People Data & Analyse • 7 MIN. LÆSETID
HR-datakvalitet: Hvorfor det betyder noget, og hvordan man løser det
MAY 22, 2026
Indsigter er kun så gode som dataene bag dem. Her er, hvordan du auditerer, forbedrer og vedligeholder HR-datakvalitet på tværs af jeres HRIS.
Omkostningen ved dårlig datakvalitet
Dårlig HR-datakvalitet har både operationelle og strategiske omkostninger. Operationelt: ukorrekte medarbejderposter fører til lønadministrationsfejl, GDPR-compliance-risici, unøjagtig ledelsesrapportering og mislykkede systemintegrationer. Strategisk: analyser bygget på dårlige data giver selvsikre, men forkerte konklusioner, hvilket er mere skadeligt end slet ingen analyser. En ledergruppe, der træffer arbejdsstyrkebeslutninger baseret på en HRIS-rapport og senere opdager, at dataene var upålidelige, vil næppe stole på HR-data igen inden for den nærmeste fremtid.
At gennemføre en data kvalitetsrevision
En datakvalitetsaudit kontrollerer nøjagtigheden, fuldstændigheden, konsistensen og aktualiteten af HRIS-data. Vælg de ti mest kritiske datafelter: medarbejdernavn, stillingsbetegnelse, afdeling, cost center, leder, løn, kontrakttype, FTE, startdato og arbejdssted. Eksportér et udsnit af 100 medarbejderposter, og verificér hvert felt mod kilden til sandhed (ansættelseskontrakt, lønfil eller HR-beslutningsregistrering). Beregn en nøjagtighedsrate for hvert felt. Ethvert felt med under 95% nøjagtighed bør undersøges og rettes, og en rodårsagsløsning bør implementeres for at forhindre gentagelse.
