Datenreife ist ein Begriff, der häufig verwendet wird, um eine Organisation auf einer Skala einzuordnen: von Stufe 1 zu Stufe 5, von Ad-hoc zu optimiert. Diese Skalen sind nicht wertlos, aber sie suggerieren eine Präzision, die bei Nachhaltigkeitsdaten meist nicht vorhanden ist. Eine Organisation ist nicht reif oder unreif. Manche Datenpunkte sind gut belegt, andere hängen an einer einzigen Tabelle, die eine einzige Person versteht. Datenreife messen bedeutet in der Praxis: pro Datenpunkt feststellen, wo er herkommt, wer dafür zeichnet und was passiert, wenn diese Person nicht da ist.
Ein Reife-Score von einem externen Anbieter gibt einen Eindruck, aber keine Handlungsliste. Wenn die Antwort „Stufe 2 von 5“ ist, wissen Sie noch nicht, welcher Datenpunkt unzuverlässig ist, welche Quelle fehlt oder welcher Mitarbeiter der Einzige ist, der weiß, wie eine Zahl zustande kommt. Datenreife ist als Messinstrument erst nützlich, wenn sie auf das Niveau einzelner Datenpunkte heruntergebrochen wird. Nicht: „die Organisation schneidet mäßig ab“, sondern: „dieser Datenpunkt hat keine festgelegte Quelle, jener Datenpunkt hat drei, die sich widersprechen.“
Es gibt drei Fragen, die pro Datenpunkt eine Antwort verdienen und die zusammen ein realistischeres Bild ergeben als ein Gesamtscore.
Die erste ist die Herkunft: Woher stammt diese Zahl, über welche Systeme und Bearbeitungsschritte, und ist dieser Weg festgehalten oder nur der Person bekannt, die es schon seit Jahren macht. Genau hier verändert die Lineage eines Datenpunkts, was eine Organisation nachweisen kann: nicht die Zahl selbst, sondern der Weg dorthin.
Die zweite ist die Eigentümerschaft: Wer ist für diesen Datenpunkt verantwortlich, und ist das unabhängig von der Person festgelegt, die es gerade zufällig macht. Ohne diese Festlegung ist die Frage, wer das Datenpunktregister liest, wenn der derzeitige Eigentümer nicht mehr da ist, nicht rhetorisch gemeint, sondern ein reales Kontinuitätsrisiko.
Die dritte ist die Qualität: Gibt es Regeln, die einen Fehler erkennen, bevor die Zahl den Bericht erreicht, oder wird eine Abweichung erst entdeckt, wenn ein externer Anbieter danach fragt. Diese dritte Frage berührt unmittelbar das Ausmaß, in dem Daten für Assurance kontrollierbar sind: Ein Prüfer beurteilt nicht, ob die Zahl plausibel klingt, sondern ob die Grundlage hält.
Diese Art der Messung liefert keine Zahl, mit der Sie sich mit einer anderen Organisation vergleichen können. Sie sagt nichts darüber aus, wie viel Prozent Ihrer Daten „reif“ sind, denn diese Schwelle ist willkürlich und unterscheidet sich je nach Branche, Datenpunkt und Beurteiler. Sie sagt auch nichts darüber voraus, wie lange es dauert, von der aktuellen Situation zu einer besseren zu kommen; das hängt davon ab, wie viele Datenpunkte es gibt, wie viele Systeme daran beteiligt sind und wie viele Menschen das Wissen derzeit nur im Kopf haben.
Was die Messung tatsächlich liefert, ist eine konkrete Übersicht: Dieser Datenpunkt ist in Ordnung, jener nicht, und dies ist genau der Grund. Diese Übersicht ist weniger eindrucksvoll als ein Score auf einer Fünferskala, aber sie ist das Einzige, das eine Handlungsgrundlage bietet.
Die Annahme, dass Tabellenkalkulationen das Problem sind, führt oft zu dem Schluss, dass ein neues Tool die Reife automatisch erhöht. Das ist nicht der Fall. Wie in der Analyse, warum Tabellenkalkulationen nicht den Kern des Problems bilden, beschrieben, liegt die Anfälligkeit oft nicht im Dateiformat, sondern im Fehlen festgelegter Herkunft und Eigentümerschaft. Ein Tool, das auf einen unorganisierten Prozess gelegt wird, produziert ordentlichere Übersichten derselben unzuverlässigen Zahlen. Die Reihenfolge lautet: zuerst feststellen, was vorhanden ist und woher es stammt, dann erst entscheiden, welches System das unterstützt.
Reife messen beginnt nicht bei allen Daten, die eine Organisation jemals berichten könnte, sondern bei der Frage, welche Datenpunkte für die geltenden Berichtspflichten tatsächlich benötigt werden. Diese Abgrenzung verhindert, dass eine Messung in einer Bestandsaufnahme all dessen endet, was irgendwo festgehalten ist, während die Unterscheidung zwischen Datenpunkten, die Sie tatsächlich benötigen, und Datenpunkten, die Sie zufällig schon erfassen, genau bestimmt, worauf sich die Messung richten muss. Wer diesen Ansatz lieber zunächst in einer gemeinsamen Sitzung durchlaufen möchte, statt nur zu lesen, findet den Aufbau dazu in der Beschreibung, was ein Daten-Bootcamp umfasst und bringt.
Diese Art der Messung ist der erste Schritt, nicht der Endpunkt. Sobald klar ist, welche Datenpunkte schwach belegt sind, wer als Eigentümer fehlt und welche Qualitätsregeln noch nicht bestehen, entsteht die Frage, wie das strukturell festgehalten wird: in einem Register, mit Lineage pro Datenpunkt und mit Regeln, die Abweichungen erkennen, bevor ein Bericht das Haus verlässt. Dafür ist die Data Readiness Scan von csrdready.net gedacht. Der Scan befindet sich im Aufbau; wer hiermit jetzt schon starten möchte, kann sich für die Warteliste anmelden.
Wenn Sie einmal wissen, welche Datenpunkte Aufmerksamkeit benötigen und wer dafür verantwortlich ist, liegt die nächste Frage nahe: Wie viel von der Arbeit rund darum – das Abschreiben, das Kontrollieren, das Zusammenführen von Quellen – ist Arbeit, die eine Maschine übernehmen kann, und wie viel erfordert menschliches Urteilsvermögen. Der Werkscan von FTE TO AI berechnet pro Aufgabe, welcher Anteil davon von KI übernommen werden kann, damit Sie nicht raten, sondern zählen.
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.