Data is the fuel for our modern society, and data quality is becoming an important aspect of a data-driven economy. Data quality is defined as the degree to which data fulfills the needs and expectations of customers and users of that data. It is the foundation for good decision-making, successful investments in smart technologies and AI, and correct reporting stated by compliance requirements. 

There is a limited number of previous case studies within data quality management. The manufacturing industry has a long and successful history of quality management and business excellence, starting more than a hundred years ago. This industry is also greatly affected by digitalization and the development of new smart technology, such as IoT and AL, often summarized as Industry 4.0. Based on this, studying how this very quality matured industry approaches data quality is interesting. 

This research explores and analyzes how manufacturing companies approach data quality from a strategic, tactical, and operational perspective and studies whether an industry with a long and deep experience in quality management is applying this knowledge to data quality today. The focus is on what processes and strategies leaders in manufacturing companies use to manage, evaluate, and improve data quality. Three world-class companies within quality, ABB, Toyota, and Scania, were selected and researched in the case study. 

This research gives insights into how manufacturing companies address data quality and identifies actual challenges in the data quality effort that need to be overcome. It was concluded that data quality management in manufacturing companies reveals a significant effort towards systematic and proactive strategies. The data quality initiatives also need to be deeply integrated with business operations. Central is the emphasis on a holistic perspective and the learning and application of structured data quality frameworks reminiscent of and inspired by quality management. Clear ownership and organization of data quality on strategic, tactical, and operational levels are critical success factors as data is moving cross-functionally through the organization.

Data är drivmedlet för vårt moderna samhälle, och datakvalitet blir en allt viktigare aspekt av en datadriven ekonomi. Datakvalitet definieras som i vilken utsträckning data uppfyller behoven och förväntningarna hos kunder och användare av data. Det är grunden för beslutsfattanden, framgångsrika investeringar i smart teknik och AI, samt korrekt rapportering för att möta satta efterlevnadskrav.

Det finns ett begränsat antal tidigare fallstudier som studerar hantering av datakvalitet. Tillverkningsindustrin har en lång och framgångsrik historia inom kvalitetsledning och ständiga förbättringar, som startade för mer än hundra år sedan. Denna industri påverkas också starkt av digitalisering och utvecklingen av ny smart teknik som IoT och AI, ofta kallat Industri 4.0. Baserat på detta är det intressant att studera hur denna mycket kvalitetsmogna industri närmar sig datakvalitet.

Denna forskning utforskar och analyserar hur tillverkandeföretag närmar sig datakvalitet ur ett strategiskt, taktiskt och operativt perspektiv. Studien undersöker om en industri med lång och djup erfarenhet av kvalitetsledning tillämpar denna kunskap på datakvalitet idag. Fokus ligger på vilka processer och strategier ledare i tillverkningsföretag använder för att hantera, utvärdera och förbättra datakvalitet. Tre världsledande företag inom kvalitet, ABB, Toyota och Scania, valdes och undersöktes i fallstudien.

Denna forskning ger insikter i hur tillverkandeföretag hanterar datakvalitet och identifierar utmaningar i datakvalitetsarbetet som behöver lösas. Det konstaterades att hanteringen av datakvalitet i tillverkandeföretag visar på en betydande satsning mot systematiska och proaktiva strategier. Datakvalitetsinitiativen behöver också vara djupt integrerade med affärsverksamheten. Centralt är betoningen på ett holistiskt perspektiv samt tillämpning av systematiska datakvalitetsramverk som påminner om och är inspirerade från kvalitetsområdet. Tydligt ägarskap och organisation för datakvalitet på strategisk, taktisk och operativ nivå är kritiska framgångsfaktorer eftersom data rör sig tvärfunktionellt genom organisationen.