An investment perspective on data quality in data usage

Abstract

Today, businesses must be aware of the value in their data to optimize their business operations and maximize profits. Therefore, it would be beneficial to understand how data quality affects the organization’s ability to extract value from its data. The purpose of this study is to identify how an organization may maximize the return on investment in data quality. Specifically, the study analyzes how economic principles are applied to data, what factors should be considered when investing in data quality, and the potential costs of the investment options. To address this topic, a qualitative study has been conducted with a case study about ship, position and movement data, frequently called ”AIS data,” involving the Norwegian engineering business DNV. Data are collected from interviews, a literature review, and a document analysis. The interviews were examined using a thematic analysis along with coding to extract themes. Results revealed that various factors influence customers´ willingness to pay for data quality and that there may be a lack of awareness of how economic principles work in the context of data quality in general. In addition, this study discovered multiple factors that can be utilized to optimize investments in data quality and determine which approaches could be used. Companies are mainly basing investment decisions on their experience in the industry. Five factors are influencing customer’s willingness to pay for data quality were found. The study elaborates on the economic principles of supply and demand and price-quality relationship to data assets. It highlights the need for further studies on economic principles evaluated to data quality. For businesses to maximize their opportunities, they need to develop clear and measurable quality criteria, involve the appropriate people in investment decisions, and invest in data management over a more extended period. Types of improvement options vary throughout the data value chain. The study identifies that fixing transponders, improving data maturity, data cleaning, and training the user to use the data is ways to improve the data quality. The cost implications of the different options will vary throughout the value chain. Further research on the topic is recommended to strengthen the findings of this study.

Bedrifter i dag må være klar over verdien som dataene deres har for å optimalisere driften og maksimere fortjenesten. Det vil være fordelaktig å forstå hvordan datakvalitet påvirker organisasjonens evne til å hente verdi fra dataene. Formålet med denne studien er å finne ut hvordan en organisasjon kan optimalisere avkastningen på investering i datakvalitet. Spesielt analyserer studien hvordan økonomiske prinsipper anvendes på data, hvilke faktorer som bør fokuseres på når man investerer i datakvalitet, og hvilke kostnader investeringene har. For å utforske dette problemet ble det utført en kvalitativ studie som inkluderte et litteraturstudie og intervjuer i forbindelse med en casestudie i AIS-data i den norske ingeniørbedriften DNV. Data er samlet fra intervjuer, et litteratursøk og en dokumentanalyse. Intervjuene ble gjennomført ved hjelp av en tematisk teknikk sammen med koding for å trekke ut temaer. Resultatene viste at det er forskjellige faktorer som påvirker kundens betalingsvillighet for datakvalitet, og at det kan være mangel på kunnskap om hvordan økonomiske prinsipper fungerer i sammenheng med datakvalitet generelt. Denne studien oppdaget flere faktorer som kan brukes for å optimalisere investeringer i datakvalitet, samt hvilke tilnærminger som kan brukes. Bedrifter i dag baserer investeringsbeslutninger hovedsakelig ut fra erfaringen deres fra industrien. Det ble funnet fem faktorer som påvirker kundens betalingsvilje for datakvalitet. Studien utdyper om de økonomiske prinsippene for tilbud og etterspørsel og forholdet mellom pris og kvalitet relatert til data. Den trekker frem behovet for ytterligere studier av økonomiske prinsipper relatert til datakvalitet. For å maksimere mulighetene fra data må bedrifter fokusere på å sette klare og målbare kvalitetskriterier, involvere riktige personer i investeringsbeslutninger og investere i data management over en lengre periode. Forbedringsalternativer vil variere ut fra hvor i dataverdikjeden man fokuserer på. Studien finner at fysisk reparasjon av transpondere, forbedring av data maturity, rensing av data og opplæring av brukeren i å bruke dataene er måter å forbedre datakvaliteten på. Kostnadene av de forskjellige alternativene vil variere i hele verdikjeden. Videre forskning på temaet anbefales for å styrke funnene i studien.