Et bootcamp lyder som en træning, et par intensive dage hvorefter alle kan komme videre. Det er ikke, hvad der menes her. Det handler om et struktureret forløb, hvor en organisation kortlægger sine bæredygtighedsdata: hvilke datapunkter der findes, hvor de kommer fra, hvem der er ansvarlig for dem, og hvilke kvalitetsregler der gælder for dem. Ingen træning om rapporteringsforpligtelser, ingen workshop om standarden. Arbejde med selve dataene.
Resultatet er et datapunktregister: en oversigt over hvert datapunkt, organisationen har brug for, med for hvert datapunkt den herkomst tilbageført fra kildesystem til rapporteringstal, en udpeget ejer og de regler, dataene skal opfylde for at kunne kaldes troværdige. Det er ikke en rapport og ikke et dashboard. Det er det underliggende lag, der afgør, om en rapport, uanset hvilken, står på noget solidt. Hvor findes et datapunkt allerede er ofte det første spørgsmål, dette forløb besvarer, og det spørgsmål viser sig regelmæssigt sværere end forventet: de samme data findes nogle gange tre steder, i tre definitioner.
Det er ikke en implementering af et værktøj. Software, der genererer rapporter oven på en uorganiseret proces, producerer pænere rapporter om de samme upålidelige tal. Databootcampet ligger forud for det skridt: først fastlægge, hvad et datapunkt er, hvor det kommer fra, og hvem der kan holdes ansvarlig for det, derefter først overveje systemer, der understøtter den proces. Det er heller ingen garanti for assurance-parathed. Det tilfører den struktur, der gør assurance mulig, men om en revisor godkender et tal, afhænger af mere end et register. Den, der vil dykke ned i det, finder på hvordan gør I ESG-data kontrollerbare for assurance, hvor den grænse præcis ligger.
En ofte hørt antagelse er, at spreadsheets er kilden til upålidelige data, og at et system er løsningen. Det er en misforståelse. Problemet er sjældent mediet, det er fraværet af ejerskab og traceability. Et spreadsheet med en tydelig ejer, en registreret herkomst og en kvalitetsregel er mere pålideligt end et dyrt system uden disse tre ting. Hvorfor spreadsheets ikke er problemet går videre ind i dette. Databootcampet fokuserer derfor ikke på at udskifte værktøjer, men på at registrere det, der allerede findes, uanset hvor det befinder sig.
Tidsinvesteringen afhænger af antallet af datapunkter, antallet af kildesystemer og i hvor høj grad ejerskab allerede er tildelt. En organisation med et par centrale systemer og et lille antal materielle datapunkter gennemgår forløbet anderledes end en organisation med snesevis af datterselskaber, hver med egne spreadsheets og egne definitioner. Der kan ikke angives en fast gennemløbstid uden den kontekst, og den, der forventer et konkret tal, får her ikke serveret et slag i luften.
Så snart hvert datapunkt kan spores tilbage til sin kilde og har en ejer, ændrer samtalen sig. Spørgsmål som "hvor kommer dette tal fra" og "hvem kan forklare dette" har da et direkte svar, i stedet for en søgning gennem mailkorrespondance og gamle filer. Det påvirker ikke kun dette års rapportering, men også overdragelsen til en efterfølger, en ny controller eller et eksternt team. Hvad ændrer sig, når lineage først er på plads beskriver denne forskydning, og hvem læser jeres datapunktregister, når I ikke længere er der viser, hvorfor den overdragelighed ofte vejer tungere end den nuværende regnskabsårs rapportering.
En ofte gjort fejl er at ville gøre registret komplet på én gang for hvert datapunkt, en standard nogensinde kunne kræve. Det fører til et projekt, der aldrig bliver færdigt. Databootcampet begynder ved de datapunkter, organisationen faktisk har brug for, givet dens materialitet og dens sektor, og udvider derfra. Hvilke datapunkter har I faktisk brug for er det spørgsmål, der står i begyndelsen af hvert forløb, før nogen begynder at bygge et register.
Værktøjet, der understøtter denne proces, er under udvikling. Den, der allerede nu vil begynde med at kortlægge datapunkter, herkomst og ejerskab, kan tilmelde sig ventelisten; der leveres intet, som ikke allerede findes, men behovet noteres til det tidspunkt, hvor instrumentet bliver tilgængeligt.
Et datapunktregister fortæller, hvor dataene kommer fra, og hvem der står bag dem. Det fortæller ikke automatisk, hvor meget af arbejdet omkring det, indtastningen, kontrollen, sammenlægningen af kilder, der fremover stadig skal forblive menneskeligt arbejde. Den, der vil vide det, kan hos FTE TO AI få lavet en arbejdsscan: den viser pr. opgave, hvilken del af den AI kan overtage, så det bliver klart, hvor tiden falder bort, og hvor der stadig er brug for menneskeligt tilsyn.
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.