Datová vyspělost je termín, který se často používá k umístění organizace na stupnici: od úrovně 1 do úrovně 5, od ad hoc až po optimalizovanou. Tyto stupnice nejsou zcela bez hodnoty, ale sugerují přesnost, která u dat o udržitelnosti obvykle chybí. Organizace není vyspělá nebo nevyspělá. Některé datové body jsou dobře podložené, jiné závisí na jediné tabulce, kterou rozumí jediná osoba. Měření datové vyspělosti v praxi znamená: u každého datového bodu určit, odkud pochází, kdo za něj ručí a co se stane, pokud tato osoba není k dispozici.
Skóre vyspělosti od externí strany dává určitý dojem, ale ne seznam kroků k akci. Pokud je odpovědí „úroveň 2 z 5“, stále nevíte, který datový bod je nespolehlivý, jaký zdroj chybí nebo který zaměstnanec je jediný, kdo ví, jak se číslo vypočítává. Datová vyspělost je jako měřicí nástroj užitečná až tehdy, když se rozčlení na úroveň jednotlivých datových bodů. Ne: „organizace skóruje průměrně“, ale: „tento datový bod nemá zaznamenaný zdroj, tamten datový bod má tři zdroje, které si odporují.“
Existují tři otázky, na které si zaslouží odpověď každý datový bod, a které společně poskytují realističtější obraz než celkové skóre.
První se týká původu: odkud toto číslo pochází, přes jaké systémy a operace, a je tato cesta zaznamenaná, nebo ji zná jen ten, kdo to dělá už léta. Přesně v tomto ohledu linie datového bodu změní to, co organizace dokáže prokázat: nikoli samotné číslo, ale cestu k němu.
Druhá se týká vlastnictví: kdo je za tento datový bod odpovědný, a je to zaznamenáno nezávisle na osobě, která to momentálně dělá. Bez tohoto zápisu není otázka, kdo bude číst registr datových bodů, pokud tam současný vlastník už nebude, míněna řečnicky, ale představuje skutečné riziko pro kontinuitu.
Třetí se týká kvality: existují pravidla, která odhalí chybu dříve, než se číslo dostane do reportu, nebo se odchylka objeví až tehdy, když se na ni zeptá externí strana. Tato třetí otázka se přímo dotýká míry, do jaké jsou data kontrolovatelná pro účely ověření (assurance): auditor neposuzuje, zda číslo zní plausibilně, ale zda podklady obstojí.
Tento způsob měření nedává číslo, se kterým byste se mohli srovnávat s jinou organizací. Neříká nic o tom, kolik procent vašich dat je „vyspělých“, protože tato hranice je arbitrární a liší se podle odvětví, datového bodu a hodnotitele. Rovněž nepředpovídá, jak dlouho bude trvat přejít ze současné situace do lepší; to závisí na počtu datových bodů, počtu zapojených systémů a na tom, kolik lidí má znalosti pouze v hlavě.
Co měření dělá, je poskytnutí konkrétního přehledu: tento datový bod je v pořádku, tamten není, a přesně proč. Tento přehled je méně impozantní než skóre na stupnici od jedné do pěti, ale je to jediná věc, která dává prostor k jednání.
Předpoklad, že tabulky jsou problémem, často vede k závěru, že nový nástroj automaticky zvýší vyspělost. Tak tomu není. Jak je popsáno v analýze toho, proč tabulky nejsou jádrem problému, zranitelnost obvykle nespočívá ve formátu souboru, ale v absenci zaznamenaného původu a vlastnictví. Nástroj nasazený na neuspořádaný proces produkuje pouze upravenější přehledy stejných nespolehlivých čísel. Pořadí je: nejprve stanovit, co existuje a odkud to pochází, a až potom vybrat, jaký systém to podpoří.
Měření vyspělosti nezačíná u všech dat, která by organizace mohla někdy vykázat, ale u otázky, které datové body jsou skutečně nutné pro platné povinnosti reportování. Toto vymezení zabraňuje tomu, aby se měření zvrhlo v inventarizaci všeho, co je někde zaznamenáno, zatímco rozdíl mezi datovými body, které skutečně potřebujete, a datovými body, které náhodou už sbíráte, přesně určuje, na co se má měření zaměřit. Kdo chce tento přístup nejprve projít společně v rámci jednoho setkání, než jej pouze číst, najde jeho koncepci v popisu toho, co obsahuje a přináší datový bootcamp.
Tento způsob měření je prvním krokem, nikoli konečným cílem. Jakmile je jasné, které datové body jsou slabě podložené, kdo chybí jako vlastník a jaká pravidla kvality ještě neexistují, vzniká otázka, jak to strukturálně zakotvit: v registru, s linií u každého datového bodu a s pravidly, která signalizují odchylky dříve, než report opustí organizaci. To je práce, pro kterou je určen Data Readiness Scan od csrdready.net. Tento nástroj je ve vývoji; kdo s tím chce začít už nyní, může se zapsat na čekací listinu.
Jakmile víte, které datové body vyžadují pozornost a kdo je za ně odpovědný, je další otázka logická: kolik z práce kolem toho — přepisování, kontrola, slučování zdrojů — je práce, kterou může převzít stroj, a kolik vyžaduje lidský úsudek. Pracovní skener FTE TO AI vypočítá u každé úlohy, jakou část z ní může převzít AI, takže nehádáte, ale počítáte.
Vraag maar waar een datapunt vandaan komt. Dat is meestal de hele vraag.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.