A rossz adat láthatatlan profitgyilkos – így kerülhetjük el a veszteséget!

A rossz adat nem technikai részletkérdés, hanem közvetlen üzleti kockázatot jelentő probléma, ami sokszor láthatatlanul, de folyamatos kiadást jelent, végső soron pedig veszélyezteti a cég nyereségességét. Munkánk során úgy tapasztaljuk, hogy a kérdés jellemzően nem az, hogy a kockázat jelen van-e egy-egy szervezet mindennapjaiban, hanem az, hogy mekkora költséget vagy éppen elmaradt profitot jelent ez valójában.
‍

Óriási veszély a hibás adatokra alapozni

Az adatminőségi hibák ritkán jelennek meg látványos problémaként. Csendben „megbújnak”, apró torzulások formájában épülnek be a mindennapokba. A cégek működését vizsgáló szakértőink általában inkonzisztens vezetői riportokról, félrecsúszó projektekről vagy folyamatos manuális adatjavításokról számolnak be. Ezeket a szervezetek gyakran egyedi problémaként kezelik, valójában azonban egy sokkal komolyabb, összefüggő problémákról van szó.

Az adathibák miatti felesleges kiadások közvetlen hatással vannak a cég anyagi helyzetére, ráadásul a negatív folyamatok egyre csak hatványozódnak. Ha egy hibát a forrásnál azonosítunk, akkor az még gyorsan és alacsony költséggel javítható. Ha azonban eljut a vezetői riportokig, az már torz döntéseket eredményezhet, éles működésben pedig profitvesztést okozhat. Ez a jelenség jól ismert a szoftverfejlesztésben is, az adatok esetében azonban sok szervezet még mindig csupán utólagos korrekcióval próbálja kezelni a helyzetet.
‍

Százmilliós veszteség és leépítések adatproblémák miatt

Homoki István kollégánk (UC, Head of Quality Engineering) a probléma gyakorlati szemléltetésére a szakmai körökben jól ismert esetet, az amerikai technológiai vállalat, az ingatlanokkal foglalkozó Zillow 2021-es példáját hozza. Mint fogalmaz, ez tökéletesen illusztrálja, milyen következményekkel járhat, ha egy szervezet túlzottan megbízik a hibás adatokon alapuló modellben.

A Zillow által használt algoritmus nem kezelte megfelelően a lokális adateltéréseket és a piaci változásokat, így rendszeresen túlbecsülte az ingatlanok értékét. A következmény 881 millió dolláros veszteség és az üzletág megszüntetése lett, a munkavállalók 25%-át el kellett küldeniük a cégtől. „Ez tankönyvi példája annak, amikor a vezetőség vakon bízik egy modellben, miközben nincs kontroll az adatminőség felett” – összegzi Homoki István. A jelenség azóta a Zillow's paradox nevet viseli a szakirodalomban, ami arra utal, hogy egy szuper piaci ismeretekkel és remek algoritmusokkal működő vállalat is képes látványos kudarcot vallani, ha a működéséhez szükséges adatok nem megfelelőek.

A Zillow után hasonló problémákkal szembesült 2022-ben a Unity is. A vállalat egy nagy ügyféltől származó hibás adatokat validálás nélkül használt fel algoritmusaiban, ami pontatlan célzáshoz és teljesítményromláshoz vezetett. Esetükben sem az algoritmussal, hanem az adatokkal volt a gond. A következmény 110 millió dolláros bevételkiesés volt, miközben a részvényárfolyam egyetlen nap alatt 37 százalékkal csökkent.
‍

A pillanatnyi profitnál is fontosabb dolgot bukhat a cég

Az adatminőség kérdése szorosan összefügg azzal, hogy a szervezet mennyire képes magabiztos döntéseket hozni. „Az adatminőség, az adatokba vetett bizalom kiépítése és az elfogultság azonosítása kritikus fontosságú ahhoz, hogy a szervezetek magabiztosan hozhassanak döntéseket” – emelte ki a témában megjelent elemzésében a TechTarget.

A közvetlen pénzügyi veszteségnél is nagyobb kockázatot jelent a bizalom elvesztése. Amikor a szervezetben megkérdőjeleződik az adatok megbízhatósága, az nemcsak a riportok értékét csökkenti, hanem a döntéshozatalt is lassítja. Egy idő után már nem a döntés maga, hanem az lesz a fő kérdés, hogy melyik adat tekinthető egyáltalán hitelesnek. Ez a bizonytalanság közvetlenül akadályozza a digitális transzformációt és az automatizáción alapuló működést.
‍

Az utólagos javítás csak tüneti kezelés

A probléma kezelésének kiindulópontja az adatbizalom fogalma. „Az adatbizalom azt jelenti, hogy egy vállalat bízik abban, hogy az általa használt adatok pontosak, használhatóak, átfogóak és relevánsak” – fogalmaz a már idézett TechTarget cikkének szerzője. 

Eközben az IBM szakértői a problémakör egészen más aspektusát világítják meg. Szerintük a jelenség különösen kritikus a mesterséges intelligencia térnyerésével. „A mesterséges intelligencia rendszerek öröklik és felerősítik az adatminőségi problémákat” – mutat rá az IBM Institute for Business Value elemzése. Mindez tehát azt jelenti, hogy a hibás adatok nemcsak torz döntéseket eredményeznek, hanem nagy léptékben erősítik fel a kockázatokat is. Arra is felhívták a figyelmet, hogy „a rossz adatminőség hatása ritkán jelentkezik a hiba keletkezésének helyén, hanem később, bevételkiesésként és hatékonysági problémaként jelenik meg.”
‍

Mit tehetnek a cégek a rossz adattal?

Sajnos úgy tapasztaljuk, hogy a legtöbb szervezet ma még reaktív módon kezeli az adatminőségi problémákat. Utólagos javítással, manuális ellenőrzésekkel és eseti validációval igyekeznek megoldani a kialakult üzleti-technológiai vészhelyzeteket. Ez azonban csak tüneti kezelés. Egyetlen hatékony megoldás van: a hibák korai felismerése és megelőzése. Ebben kulcsszerepet játszik a proaktív adattesztelés. Az automatizált ellenőrzések segítségével folyamatosan vizsgálható az adatok pontossága, konzisztenciája és teljessége.

Mint látszik, az adatminőség nem technológiai részletkérdés, hanem üzleti alapfeltétel. „Hiába van világszínvonalú AI-od, ha az adatbevitel nincs validálva. Az algoritmus vakon bízni fog az adatban, a piac viszont nem fog megbocsátani” – hangsúlyozza Homoki István. Aki az adatminőség fontosságát időben felismeri, nemcsak a veszteségeit csökkenti, hanem versenyelőnyt is szerez.

‍