Η ωριμότητα δεδομένων είναι ένας όρος που συχνά χρησιμοποιείται για να τοποθετήσει έναν οργανισμό σε μια κλίμακα: από επίπεδο 1 έως επίπεδο 5, από αυθαίρετο έως βελτιστοποιημένο. Αυτές οι κλίμακες δεν στερούνται αξίας, αλλά υποδηλώνουν μια ακρίβεια που συνήθως δεν υπάρχει στα δεδομένα βιωσιμότητας. Ένας οργανισμός δεν είναι ώριμος ή ανώριμος. Ορισμένα σημεία δεδομένων είναι καλά τεκμηριωμένα, άλλα εξαρτώνται από ένα μοναδικό υπολογιστικό φύλλο που κατανοεί μόνο ένα άτομο. Η μέτρηση της ωριμότητας δεδομένων σημαίνει στην πράξη: διαπίστωση, ανά σημείο δεδομένων, από πού προέρχεται, ποιος το υπογράφει και τι συμβαίνει όταν αυτό το άτομο απουσιάζει.
Μια βαθμολογία ωριμότητας από έναν εξωτερικό φορέα δίνει μια εντύπωση, αλλά όχι μια λίστα ενεργειών. Αν η απάντηση είναι "επίπεδο 2 στα 5", εξακολουθείτε να μη γνωρίζετε ποιο σημείο δεδομένων είναι αναξιόπιστο, ποια πηγή λείπει ή ποιος εργαζόμενος είναι ο μόνος που γνωρίζει πώς προκύπτει ένα νούμερο. Η ωριμότητα δεδομένων είναι χρήσιμη ως εργαλείο μέτρησης μόνο όταν αναλύεται στο επίπεδο μεμονωμένων σημείων δεδομένων. Όχι: "ο οργανισμός βαθμολογείται μέτρια", αλλά: "αυτό το σημείο δεδομένων δεν έχει καταγεγραμμένη πηγή, εκείνο το σημείο δεδομένων έχει τρεις που αλληλοαναιρούνται."
Υπάρχουν τρία ερωτήματα που αξίζουν μια απάντηση ανά σημείο δεδομένων, και τα οποία μαζί δίνουν μια πιο ρεαλιστική εικόνα από μια συνολική βαθμολογία.
Το πρώτο είναι η προέλευση: από πού προέρχεται αυτό το νούμερο, μέσω ποιων συστημάτων και επεξεργασιών, και είναι αυτή η διαδρομή καταγεγραμμένη ή γνωστή μόνο σε όποιον το κάνει εδώ και χρόνια. Εδώ ακριβώς η καταγωγή (lineage) ενός σημείου δεδομένων αλλάζει τι μπορεί να αποδείξει ένας οργανισμός: όχι το ίδιο το νούμερο, αλλά τη διαδρομή προς αυτό.
Το δεύτερο είναι η ιδιοκτησία: ποιος είναι υπεύθυνος για αυτό το σημείο δεδομένων, και είναι αυτό καταγεγραμμένο ανεξάρτητα από το άτομο που τυχαίνει να το κάνει αυτή τη στιγμή. Χωρίς αυτή την καταγραφή, το ερώτημα ποιος διαβάζει το μητρώο σημείων δεδομένων σας όταν ο σημερινός ιδιοκτήτης δεν είναι πλέον εκεί δεν είναι ρητορικό, αλλά αποτελεί πραγματικό κίνδυνο για τη συνέχεια.
Το τρίτο είναι η ποιότητα: υπάρχουν κανόνες που εντοπίζουν ένα σφάλμα πριν το νούμερο φτάσει στην αναφορά, ή μια απόκλιση ανακαλύπτεται μόνο όταν ένας εξωτερικός φορέας ρωτήσει για αυτήν. Αυτό το τρίτο ερώτημα άπτεται άμεσα του βαθμού στον οποίο τα δεδομένα είναι ελεγξιμα για σκοπούς διασφάλισης (assurance): ένας ελεγκτής δεν εξετάζει αν το νούμερο ακούγεται πιθανό, αλλά αν η τεκμηρίωση αντέχει.
Αυτός ο τρόπος μέτρησης δεν παράγει έναν αριθμό με τον οποίο μπορείτε να συγκριθείτε με άλλον οργανισμό. Δεν λέει τίποτα για το ποσοστό των δεδομένων σας που είναι "ώριμο", καθώς αυτό το όριο είναι αυθαίρετο και διαφέρει ανά κλάδο, ανά σημείο δεδομένων και ανά αξιολογητή. Επίσης δεν προβλέπει πόσο θα διαρκέσει η μετάβαση από την τρέχουσα κατάσταση σε μια καλύτερη· αυτό εξαρτάται από το πόσα σημεία δεδομένων υπάρχουν, πόσα συστήματα εμπλέκονται και πόσοι άνθρωποι έχουν τη γνώση μόνο στο μυαλό τους.
Αυτό που κάνει η μέτρηση είναι να παράγει μια συγκεκριμένη επισκόπηση: αυτό το σημείο δεδομένων είναι εντάξει, εκείνο δεν είναι, και αυτός είναι ο ακριβής λόγος. Αυτή η επισκόπηση είναι λιγότερο εντυπωσιακή από μια βαθμολογία σε κλίμακα του πέντε, αλλά είναι το μόνο που προσφέρει προοπτική δράσης.
Η παραδοχή ότι τα υπολογιστικά φύλλα είναι το πρόβλημα οδηγεί συχνά στο συμπέρασμα ότι ένα νέο εργαλείο αυξάνει αυτόματα την ωριμότητα. Αυτό δεν ισχύει. Όπως περιγράφεται στην ανάλυση του γιατί τα υπολογιστικά φύλλα δεν αποτελούν τον πυρήνα του προβλήματος, η ευπάθεια βρίσκεται συχνά όχι στη μορφή του αρχείου αλλά στην απουσία καταγεγραμμένης προέλευσης και ιδιοκτησίας. Ένα εργαλείο που τοποθετείται πάνω σε μια μη οργανωμένη διαδικασία παράγει πιο τακτοποιημένες επισκοπήσεις των ίδιων αναξιόπιστων νούμερων. Η σειρά είναι: πρώτα να διαπιστωθεί τι υπάρχει και από πού προέρχεται, και μόνο μετά να επιλεγεί ποιο σύστημα το υποστηρίζει.
Η μέτρηση της ωριμότητας δεν ξεκινά από όλα τα δεδομένα που κάποτε θα μπορούσε να αναφέρει ένας οργανισμός, αλλά από το ερώτημα ποια σημεία δεδομένων είναι πράγματι απαραίτητα για τις υποχρεώσεις αναφοράς που ισχύουν. Αυτή η οριοθέτηση αποτρέπει το ενδεχόμενο μια μέτρηση να καταλήξει σε απογραφή όλων όσα έχουν καταγραφεί κάπου, ενώ η διάκριση μεταξύ των σημείων δεδομένων που πράγματι χρειάζεστε και εκείνων που τυχαίνει να συλλέγετε ήδη καθορίζει ακριβώς σε τι πρέπει να εστιάσει η μέτρηση. Όποιος προτιμά να διανύσει αυτή την προσέγγιση πρώτα σε μια κοινή συνάντηση παρά μόνο να τη διαβάσει, θα βρει τη δομή της στην περιγραφή του τι είναι ένα databootcamp και τι αποφέρει.
Αυτός ο τρόπος μέτρησης είναι το πρώτο βήμα, όχι το τελικό σημείο. Μόλις γίνει σαφές ποια σημεία δεδομένων είναι αδύναμα τεκμηριωμένα, ποιος λείπει ως ιδιοκτήτης και ποιοι κανόνες ποιότητας δεν υπάρχουν ακόμη, προκύπτει το ερώτημα πώς αυτό καταγράφεται δομικά: σε ένα μητρώο, με καταγωγή (lineage) ανά σημείο δεδομένων και με κανόνες που εντοπίζουν αποκλίσεις πριν μια αναφορά φύγει από τα χέρια σας. Αυτή είναι η εργασία για την οποία προορίζεται η Data Readiness Scan του csrdready.net. Η σάρωση βρίσκεται υπό κατασκευή· όποιος θέλει να ξεκινήσει από τώρα, μπορεί να εγγραφεί στη λίστα αναμονής.
Όταν πλέον γνωρίζετε ποια σημεία δεδομένων απαιτούν προσοχή και ποιος είναι υπεύθυνος για αυτά, το επόμενο ερώτημα προκύπτει φυσικά: πόσο από τον περιβάλλοντα φόρτο εργασίας — η αντιγραφή, ο έλεγχος, η συγκέντρωση πηγών — είναι εργασία που μπορεί να αναλάβει ένα μηχάνημα, και πόσο απαιτεί ανθρώπινη κρίση. Η werkscan της FTE TO AI υπολογίζει, ανά εργασία, ποιο μέρος αυτής μπορεί να αναληφθεί από AI, ώστε να μην μαντεύετε αλλά να μετράτε.
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.