Havensteder stapt over op DQ Monitor van CNS

Geplaatst door CorporatieMedia op
 

Havensteder is een Rotterdamse corporatie met meer dan 45.000 woningen en 5.000 overige verhuureenheden. De exploitatie van het bezit leidt jaarlijks tot een grote toename van gegevens.

Een selectie van gegevens:

  • Woninggegevens zoals typologie, ligging, woningwaardering, energielabels
  • Klantgegevens zoals telefoonnummers, emailadressen en geboortedata
  • Contractgegevens zoals opzeggingen, verhuringen en huurprijzen
  • Financiële gegevens zoals grootboekmutaties, facturen en klantposten
  • Onderhoudsgegevens zoals reparatieverzoeken en projectgegevens voor planmatig onderhoud

In eerste instantie worden deze gegevens gebruikt om de dagelijkse processen te ondersteunen en voor verantwoordingsinformatie, zoals de jaarrekening.

De behoefte groeit om data ook te gaan gebruiken om vooruit te kijken en te kunnen voorspellen. Hierbij worden o.a. de volgende vragen gesteld:

  • Hoe kunnen we van incidenteel onderhoud naar preventief onderhoud gaan?
  • Hoe geven we invulling aan assetmanagement?
  • Hoe kunnen we onze klanten beter begeleiden als er betalingsproblemen zijn?
  • Kunnen we de data van de onderhoudscontractpartners gebruiken om efficiënter onderhoud te plegen?
  • Kunnen we de marktontwikkelingen beter monitoren, zodat de ontwikkeling van het bezit past bij de toekomstige doelgroepen?

Datamanagement
Om te kunnen voorspellen heb je niet alleen interne data nodig, maar zeker ook gegevens van buiten af. Gegevens van CBS, BAG, zakkingsgraad van de bodem in relatie tot funderingsproblematiek, demografische ontwikkelingen, etc. Hoe meer data beschikbaar komt, hoe uitdagender het wordt om deze data om te zetten naar betrouwbare informatie. Hierbij horen ook vraagstukken rondom metadata/definities (bedoelen we hetzelfde?), dataveiligheid maar ook datakwaliteit (juistheid, volledigheid, actualiteit).

Lana Tomberg en René Willems zijn als informatiemanagers werkzaam bij Havensteder en hebben het raamwerk DAMA DMBOK (Data Management Body of Knowledge) voor datamanagement bij Havensteder geïntroduceerd. Dit raamwerk bevat verschillende thema’s die kunnen helpen om het datamanagement op een hoger niveau te krijgen. Vaak ligt het accent bij informatievoorziening nog op de techniek als datawarehousing en data opslag. Het DAMA raamwerk bevat 10 verschillende datamanagement-disciplines die invulling geven aan de datahuishouding in bredere zin met Data Governance als kern-discipline. Een aantal disciplines zijn minder technisch, zoals databeveiliging, waar we rekening houden met de Privacywet en wie welke informatie mag inzien.

Bron: DAMA DMBOK

Een andere belangrijke discipline is datakwaliteit. Lana en René hebben verkend wat hier in de markt voor handen was om Havensteder te helpen om de datakwaliteit te meten en verder te verbeteren. Hierbij kwamen zij uit bij de DQ monitor van CNS.

Datakwaliteitsmonitor
Lana en René vertellen hun ervaringen met de DQ monitor van CNS.

Wij zijn gestart met een nulmeting van onze vastgoeddata en klantdata. De resultaten waren deels voorspelbaar, maar deels ook verrassend. Zo dachten wij dat de bouwjaren van ons bezit goed geregistreerd waren, maar via set-vergelijkingen zagen we soms grote afwijkingen in de bouwjaren van eenheden ten opzichte van het gemiddelde bouwjaar in een complex waar deze eenheden toebehoren. Als het bouwjaar na controle toch goed bleek te zijn, schakelden we de signalering voor een volgende meting uit. Ook data die het dagelijks proces ondersteunen werden beoordeeld, hierbij vielen bijvoorbeeld telefoonnummers die niet het goede aantal cijfers hebben op.

Vaak valt op wat niet goed is. Het mooie is dat de datakwaliteitsmonitor in het dashboard toont welk percentage van de data wel goed is. Door wekelijkse metingen zie je het resultaat van verbeteringen die je hebt doorgevoerd, maar ook nieuwe data die niet aan de vereisten voldoen. Data hoeft niet altijd 100% op orde te zijn om goede en betrouwbare informatie te leveren.

De datakwaliteitsmonitor geeft ons ook de mogelijkheid om eigen controles op te voeren die binnen onze organisatie relevant zijn. Het komt bijvoorbeeld regelmatig voor dat reparatieverzoeken nog niet zijn afgehandeld, terwijl alle onderliggende reparatietaken wel zijn afgehandeld. Door deze eigen controles krijgen wij beter zicht op welke reparatieverzoeken echt open staan.

Als onjuiste data blijft ontstaan, gaan we op zoek naar de oorzaken: is de applicatie goed ingericht, is de instructie voor de registratie juist, heeft de medewerker die gegevens invoert voldoende kennis, etc. Door bij de bron de oplossing te zoeken, blijft de kwaliteit op orde.

Nu we steeds meer data willen gaan ontsluiten, zoals gegevens van onderhoudspartners en het regionale woningzoekenden systeem, kunnen we de datakwaliteitsmonitor steeds breder gaan inzetten.

Het voordeel van de inzet van meer betrouwbare data, is dat we onze klanten beter kunnen bedienen en we ook beter gefundeerde beslissingen kunnen nemen.

Bron: CNS, Foto: Havensteder