Binnen UWV is betrouwbare data essentieel om processen goed te laten draaien en verbeteringen te kunnen sturen. Binnen de divisie Uitkeren speelde de vraag hoe gegevensmanagement steviger neergezet kon worden: eenduidige modellen, complete definities en meetbare datakwaliteit, zodat teams met dezelfde waarheid werken.

Always be learning heeft UWV ondersteund met een Data Manager om datakwaliteit en gegevensbeheer structureel te verbeteren, met focus op twee concrete sporen: het op orde brengen van gegevensmodellen en het inzichtelijk maken en borgen van datakwaliteit.

De uitdaging

Er waren twee duidelijke knelpunten:

• Onvolledige of niet-uitgelijnde gegevensmodellen: verschillen tussen functionele gegevensmodellen (FUGEM) en het centrale gegevensmodel (CGM) maken het lastig om consistent te werken en data goed her te gebruiken.
• Beperkt inzicht en sturing op datakwaliteit: zonder duidelijke dataflows, kwaliteitscriteria en meetmethoden blijft datakwaliteit abstract — en verbeteringen lastig te prioriteren en te borgen.

De behoefte was: modellen beter op elkaar afstemmen én datakwaliteit meetbaar maken, zodat het onderdeel wordt van de dagelijkse werkwijze.

Aanpak

We hebben dit aangepakt via twee projecten:

1) FUGEM’s op orde
We voerden een GAP-analyse uit tussen FUGEM en CGM en brachten ontbrekende data-elementen in kaart. Deze zijn via verandersignalen toegevoegd aan het centrale model, zodat definities completer werden en beter aansloten op hoe de organisatie data gebruikt.

2) Datakwaliteit FUGEM’s
Samen met domeinspecialisten brachten we kritische data-elementen en ketens in beeld. We visualiseerden dataflows, stelden kwaliteitscriteria op en ontwikkelden meetmethoden en dashboards om de datakwaliteit inzichtelijk te maken. Cruciaal hierbij: integratie in bestaande processen, zodat het niet “eenmalig” is maar structureel blijft werken.

Omdat het team tijdelijk was, lag er extra nadruk op borging: kennis vastleggen, afspraken verduidelijken en overdracht organiseren zodat gegevensmanagement en domeinen zelfstandig verder konden.

De oplossing

De aanpak resulteerde concreet in:

• Uitgelijnde en completere gegevensmodellen door GAP’s tussen FUGEM en CGM concreet te maken en aan te vullen.
• Meetbare datakwaliteit met vastgestelde criteria, meetmethoden en dashboards.
• Transparante dataflows die helpen om oorzaken van kwaliteitsissues sneller te vinden.
• Borging in de organisatie, zodat teams na afloop zelfstandig kunnen doorontwikkelen.

Samenwerking & de rol van de specialist

Binnen deze opdracht heeft Dennis Wijnands amens Always be learning als data management expertise geleverd waar analyse en implementatie gecombineerd werd: van modelvergelijking en verbeterpunten uitwerken tot afstemming met domeinspecialisten en het borgen van kennis en werkwijzen in de organisatie. Dennis over dit project:

“Datakwaliteit verbeter je pas echt als je afspraken, dataflows en metingen samenbrengt - en het vervolgens verankert in het dagelijkse proces.”

Ook data kwaliteit structureel verbeteren en borgen?

Wil je van ‘gevoel’ naar meetbare datakwaliteit, met duidelijke definities, eigenaarschap en dashboards die echt gebruikt worden? We helpen je om gegevensbeheer op orde te brengen én het werkbaar te maken in de praktijk. Neem contact op om je situatie te bespreken of plan een korte verkenning om te bepalen waar je de meeste impact kunt maken.

PS. Ben je een data specialist, spreekt dit verhaal jou aan en lijkt het je leuk om veel te leren en afwisselende opdrachten te doen? Wij zoeken goede en leuke collega’s om ons team te komen versterken! Kijk op onze vacaturepagina voor meer informatie over hoe het is om bij ons te werken en de openstaande vacatures.
‍

Alle afbeeldingen: UWV (https://www.uwv.nl/nl)