Et udslipstal med to decimaler skaber tillid. Men præcision i fremstillingen siger intet om kildens pålidelighed. Et regneark, der ligger tre manuelle omskrivninger væk, kan udmærket vise to decimaler ligesom et tal, der kommer direkte fra et valideret system. Forskellen ligger ikke i, hvordan tallet ser ud, men i, hvad der er dokumenteret om, hvor det kommer fra, og hvad en gyldig værdi er.
Skinnøjagtighed opstår, når et tal udstråler mere sikkerhed, end de underliggende data berettiger til. Det sker ikke af ond vilje. Det sker, fordi ingen har fastlagt grænserne for et datapunkt: hvilke værdier der er plausible, hvilke afvigelser der er normale, og hvilke der bør give et signal. Uden disse grænser ser hvert tal lige troværdigt ud, også det tal, der er en indtastningsfejl eller en forkert enhed.
Spørgsmålet hvad er en gyldig værdi bør derfor være besvaret for hvert datapunkt, ikke efterfølgende ved en stikprøve, men på forhånd, i det øjeblik datapunktet registreres. En gyldig værdi er ikke kun et tal inden for et interval. Det er også en enhed, der stemmer, en periode, der passer, og en kilde, der er kendt.
En kvalitetsregel gør mere end at godkende eller afvise en værdi. Den fastlægger også, hvornår en afvigelse skal blive et signal. Et energiforbrug, der ligger tyve procent højere end sidste år, kan være en fejl, men kan også være en reel udvidelse. Reglen i sig selv fastlægger ikke, hvad der er sket; den fastlægger, at denne type afvigelse fortjener en vurdering, før den går videre.
Hvordan opsætter man en signalafvigelse er dermed et andet spørgsmål end hvad er en gyldig værdi. Det ene spørgsmål handler om grænsen for det acceptable, det andet om grænsen for det bemærkelsesværdige. Begge grænser er nødvendige, og begge bør fastlægges pr. datapunkt, ikke som en generel tommelfingerregel for hele rapporteringen.
Et signal, som ingen ser, er ikke et signal. Det er her, mange datastrukturer stopper: reglen findes, afvigelsen bliver registreret, men det er ikke fastlagt, hvem der modtager meldingen, og hvad den person skal gøre med den. Uden ejerskab pr. datapunkt forsvinder et signal i en liste, som ingen læser igennem, eller det ender hos en person, der ikke kender datapunktet og derfor ikke kan vurdere det.
Hvilke kontroller hører til et datapunkt omfatter derfor ikke kun reglen selv, men også vejen: hvem der er ejer, hvornår den person får en melding, og hvad der sker, hvis den person ikke reagerer. Et datapunkt uden ejer er et datapunkt, som ingen ud over rapportens slutbruger nogensinde vil bemærke gik galt, og så er det for sent at gøre noget ved den underliggende årsag.
Der findes værktøjer, som registrerer afvigelser og viser dashboards. Disse værktøjer er nyttige, så snart reglerne findes. Men et værktøj, der kører på et datapunktregister uden fastlagte gyldige værdier, uden signaldefinitioner og uden tildelte ejere, producerer først og fremmest meldinger, som ingen kan tolke. Spørgsmålet køb først et værktøj eller etabler først processen er direkte relevant her: et værktøj oven på en uorganiseret proces ændrer problemets form, ikke dets indhold.
Det samme gælder for definitioner. Hvis to dele af organisationen har en forskellig forståelse af det samme datapunkt, vil en kvalitetsregel for den ene del give et falsk signal for den anden. Hvad gør man med definitioner, der varierer pr. afdeling, og hvilket valg fastlægger man bør derfor være besvaret på forhånd, ellers bliver hver regel et kompromis, der ikke passer godt til noget.
Gyldige værdier, signaler og ejerskab er ikke noget, der bestemmes generelt og derefter anvendes overalt. De følger af, hvordan en organisation i praksis registrerer datapunktet, hvem der i praksis har adgang til det, og hvilke fejl der tidligere er forekommet. Hvilke funktionelle krav udspringer af jeres egen proces beskriver, hvordan disse regler udledes af den eksisterende proces i stedet for af en generisk tjekliste.
Så snart det er klart, hvilke værdier der er gyldige, hvilke afvigelser der udgør et signal, og hvem der vurderer dette signal, opstår der også overblik over det arbejde, der ligger bag denne kontrol: hvem der slår oplysninger op, hvem der sammenligner med tidligere perioder, hvem der videresender meldingen. Dette arbejde består af opgaver, der kan opdeles, og for en del af dem kan man afgøre, om software kan overtage det. Arbejdsanalysen fra FTE TO AI beregner for hver opgave, hvor stor en del af arbejdet der kan overtages af AI, baseret på de samme fastlagte regler og processer, der understøtter datakvaliteten.
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.