Sådan arbejder vi med rensning af data i regneark, trin for trin

Øvelsesfiler med indbyggede fejl

Rensningsmodulet bygger på øvelsesfiler, som vi selv har lavet til undervisningen. De ligner de rodede datasæt, man møder i arbejdslivet: en kundeliste hvor samme navn står tre gange med lidt forskellig stavning, en salgsoversigt med tomme celler midt i kolonnerne og en eksport hvor datoer står som tekst. Fejlene er sat ind med omtanke, så hver fil træner én bestemt slags problem ad gangen.

Når du åbner en fil første gang, skal du ikke rette noget. Du skal kun kigge. Hvor mange rækker er der, hvilke kolonner, og hvad står der i dem? Den vane at danne sig et overblik før det første klik er det, vi bruger mest tid på at øve, fordi den sparer dig for at ødelægge data, du ikke har forstået endnu.

Filerne er rent øvelsesmateriale. De viser ikke virkelige virksomheder, og tallene i dem må ikke tolkes som andet end træningsstof.

• Én fil pr. fejltype i begyndelsen
• Samlede filer med blandede fejl til sidst
• Altid en urørt original ved siden af

Regnearket som værktøj

Vi arbejder i almindeligt regneark, fordi næsten alle har adgang til det, og fordi funktionerne er lette at forklare. Du lærer at sortere og filtrere for at finde afvigelser, at bruge fjern dubletter med forståelse for, hvad programmet egentlig sammenligner, og at tælle tomme felter, så du kan se omfanget af et problem, før du vælger løsning.

Vi bruger også enkle tekstfunktioner til at fjerne overskydende mellemrum, rette store og små bogstaver og dele en kolonne i to, når fornavn og efternavn står sammen. Det lyder småt, men det er netop de små uregelmæssigheder, der får to ens poster til at se forskellige ud for maskinen.

Ingen af funktionerne kræver forkundskaber ud over at kunne åbne en fil og skrive en formel. Vi viser dem ét ad gangen og lader dig prøve dem på filen, før vi går videre.

• Sortering og filtrering til at spotte afvigelser
• Fjern dubletter og kontrol af, hvad der tælles som ens
• Tekstfunktioner til mellemrum og store bogstaver

Dubletter: ens eller bare ligner hinanden

Dubletter er den fejl, deltagerne oftest undervurderer. En række, der er helt identisk med en anden, er nem at fjerne. Sværere er de næsten-dubletter, hvor et navn er skrevet med og uden mellemnavn, eller en adresse har forkortelse i den ene række og ikke i den anden. Her må du afgøre, om det er den samme post, og det kræver et skøn, ikke bare en knap.

Vi lærer dig at markere mistænkte rækker i en hjælpekolonne i stedet for at slette med det samme. Så kan du se på dem side om side og beslutte med ro. Først når du er sikker, fjerner du dem, og du noterer, hvor mange der blev fjernet, og efter hvilken regel.

Den notering er ikke pynt. Den gør det muligt for en kollega at følge dit arbejde og for dig selv at forklare, hvorfor tallene i det rensede sæt afviger fra originalen.

Tomme felter og fejlformater

Et tomt felt kan betyde mange ting: at oplysningen mangler, at den ikke gælder, eller at nogen glemte at skrive den. Vi øver at spørge, hvad tomheden betyder i netop dette datasæt, før du fylder noget i. At sætte nul i stedet for et tomt felt kan ændre et gennemsnit mærkbart, og det viser vi med konkrete eksempler fra øvelsesfilerne.

Fejlformater er den anden klassiker. Tal gemt som tekst lader sig ikke lægge sammen, og datoer i blandede formater sorterer forkert. Du lærer at genkende tegnene, for eksempel tal der står venstrestillet i cellen, og at konvertere dem systematisk i stedet for celle for celle.

Hver gang du retter en hel kolonne, tjekker du bagefter, at antallet af rækker er uændret, og at et par tilfældige poster stadig ser rigtige ud.

• Afgør hvad et tomt felt betyder, før du retter
• Konverter hele kolonner, ikke enkeltceller
• Kontroller rækkeantal efter hver ændring

Dokumentation af hvert trin

Til sidst i hver øvelse skriver du en kort rensningslog. Den har tre ting: hvad du fandt, hvad du gjorde, og hvad du lod stå, fordi du var i tvivl. Loggen fylder sjældent mere end en halv side, men den er det, der adskiller et ansvarligt arbejde fra en stille ændring af tal.

Vi skriver den i fællesskab de første gange, så du ser, hvordan et godt notat lyder: konkret, uden forsvar og uden ordet jeg tror, hvor du kan skrive jeg har kontrolleret. Senere skriver du den selv, og din underviser læser den og stiller spørgsmål til de valg, du traf.

Loggen følger med i de senere moduler. Når du skal kontrollere tal og kilder eller lave en datahistorie, er det den, du vender tilbage til, hvis nogen spørger, hvor et tal kommer fra.

Hvad du kan forvente at kunne bagefter

Efter modulet kan du åbne et rodet datasæt og vurdere dets tilstand uden at gribe til rettelser i blinde. Du kan finde og håndtere dubletter, forklare hvad et tomt felt gør ved en beregning, rette fejlformater og dokumentere forløbet, så andre kan følge det.

Du bliver ikke dataekspert af ét modul, og vi lover ikke, at alle datasæt kan reddes. Nogle er så mangelfulde, at det ærlige svar er, at de ikke egner sig til analyse. At kunne sige det med en begrundelse er også en del af det, vi træner.

Modulet er undervisning og øvelse. Eksemplerne bruges til at lære metoden og er ikke rådgivning om økonomi eller investering.

• Vurdere et datasæts tilstand før indgreb
• Håndtere dubletter, tomme felter og fejlformater
• Skrive en rensningslog andre kan følge

Rensning af data handler mere om omhu end om tekniske tricks. Med øvelsesfiler, enkle regnearksfunktioner og en fast vane med at dokumentere hvert valg lærer du at gøre rodede datasæt klar til analyse, uden at tallene ændrer sig bag din ryg. Det er den metode, vi bygger modulet på, trin for trin og i dit eget tempo.