# Vad är datakvalitet?

> Lär dig vad datakvalitet innebär, hur man mäter det och varför det avgör framgången för din rapportering, automatisering och AI-initiativ.

Source: https://dataqualitysense.com/sv/resources/data-quality/what-is-data-quality/
Last updated: 2026-04-16

---

## Definiera datakvalitet

Datakvalitet mäter hur väl dina data tjänar sitt avsedda syfte. Det handlar inte om huruvida data är "korrekt" i absoluta termer. Det handlar om huruvida dina data är lämpliga att använda för beslutsfattande, drift och analys.

En kundadress håller hög kvalitet om den når kunden. En produktkod håller hög kvalitet om dina system känner igen den. Kvalitet beror på sammanhanget.

Det mesta av data faller kort även från lösa normer. En [Harvard Business Review-studie av Nagle, Redman och Sammon (2017)](https://hbr.org/2017/09/only-3-of-companies-data-meets-basic-quality-standards), baserad på 75 datakvalitetsbedömningar, fann att 47 % av nyskapade poster innehåller minst ett kritiskt fel — och bara 3 % av datamängderna bedömdes som "acceptabla" enligt den lösaste möjliga standarden. Det är varför datakvalitet måste mätas, inte antas.

### Principen om "ändamålsenlighet"

Datakvalitet är kontextuell. En leveransadress behöver precision på gatunivå. En marknadsföringsregion behöver bara land eller stat. Bägge kan vara av "hög kvalitet" på olika precisionsnivåer.

När du bedömer datakvalitet, fråga dig: Vad behöver dessa data göra? Mät sedan om de kan göra det.

## Ramverket med fem dimensioner

Datakvalitet mäts över fem nyckeldimensioner. Detta ramverk har antagits inom industrier och utgör grunden för ISO 8000- och DAMA-standarderna.

| Dimension | Vad den mäter | Exempel |
|-----------|---------------|---------|
| **Fullständighet** | Obligatoriska data finns | Alla obligatoriska fält är ifyllda |
| **Giltighet** | Data överensstämmer med format | E-postadresser har giltigt format |
| **Unikhet** | Inga dubblerade poster | En post per kund |
| **Aktualitet** | Data är aktuella | Kontaktuppgifter uppdaterade inom 90 dagar |
| **Konsekvens** | Data är enhetliga | "USA" används konsekvent, inte "US" eller "United States" |

Varje dimension svarar på en specifik fråga om dina data. Tillsammans ger de en fullständig bild av datahälsan.

För detaljerad vägledning om varje dimension, se:
- [Fullständighet](/sv/resources/data-quality/completeness/)
- [Giltighet](/sv/resources/data-quality/validity/)
- [Unikhet](/sv/resources/data-quality/uniqueness/)
- [Aktualitet](/sv/resources/data-quality/timeliness/)
- [Konsekvens](/sv/resources/data-quality/consistency/)

## Branschstandarder och ramverk

### ISO 8000

ISO 8000-standarden definierar datakvalitetskrav för utbyte av mastdata. Den fastställer principer för datanoggrannhet, fullständighet och konsekvens mellan organisationer.

### DAMA-DMBOK

Data Management Associations kunskapsbas (DAMA-DMBOK) definierar datakvalitet som ett av elva kunskapsområden inom datahantering. Den ger vägledning om mätnings-, övervaknings- och förbättringsprocesser.

### Regeln 1-10-100

Denna princip illustrerar de eskalerande kostnaderna för bristfällig datakvalitet:

| Stadium | Kostnad | Exempel |
|---------|---------|---------|
| **Förebyggande** | 1 kr | Validering vid datainmatning |
| **Korrigering** | 10 kr | Rensning av data efter inmatning |
| **Misslyckande** | 100 kr | Affärspåverkan av dåliga data |

Att investera i datakvalitet vid källan sparar betydande kostnader nedströms.

## Datakvalitet kontra relaterade begrepp

### Datakvalitet kontra datahantering

Datahantering är den bredare praxis att samla in, lagra och underhålla data. Datakvalitet är en komponent av datahantering, inriktad specifikt på ändamålsenlighet.

| Begrepp | Omfång | Fokus |
|---------|--------|-------|
| Datahantering | Alla datarutiner | Lagring, åtkomst, säkerhet, livscykel |
| Datakvalitet | Ändamålsenlighet | Fullständighet, giltighet, unikhet, aktualitet, konsekvens |
| Datastyrning | Policyer och ägarskap | Vem äger data, vem kan ändra dem, vilka regler gäller |

### Datakvalitet kontra datanoggrannhet

Noggrannhet frågar: Återspeglar det här värdet verkligheten? Kvalitet frågar: Fungerar de här data för sitt syfte?

En e-postadress kan vara giltig (korrekt format) men felaktig (personen använder den inte längre). DQS mäter kvalitet eftersom format och fullständighet kan automatiseras. Noggrannhet kräver vanligtvis extern verifiering.

## Hur datakvalitet mäts

### Kvantitativa mätvärden

Datakvalitet uttrycks genom mätbara indikatorer:

| Mätvärdestyp | Exempel | Beräkning |
|-------------|---------|-----------|
| **Procentandel** | Fyllnadsgrad | (Ifyllda poster / Totalt antal poster) x 100 |
| **Antal** | Antal dubbletter | Antal poster med matchande värden |
| **Poäng** | Giltighetspoäng | Viktat genomsnitt över valideringsregler |
| **Kvot** | Konformansgrad | Konforma värden / Totalt antal värden |

### Tröskelvärden och mål

Organisationer sätter tröskelvärden baserade på affärskrav:

| Nivå | Tröskelvärde | Användningsfall |
|------|-------------|-----------------|
| Kritisk | 99 %+ | Regulatoriska rapporteringsfält |
| Hög | 95 %+ | Kundvända data |
| Standard | 85 %+ | Driftsdata |
| Låg | 70 %+ | Historiska eller arkivdata |

### Kontinuerlig kontra punktvis mätning

Punktvis mätning ger en ögonblicksbild. Kontinuerlig mätning spårar trender och fångar upp försämringar tidigt.

DQS stöder båda metoderna:
- Kör ad hoc-genomsökningar för omedelbar bedömning
- Schemalägg återkommande genomsökningar för löpande övervakning

## Varför organisationer kämpar

### 1. Datasilos

När data finns i frånkopplade system uppstår inkonsekvenser naturligt. Säljavdelningen har en version av en kundpost. Support har en annan. Ingen vet vilken som är korrekt.

### 2. Fel vid manuell inmatning

Manuell datainmatning är benägen för stavfel, inkonsekvent formatering och saknad information. Utan valideringsregler förvärras dessa fel med tiden.

### 3. Oklart ägarskap

När ingen ansvarar för datakvalitet blir det allas problem och ingens prioritet. Dataförvaltning kräver uttrycklig tilldelning.

### 4. Avsaknad av mätning

Du kan inte förbättra det du inte mäter. Många organisationer antar att deras data är tillräckligt bra utan att fastställa basnivåer eller spåra mätvärden.

### 5. Engångsprojekt för rensning

Att behandla datakvalitet som ett projekt snarare än en process leder till tillfälliga förbättringar som försämras med tiden.

## Affärspåverkan

Bristfällig datakvalitet påverkar varje funktion:

| Funktion | Påverkan |
|----------|---------|
| Marknadsföring | Kampanjer skickade till fel adresser, slösat budgetutgifter |
| Försäljning | Tid slösad på dubblerade leads, förlorat sammanhang |
| Ekonomi | Felaktiga rapporter, efterlevnadsrisker |
| Drift | Beslut baserade på felaktiga data |
| AI/ML | Modeller tränade på dåliga data producerar dåliga resultat |

### Kvantifiera kostnaden

Forskning från MIT Sloan och branschstudier visar:

- Organisationer förlorar 15–25 % av intäkterna årligen på grund av bristfällig datakvalitet
- Över 25 % av organisationerna förlorar mer än 5 miljoner dollar per år på dataproblem (IBM 2025)
- Anställda spenderar upp till 27 % av sin tid på att korrigera dåliga data

## Koppling till AI-beredskap

Traditionell datakvalitet (de fem dimensionerna) förbereder dina data för rapportering och automatisering. AI-applikationer som Agentforce är beroende av samma grunder: fullständiga poster, giltiga format, konsekventa värden, aktuella data och inga dubbletter.

Utöver dessa fem dimensioner introducerar AI-driftsättning ytterligare ett problem: exponering av känsliga data. Innan du ansluter AI-agenter till dina Salesforce-data behöver du veta var PII finns så att du kan maskera eller exkludera det.

DQS mäter både traditionell datakvalitet och AI-beredskap i en enda plattform:

- **Fem datakvalitetsdimensioner**: Fullständighet, Giltighet, Unikhet, Aktualitet, Konsekvens
- **PII-identifiering**: Söker igenom textfält efter känsliga data (personnummer, kreditkort, personuppgifter) innan AI-exponering

## Bygga en datakvalitetspraxis

Effektiv datakvalitet kräver tre element:

### 1. Mätning

Fastställ basnivåer innan förbättring. Vet var du befinner dig inom varje dimension och fält.

### 2. Process

Definiera arbetsflöden för löpande dataunderhåll:
- Valideringsregler för datainmatning
- Regelbundna rensningsscheman
- Eskaleringsförfaranden för problem
- Protokoll för ändringshantering

### 3. Kultur

Bygg organisationsövergripande engagemang:
- Tilldela dataförvaltare för varje domän
- Inkludera datakvalitet i prestationsmätvärden
- Fira förbättringar och dela framgångar
- Gör kvalitet synlig genom instrumentpaneler

## Kom igång med DQS

DQS tillhandahåller mätningsgrunden för din datakvalitetspraxis:

1. **Välj funktioner**: Välj vilka dimensioner som ska mätas
2. **Definiera omfång**: Välj de objekt och fält som ska analyseras
3. **Konfigurera tröskelvärden**: Ange dina kvalitetsstandarder
4. **Kör genomsökningar**: Utför analys över dina data
5. **Granska resultat**: Identifiera problem och prioritera åtgärder

Det första steget är att förstå ditt nuläge. Ta [AI-beredskapsbedömningen](/sv/ai-readiness/) för att mäta din datakvalitetsmognad på 3 minuter.

## Nästa steg

- Fördjupa dig i [Fullständighet](/sv/resources/data-quality/completeness/), den första dimensionen
- Läs om [De fem dimensionerna](/sv/resources/data-quality/five-dimensions/) för en fullständig översikt
- Lär dig om [Agentforce-förberedelse](/sv/resources/ai-readiness/agentforce-preparation/) för AI-specifika krav
- Ta [AI-beredskapsbedömningen](/sv/ai-readiness/) för att se dina nuvarande poäng