People-data og analyse • 7 MIN LESING
HR-datakvalitet: hvorfor det betyr noe og hvordan du fikser det
MAY 22, 2026
Innsikter er bare så gode som dataene bak dem. Her er hvordan du reviderer, forbedrer og vedlikeholder HR-datakvalitet på tvers av HRIS-en din.
Kostnaden ved dårlig datakvalitet
Dårlig HR-datakvalitet har både operative og strategiske kostnader. Operativt: feil ansattoppføringer fører til lønnsfeil, GDPR-samsvarsrisiko, unøyaktig ledelsesrapportering og mislykkede systemintegrasjoner. Strategisk: analyse bygget på dårlige data produserer konklusjoner som ser sikre ut, men som er feil, og det er mer skadelig enn å ikke ha noen analyse i det hele tatt. En ledergruppe som tar beslutninger om arbeidsstyrken basert på en HRIS-rapport og senere oppdager at dataene var upålitelige, vil neppe stole på HR-data igjen i nær fremtid.
Gjennomføre en datakvalitetsrevisjon
En datakvalitetsrevisjon kontrollerer nøyaktigheten, fullstendigheten, konsistensen og aktualiteten til HRIS-data. Velg de ti mest kritiske datafeltene: ansattnavn, stillingstittel, avdeling, kostnadssted, leder, lønn, kontraktstype, FTE, oppstartsdato og arbeidssted. Eksporter et utvalg av 100 ansattoppføringer og verifiser hvert felt mot sannhetskilden (arbeidskontrakt, lønnsfil eller beslutningsdokument i HR). Beregn en nøyaktighetsrate for hvert felt. Ethvert felt med mindre enn 95% nøyaktighet bør undersøkes og korrigeres, og en rotårsaksfiks implementeres for å forhindre gjentakelse.
