Στις περισσότερες οργανώσεις με πολλές business units, το ίδιο datapoint υπάρχει πολλές φορές. Οι εκπομπές Scope 2 στη μία εγκατάσταση βρίσκονται σε έναν λογαριασμό ενέργειας, στην άλλη σε ένα Excel-export του facility manager, και σε μια τρίτη πουθενά — εκεί γίνεται εκτίμηση. Αυτό δεν είναι λάθος ενός τμήματος. Είναι το αποτέλεσμα χρόνων στους οποίους κανείς δεν έχει ορίσει κεντρικά το datapoint, πόσο μάλλον την πηγή του.
Η ερώτηση "τι κάνετε με αυτό" προϋποθέτει ότι υπάρχει μία απάντηση που ταιριάζει παντού. Αυτό δεν συμβαίνει. Η προσέγγιση εξαρτάται από τι υπάρχει ήδη ανά business unit, και αυτό διαφέρει.
Προτού αποφασίσετε οτιδήποτε για ένα datapoint χωρίς πηγή, βάλτε δίπλα-δίπλα τι έχει πραγματικά κάθε business unit. Για ορισμένες units υπάρχει μια πηγή που κανείς δεν έχει καταγράψει — ένα σύστημα, έναν προμηθευτή, μια τοπική διαχείριση. Για άλλες αυτή η πηγή δεν υπάρχει, και το νούμερο συμπληρώνεται τώρα βάσει μιας εκτίμησης ή ενός συναδέλφου που το "ξέρει περίπου". Αυτές οι δύο καταστάσεις απαιτούν κάτι διαφορετικό. Πού υπάρχει ήδη ένα datapoint είναι η ερώτηση που απαντάτε unit προς unit, προτού προσθέσετε ή τροποποιήσετε οτιδήποτε στο μητρώο.
Μόνο όταν υπάρχει αυτή η επισκόπηση, βλέπετε πού βρίσκεται πραγματικά το πρόβλημα: όχι στο datapoint ως έννοια, αλλά στη διασπορά των πηγών που υπόκεινται σε αυτό ανάποδα.
Ένα μητρώο datapoints περιέχει ανά datapoint όχι μία γραμμή αλλά τόσες γραμμές όσες πηγές υπάρχουν. Για ένα datapoint που εμφανίζεται σε τρεις business units, υπάρχουν τρεις γραμμές: καθεμία με τη δική της πηγή, τον δικό της ιδιοκτήτη και τον δικό της κανόνα ποιότητας. Αυτό φαίνεται περίπλοκο, αλλά αποτρέπει κάτι χειρότερο — τη συγχώνευση νούμερων με διαφορετική προέλευση σε ένα ενιαίο νούμερο για το οποίο κανείς δεν μπορεί πλέον να πει από πού προέρχεται.
Κάθε γραμμή περιέχει τουλάχιστον: τον ορισμό του datapoint όπως ισχύει για αυτή τη unit, το σύστημα-πηγή ή το έγγραφο από το οποίο προκύπτει το νούμερο, ποιος είναι υπεύθυνος για την παράδοση και τον έλεγχο, και τον κανόνα με τον οποίο ελέγχεται αν η τιμή είναι εύλογη — ένα εύρος, μια σύγκριση με το προηγούμενο έτος, έναν έλεγχο μονάδας. Χωρίς αυτόν τον τελευταίο κανόνα, παρατηρείτε ένα λάθος μόνο όταν κάποιος τυχαίνει να το δει.
Μια περιπλοκή που συχνά προκύπτει κατά τη διάρκεια αυτής της διαδικασίας: η unit A και η unit B ονομάζουν "το ίδιο" datapoint, αλλά μετρούν κάτι διαφορετικό. Η μία υπολογίζει τα leaseαυτοκίνητα στο scope 1, η άλλη όχι. Αυτό δεν είναι πρόβλημα πηγής αλλά πρόβλημα ορισμού, και πρέπει να λυθεί πριν συνδεθεί με μια πηγή. Πώς αναγνωρίζετε τέτοιες διαφορές περιγράφεται στο πώς αναγνωρίζετε ένα διπλό datapoint σε πολλές business units. Μόνο όταν ο ορισμός είναι ίδιος για όλες τις units, έχει σημασία η σύνδεση πηγών — διαφορετικά καταγράφετε τρεις φορές κάτι διαφορετικό κάτω από ένα όνομα.
Αν μετά από αυτή την έρευνα αποδεικνύεται ότι μια business unit όντως δεν έχει πηγή για ένα datapoint, υπάρχουν δύο διαδρομές. Η πρώτη: υπάρχει ένα σύστημα ή μια διαδικασία από όπου θα μπορούσε να προκύψει το νούμερο, αλλά κανείς δεν το έχει ποτέ ορίσει ως πηγή. Τότε ορίζετε αυτή την πηγή και καταγράφετε ποιος τη διαχειρίζεται. Η δεύτερη: δεν υπάρχει πραγματικά τίποτα, και το νούμερο τώρα εκτιμάται ή αντιγράφεται από άλλη unit. Τότε το καταγράφετε ρητά ως εκτίμηση, με την υπόθεση που βρίσκεται από πίσω, αντί να αφήνετε να περνάει ως μετρημένη τιμή. Και οι δύο διαδρομές πρέπει να καταγράφονται στο μητρώο — μια εκτίμηση που δεν έχει επισημανθεί ως εκτίμηση είναι κίνδυνος που εμφανίζεται μόνο κατά τον έλεγχο.
Προτού επενδύσετε χρόνο στην αναζήτηση πηγής για κάθε datapoint που λείπει, αξίζει να προσδιορίσετε αν αυτό το datapoint είναι σχετικό για εκείνη τη business unit. Ένα μικρό κτίριο γραφείων με πέντε εργαζομένους μπορεί να μην έχει ανάγκη από ένα υλικό datapoint scope 3 που είναι σχετικό για μια εγκατάσταση παραγωγής. Ποια datapoints χρειάζεστε πραγματικά βοηθά να γίνει αυτή η διάκριση, ώστε να μην αναζητάτε πηγή για κάτι που εκ των υστέρων δεν ήταν απαραίτητο.
Υπάρχει η τάση να συνεχίζετε την αναζήτηση πηγών μέχρι όλα να καλυφθούν τέλεια. Αυτό δεν είναι το κριτήριο. Το μητρώο είναι έτοιμο όταν για κάθε σχετικό datapoint, ανά business unit, είναι σαφές αν υπάρχει πηγή, ποιος είναι ο ιδιοκτήτης και ποιος έλεγχος εφαρμόζεται — όχι όταν κάθε νούμερο είναι ανιχνεύσιμο με απόλυτη βεβαιότητα. Πότε είναι έτοιμο ένα μητρώο σε πολλές business units περιγράφει αυτό το τελικό σημείο συγκεκριμένα, και πόσα από τα datapoints σας έχουν πηγή είναι η ερώτηση με την οποία μετράτε την πρόοδο ενδιάμεσα.
Αυτή είναι εργασία που γίνεται unit προς unit και όχι εφάπαξ για όλη την οργάνωση. Πόσος χρόνος απαιτείται εξαρτάται από τον αριθμό των business units, τον αριθμό των datapoints και πόσα από αυτά έχουν ήδη πηγή. Ένα μέρος αυτής της εργασίας — η διερεύνηση ιδιοκτητών, η συγκέντρωση πηγών, η συμπλήρωση του μητρώου — είναι το είδος της εργασίας που μπορεί να δομηθεί και να επιταχυνθεί εν μέρει. Η werkscan της FTE TO AI υπολογίζει ανά εργασία ποιο μέρος αυτής μπορεί να αναλάβει η AI, ώστε προτού ξεκινήσετε να γνωρίζετε ποιο μέρος παραμένει χειρωνακτικό και ποιο όχι.
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.