Ett case om datakvalitetens pris

En felaktig enhet eller en benämning som inte följer strukturen. Var för sig små avvikelser i masterdata, men i dagens digitala samhälle där artikeldata flyter automatiskt genom order-, lager- och ekonomisystem hos flera parter blir varje litet fel till manuellt arbete, förseningar och i värsta fall en förlorad kund.

‍

Här visar vi vad fel masterdata kan kosta, både för leverantören som skickar informationen och för mottagaren som agerar på den. Kostnaden syns sällan som en tydlig rad i budgeten, utan snarare i den tid som går åt till att reda ut sådana fel i efterhand. Tid som annars hade kunnat läggas på att utveckla affären i stället för att laga den.

‍

‍

‍

Med ett verklighetsbaserat exempel vill vi visa hur viktigt det är med korrekt och kvalitetssäkrad information.

‍

Enheten i filen anges som ST, men koden tolkas olika av de inblandade parterna: leverantören menar ST (pall), det vill säga en hel pall med artiklar, medan mottagaren uppfattar samma kod som ST (styck) och beställer en enstaka artikel. Just för att beteckningen ST är gemensam för båda betydelserna finns ingen tydlig signal om vilken nivå som avses, och feltolkningen upptäcks inte förrän ordern redan är på väg.

‍
Resultatet blir att en hel pall skickas i stället för en styck, en reklamation, en retur och en kostnad som ingen part budgeterat för.

‍

Det är exakt den här typen av fel som Finfo dagligen arbetar för att fånga upp innan det hinner kosta någon part tid eller pengar. Genom att granska att inkommen artikelinformation följer regelverket, att endast tillåtna värden och enheter används och att relationerna mellan olika enheter är logiska, stoppas många avvikelser redan innan informationen når mottagarna. Varje sådan kontroll är egentligen en reklamation, en retur eller en missnöjd kund som aldrig blir verklighet.

‍

‍

‍

‍

Kostnaden för dålig masterdata handlar sällan om ett enda stort misstag, utan om många små avvikelser som var för sig känns obetydliga men som tillsammans äter upp tid hos både leverantör och mottagare. En felaktig enhetskod, ett fält som glömts bort eller en kod som bytt betydelse utan att någon märkt det kan verka hanterbart i det enskilda fallet, men i en verksamhet med tusentals artiklar blir det snabbt en betydande post i form av returer, merarbete och kunder som tappar förtroendet.

‍

I Finfo One byggs den kontrollen in i det dagliga arbetet snarare än att läggas till som ett extra steg i efterhand. Värdelistor och koder som styr artikelinformationen, till exempel tulltaxenummer och UNSPSC, bevakas löpande och systemet flaggar automatiskt när något uppdateras eller ändras, något som annars lätt blir en tyst källa till fel om det hanteras manuellt.

‍

För leverantören i vårt inledande exempel, den som angav enheten ST utan att det framgick att koden avsåg pall, hade just den typen av kontroll gjort skillnaden mellan en upptäckt avvikelse och en kostsam reklamation. Det är den typen av vardagsnära besparing som sällan syns i en budget, men som märks desto tydligare när den uteblir: färre returer, mindre manuellt arbete och en mottagare som kan lita på att den artikel som beställs också är den som levereras.

‍

Att jobba med Finfo One handlar därför lika mycket om att skydda den egna affären som om att leva upp till branschens regelverk.

Case: PALL istället för ST

‍

❌ Problem!

Jag fick en pall hyllor och inte en hylla eftersom beställningsenheten tolkades felaktigt.

För att undvika missförstånd är det viktigt att använda enheter som tydligt beskriver den faktiska förpackningen, exempelvis ST, PAR, BUNT, KRT eller PALL. Om förpackningsuppgifterna är otydliga kan beställaren och leverantören tolka samma kvantitet olika. En beställning på 1 ST kan då i värsta fall tolkas som 1 PALL.

‍

‍

Utöver den direkta kostnaden tillkommer den svåraste posten att sätta siffror på: den tid innesäljaren och inköparen inte lade på nya affärer eller service till andra kunder under de knappt två timmar felet tog i anspråk. Om en mellanstor handlare upplever ett tiotal liknande enhetsfel per månad, vilket inte är ovanligt hos leverantörer med bristfällig datakvalitet, motsvarar det över 260 000 kr per år bara i ren hantering, innan förlorad säljtid och skadat förtroende räknas in.

‍

Leverantörens kostnad: att tappa en kund

När en handlareupprepade gånger drabbas av fel i en leverantörs data är tröskeln låg för att byta till en leverantör med motsvarande sortiment och bättre ”koll på läget”, särskilt när inköp allt oftare sker via digitala kanaler där produkter jämförs automatiskt.

‍

Extern forskning visar också att dålig datakvalitet kan få betydande ekonomiska konsekvenser. En rapport från IBM Institute for Business Value från 2025 visar att över en fjärdedel av organisationerna uppskattar att de förlorar mer än 5 miljoner dollar per år på grund av problem med datakvalitet.

‍

‍

‍

‍

Rekommendationer

• Se masterdata och artikelinformation som en del av produkten, inte som administration i efterhand
• Använd satta regelverk och rekommendationer från branschen
• Bygg upp rutiner och intern kompetens
• Räkna hem kvaliteten: en pålitlig dataleverans är en konkurrensfördel när mottagare väljer leverantör ‍

‍

‍

‍

Metodnot: Räkneexemplen i caset bygger på rimliga, illustrativaantaganden kombinerade med extern forskning om kostnaden för dålig datakvalitet, med utgångspunkt i det faktiska regelverket. Syftet är att visa storleksordningen på kostnaden, inte ett exakt facit för en enskild verksamhet.

‍

Källor

•     IBM, The True Costof Poor Data Quality: https://www.ibm.com/think/insights/cost-of-poor-data-quality

•     Actian, The CostlyConsequences of Poor Data Quality: https://www.actian.com/blog/data-management/the-costly-consequences-of-poor-data-quality/

‍