Eine Emissionszahl mit zwei Dezimalstellen wirkt vertrauenswürdig. Doch Präzision in der Darstellung sagt nichts über die Zuverlässigkeit der Quelle aus. Eine Tabelle, die drei manuelle Übertragungen weiter steht, kann genauso gut zwei Dezimalstellen zeigen wie eine Zahl, die direkt aus einem validierten System stammt. Der Unterschied liegt nicht darin, wie die Zahl aussieht, sondern darin, was festgelegt wurde über ihre Herkunft und darüber, was ein gültiger Wert ist.
Scheingenauigkeit entsteht, wenn eine Zahl mehr Sicherheit ausstrahlt, als die zugrunde liegenden Daten rechtfertigen. Das geschieht nicht durch böse Absicht. Es geschieht, weil niemand festgelegt hat, wo die Grenzen eines Datenpunkts liegen: welche Werte plausibel sind, welche Abweichungen normal sind und welche ein Signal auslösen sollten. Ohne diese Grenzen wirkt jede Zahl gleich glaubwürdig, auch die Zahl, die ein Tippfehler ist oder eine falsche Einheit hat.
Die Frage was ist ein gültiger Wert sollte deshalb für jeden Datenpunkt beantwortet sein, nicht nachträglich bei einer Stichprobe, sondern vorab, im Moment, in dem der Datenpunkt festgehalten wird. Ein gültiger Wert ist nicht nur eine Zahl innerhalb einer Bandbreite. Es ist auch eine Einheit, die stimmt, ein Zeitraum, der passt, und eine Quelle, die bekannt ist.
Eine Qualitätsregel tut mehr, als einen Wert zu genehmigen oder abzulehnen. Sie legt auch fest, wann eine Abweichung zu einem Signal werden soll. Ein Energieverbrauch, der zwanzig Prozent höher liegt als im Vorjahr, kann ein Fehler sein, kann aber auch eine reale Erweiterung sein. Die Regel selbst legt nicht fest, was passiert ist; sie legt fest, dass diese Art von Abweichung eine Beurteilung verdient, bevor sie weiterfließt.
Wie richten Sie eine Signalabweichung ein ist damit eine andere Frage als die nach dem gültigen Wert. Die eine Frage betrifft die Grenze des Akzeptablen, die andere die Grenze des Auffälligen. Beide Grenzen sind notwendig, und beide sollten pro Datenpunkt festgelegt werden, nicht als allgemeine Faustregel für die gesamte Berichterstattung.
Ein Signal, das niemand sieht, ist kein Signal. Hier hören viele Datenstrukturen auf: Die Regel ist vorhanden, die Abweichung wird erkannt, aber es ist nicht festgelegt, wer die Meldung erhält und was diese Person damit tun soll. Ohne Eigentümerschaft pro Datenpunkt verschwindet ein Signal in einer Liste, die niemand durchliest, oder es landet bei jemandem, der den Datenpunkt nicht kennt und ihn daher nicht beurteilen kann.
Welche Kontrollen gehören zu einem Datenpunkt umfasst deshalb nicht nur die Regel selbst, sondern auch den Weg: wer der Eigentümer ist, wann diese Person eine Meldung erhält und was passiert, wenn diese Person nicht reagiert. Ein Datenpunkt ohne Eigentümer ist ein Datenpunkt, bei dem außer dem Endnutzer des Berichts niemand je merken wird, dass es schiefging, und dann ist es zu spät, um an der zugrunde liegenden Ursache etwas zu ändern.
Es gibt Tools, die Abweichungen erkennen und Dashboards anzeigen. Diese Tools sind nützlich, sobald die Regeln vorhanden sind. Aber ein Tool, das auf einem Datenpunktregister läuft ohne festgelegte gültige Werte, ohne Signaldefinitionen und ohne zugewiesene Eigentümer, produziert vor allem Meldungen, die niemand einordnen kann. Die Frage zuerst ein Tool kaufen oder zuerst den Prozess einrichten ist hier direkt anwendbar: Ein Tool über einem unorganisierten Prozess verändert die Form des Problems, nicht dessen Inhalt.
Dasselbe gilt für Definitionen. Wenn zwei Bereiche der Organisation ein unterschiedliches Verständnis desselben Datenpunkts haben, dann wird eine Qualitätsregel für den einen Bereich für den anderen ein Fehlsignal ergeben. Was tun Sie mit Definitionen, die sich je nach Bereich unterscheiden, und welche Wahl legen Sie fest sollte deshalb vorab beantwortet sein, sonst wird jede Regel zu einem Kompromiss, der nirgendwo richtig passt.
Gültige Werte, Signale und Eigentümerschaft sind nicht etwas, das allgemein festgelegt und dann überall angewendet wird. Sie ergeben sich daraus, wie eine Organisation den Datenpunkt tatsächlich erfasst, wer in der Praxis Zugriff darauf hat und welche Fehler in der Vergangenheit vorgekommen sind. Welche funktionalen Anforderungen ergeben sich aus Ihrem eigenen Prozess beschreibt, wie diese Regeln aus dem bestehenden Prozess abgeleitet werden statt aus einer generischen Checkliste.
Sobald klar ist, welche Werte gültig sind, welche Abweichungen ein Signal darstellen und wer dieses Signal beurteilt, entsteht auch ein Überblick über die Arbeit, die hinter dieser Kontrolle steckt: wer Daten recherchiert, wer mit früheren Zeiträumen vergleicht, wer die Meldung weiterleitet. Diese Arbeit besteht aus Aufgaben, die sich aufschlüsseln lassen, und für einen Teil davon lässt sich bestimmen, ob Software ihn übernehmen kann. Der Werkscan von FTE TO AI berechnet pro Aufgabe, welcher Anteil der Arbeit von KI übernommen werden kann, auf Basis derselben festgelegten Regeln und Wege, die die Datenqualität untermauern.
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.