Spørg fem afdelinger om samme størrelse — for eksempel antallet af fuldtidsansatte, brændstofforbruget af en vognpark, eller afskrevet materiale — og De får fem ræsonnementer der forløber en smule forskelligt. Den ene afdeling tæller vikarer med, den anden ikke. Den ene fabrik regner i liter, den anden har allerede omregnet det til liter pr. køretøj pr. år og leverer dermed en anden type tal end det efterspurgte. På papiret hedder det alt sammen den samme metric. I virkeligheden er det forskellige definitioner der tilfældigvis står i den samme kolonne.
Det er ikke en indtastningsfejl. Ingen har tastet noget forkert. Problemet ligger et lag tidligere: det er aldrig blevet fastlagt hvad den gyldige værdi for dette datapunkt præcis er, og derfor udfylder hver afdeling tomrummet med sin egen logik. Hvad en gyldig værdi er og hvad den ikke er, er uddybet på hvad er en gyldig værdi — det spørgsmål der bør stilles forud for enhver sammenligning mellem afdelinger.
Kernespørgsmålet er ikke om afvigelser forekommer — de forekommer altid — men hvem der ser dem før tallet ender i en rapport. I mange organisationer er svaret: ingen, indtil en ekstern part eller en revisor bemærker et tal der ikke stemmer med sidste år. Da er spørgsmålet allerede stillet for sent.
Et datapunkt uden signalafvigelse har ingen måde at gøre sig selv mistænkeligt. Et tal der er tre gange så højt som sidste år, falder ikke automatisk i øjnene hvis der ikke er fastlagt en bandbredde inden for hvilken en værdi er plausibel. Hvordan De fastlægger denne bandbredde — fast procentsats, historisk spredning, en tærskel pr. enhed — er uddybet på hvordan indstiller De en signalafvigelse. Spørgsmålet er ikke kompliceret, men det skal stilles, pr. datapunkt, før datapunktet udfyldes.
En signalafvigelse fanger det ekstreme tilfælde: tallet der klart ikke stemmer. Men de fleste definitionsforskelle mellem afdelinger er mere subtile end det. En afdeling der tæller vikarer med, giver ikke et absurd tal — det giver et tal der ser helt normalt ud, og som netop derfor ikke falder i øjnene.
Derfor hører der til hvert datapunkt mere end én kontrol: et interval inden for hvilket værdien skal falde, en enhed der ligger fast, et kildekrav der angiver hvilken dokumenttype der gælder som dokumentation, og en beskrivelse af hvad der hører med i optællingen og hvad ikke. Hvilken kombination af kontroller der er nødvendig, varierer pr. datapunkt og pr. organisation — en F&U-udgift kræver andre sikkerhedsmekanismer end en emissionsfaktor. Et overblik over hvilke kontroller der hører til hvilken type datapunkt, findes på hvilke kontroller hører til et datapunkt. Uden denne kombination opstår skinpræcision: et tal med to decimaler efter kommaet der er opbygget af fem definitioner der ikke stemmer sammen. Hvor denne skinpræcision kommer fra og hvordan De genkender den, står på hvordan forhindrer De skinpræcision.
En definition der ligger fast på papir, er ikke automatisk en definition der anvendes. Nogen skal besvare spørgsmålet når en afdeling fremlægger et grænsetilfælde: tæller denne samarbejdsform som en fuldtidsansat eller ikke, hører denne leverandør under scope 3 eller ikke. Uden en udpeget ejer falder dette spørgsmål tilbage på den der tilfældigvis sidder tættest på formularen, og så forskydes definitionen igen, tavst, pr. afdeling.
Data Readiness Scan fastlægger pr. datapunkt hvad den gyldige værdi er, hvilken signalafvigelse der gælder, hvilke kontroller der hører til det specifikke datapunkt, og hvem der er ejer af definitionen. Det er ikke et rapporteringsværktøj og ikke et spørgeskema — det er registret der fastlægger hvad der ligger under rapporten, sådan at en forskel mellem afdelinger bliver synlig før tallet lægges sammen.
Der findes systemer der kan udføre disse kontroller. Men et system der kører oven på fem forskellige, aldrig fastlagte definitioner, udfører disse kontroller på grundlag af regler som ingen har aftalt. Resultatet er en pæn brugerflade med upålidelige tal i sig. Hvorfor rækkefølgen — først definitionen, så værktøjet — betyder noget, står på først et værktøj købe eller først processen indrette. Og hvilke krav et værktøj egentlig skal opfylde, følger ikke af en leverandørliste men af Deres egen proces — se hvilke funktionelle krav følger af Deres egen proces.
Data Readiness Scan er under opbygning. Den der allerede nu kæmper med definitioner der varierer pr. afdeling, kan tilmelde sig ventelisten og bliver holdt underrettet så snart instrumentet er tilgængeligt.
Når det først er fastlagt hvad en gyldig værdi er, hvem der vogter definitionen og hvilken kontrol der hører til hvilket datapunkt, bliver det også synligt hvilken del af dette arbejde der er gentagelse: de samme kildedokumenter kontrolleret mod den samme regel, den samme bandbredde afprøvet ved hver ny indtastning. Det er arbejde der, når det først er gjort eksplicit, kan beregnes. FTE TO AI's arbejdsscan beregner pr. opgave hvilken del af arbejdet AI kan overtage — ikke som en erstatning for den ejer der beslutter om definitionen, men som en måde at se hvor kontrol og gentagelse kan skelnes fra hinanden.
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.