flows forkert. En direktør kan fx få en mail beregnet til studerende, eller et varmt lead bliver aldrig sendt videre. Automatisering forstærker altså både gode og dårlige data.
Hvad siger GDPR om datakvalitet?
GDPR stiller krav om, at personoplysninger skal være korrekte og om nødvendigt ajourførte. Forkerte oplysninger skal rettes eller slettes. Reglen står i databeskyttelsesforordningens artikel 5 om principperne for behandling af personoplysninger.
God datakvalitet er derfor også en del af at overholde reglerne. En virksomhed, der rydder op i sine kontakter og sletter dem, den ikke længere har grund til at gemme, mindsker både risikoen og mængden af dårlige data.
Hvordan hænger datakvalitet sammen med first-party data?
First-party data er de data, virksomheden selv indsamler fra sine kunder og besøgende. De bliver vigtigere, efterhånden som tredjepartscookies forsvinder, og annonceplatformene i højere grad bygger på virksomhedernes egne data.
Det gør datakvaliteten endnu vigtigere. Når annonceplatforme og AI-værktøjer får virksomhedens egne data, afhænger resultaterne direkte af, hvor gode de data er.
Findes der standarder for datakvalitet?
Ja. Den internationale standard ISO 8000 beskriver krav til datakvalitet og til udveksling af data mellem systemer. Den bruges især i større organisationer og i brancher med mange produktdata.
De fleste mindre og mellemstore virksomheder har ikke brug for at følge en formel standard. Her er det mere værdifuldt at vælge få, klare regler og at følge dem konsekvent i hverdagen.
Det ser vi i praksis
Når vi arbejder med analyse og indsigt, er datakvaliteten ofte det første, vi skal tage stilling til. Tallene i rapporterne kan kun blive så gode som de data, der ligger bag, og mange virksomheder har aldrig gennemgået deres CRM-data systematisk.
Vi starter derfor med de få felter, der betyder mest for beslutningerne. En lille, ren datamængde giver mere værdi end en stor database, som ingen stoler på.
Senest opdateret: 13. november 2026
