Datamodenhed er et begreb, der ofte bruges til at placere en organisation på en skala: fra niveau 1 til niveau 5, fra ad hoc til optimeret. Disse skalaer er ikke uden værdi, men de antyder en præcision, der som regel ikke findes i forbindelse med bæredygtighedsdata. En organisation er ikke moden eller umoden. Nogle datapunkter er godt underbygget, andre hænger på ét regneark, som én person forstår. At måle datamodenhed betyder i praksis: for hvert datapunkt at fastlægge, hvor det kommer fra, hvem der tegner for det, og hvad der sker, hvis den person ikke er til stede.
En modenhedsscore fra en ekstern part giver et indtryk, men ikke en handlingsliste. Hvis svaret er "niveau 2 af 5", ved De stadig ikke, hvilket datapunkt der er upålideligt, hvilken kilde der mangler, eller hvilken medarbejder der er den eneste, som ved, hvordan et tal opbygges. Datamodenhed er kun nyttig som målemetode, når den bliver opdelt på niveau af individuelle datapunkter. Ikke: "organisationen scorer middel", men: "dette datapunkt har ingen registreret kilde, det datapunkt har tre, der modsiger hinanden."
Der er tre spørgsmål, der for hvert datapunkt fortjener et svar, og som samlet giver et mere realistisk billede end en totalscore.
Det første er herkomst: hvor kommer dette tal fra, via hvilke systemer og bearbejdninger, og er den vej registreret, eller kendes den kun af den, som har gjort det i årevis. Det er præcis her, lineage for et datapunkt ændrer, hvad en organisation kan påvise: ikke tallet selv, men vejen dertil.
Det andet er ejerskab: hvem er ansvarlig for dette datapunkt, og er det registreret uafhængigt af den person, der tilfældigvis udfører det nu. Uden den registrering er spørgsmålet om, hvem der læser Deres datapunktregister, når den nuværende ejer ikke længere er der, ikke retorisk, men en reel risiko for kontinuitet.
Det tredje er kvalitet: findes der regler, der signalerer en fejl, før tallet når rapporten, eller opdages en afvigelse først, når en ekstern part spørger om den. Dette tredje spørgsmål berører direkte, i hvilken grad data er kontrollerbare til assurance: en revisor tester ikke, om tallet lyder plausibelt, men om underbygningen holder.
Denne måde at måle på giver ikke et tal, De kan sammenligne Dem med en anden organisation. Den siger ikke noget om, hvor mange procent af Deres data der er "modne", for den grænse er arbitrær og varierer efter sektor, datapunkt og vurderingsperson. Den forudsiger heller ikke, hvor lang tid det tager at komme fra den nuværende situation til en bedre; det afhænger af, hvor mange datapunkter der er, hvor mange systemer der er involveret, og hvor mange mennesker der lige nu kun har viden i hovedet.
Hvad målingen derimod gør, er at levere et konkret overblik: dette datapunkt er i orden, det er det ikke, og det er præcis hvorfor. Det overblik er mindre imponerende end en score på en skala fra fem, men det er det eneste, der giver et handlingsperspektiv.
Antagelsen om, at regneark er problemet, fører ofte til den konklusion, at et nyt værktøj automatisk øger modenheden. Det er ikke tilfældet. Som beskrevet i analysen af hvorfor regneark ikke er kernen af problemet, ligger sårbarheden ofte ikke i filformatet, men i manglen på registreret herkomst og ejerskab. Et værktøj, der lægges over en uorganiseret proces, producerer pænere overblik over de samme upålidelige tal. Rækkefølgen er: først fastlægge, hvad der findes og hvor det kommer fra, derefter vælge, hvilket system der skal understøtte det.
At måle modenhed begynder ikke med al data, en organisation nogensinde kunne rapportere, men med spørgsmålet om, hvilke datapunkter der faktisk er nødvendige for de gældende rapporteringsforpligtelser. Denne afgrænsning forhindrer, at en måling ender i en optælling af alt, hvad der er registreret et sted, mens forskellen mellem datapunkter, De faktisk har brug for, og datapunkter, De tilfældigvis allerede indsamler, præcis bestemmer, hvad målingen skal fokusere på. Den, der hellere vil gennemgå denne fremgangsmåde i en fælles session end blot læse om den, finder opsætningen beskrevet i hvad et databootcamp indebærer og giver.
Denne måde at måle på er det første skridt, ikke slutpunktet. Så snart det er klart, hvilke datapunkter der er svagt underbygget, hvem der mangler som ejer, og hvilke kvalitetsregler der endnu ikke findes, opstår spørgsmålet om, hvordan det registreres strukturelt: i et register, med lineage for hvert datapunkt og med regler, der signalerer afvigelser, før en rapport sendes ud. Det er det arbejde, Data Readiness Scan fra csrdready.net er beregnet til. Scanningen er under opbygning; den, der allerede nu vil starte med dette, kan tilmelde sig ventelisten.
Når De først ved, hvilke datapunkter der kræver opmærksomhed og hvem der er ansvarlig for dem, er det næste spørgsmål oplagt: hvor meget af arbejdet omkring det — indtastningen, kontrollen, sammenlægningen af kilder — er arbejde, en maskine kan tage over, og hvor meget kræver menneskelig vurdering. Arbejdsscanningen fra FTE TO AI beregner for hver opgave, hvor stor en del af den, AI kan tage over, så De ikke gætter, men tæller.
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.