Ένα bootcamp ακούγεται σαν εκπαίδευση, ένα εντατικό πρόγραμμα λίγων ημερών μετά το οποίο όλοι συνεχίζουν κανονικά. Δεν είναι αυτό που εννοείται εδώ. Πρόκειται για μια δομημένη διαδικασία στην οποία ένας οργανισμός χαρτογραφεί τα δεδομένα βιωσιμότητάς του: ποια σημεία δεδομένων υπάρχουν, από πού προέρχονται, ποιος είναι υπεύθυνος γι' αυτά και ποιοι κανόνες ποιότητας εφαρμόζονται. Όχι εκπαίδευση για τις υποχρεώσεις αναφοράς, όχι εργαστήριο για το πρότυπο. Δουλειά πάνω στα ίδια τα δεδομένα.
Το αποτέλεσμα είναι ένα μητρώο σημείων δεδομένων: μια επισκόπηση κάθε σημείου δεδομένων που χρειάζεται ο οργανισμός, με, για κάθε σημείο δεδομένων, την προέλευση εντοπισμένη από το σύστημα-πηγή έως το αριθμό της έκθεσης, έναν ορισμένο ιδιοκτήτη και τους κανόνες που πρέπει να πληροί το δεδομένο για να θεωρείται αξιόπιστο. Αυτό δεν είναι μια έκθεση ούτε ένας πίνακας ελέγχου. Είναι το υπόστρωμα που καθορίζει αν μια έκθεση, οποιαδήποτε έκθεση, στέκεται σε κάτι σταθερό. Πού υπάρχει ήδη ένα σημείο δεδομένων είναι συχνά το πρώτο ερώτημα που απαντά αυτή η διαδικασία, και αυτό το ερώτημα αποδεικνύεται τακτικά πιο δύσκολο από το αναμενόμενο: τα ίδια δεδομένα βρίσκονται μερικές φορές σε τρία σημεία, με τρεις διαφορετικούς ορισμούς.
Δεν είναι εφαρμογή ενός εργαλείου. Λογισμικό που παράγει εκθέσεις πάνω από μια μη οργανωμένη διαδικασία παράγει πιο ευπρεπείς εκθέσεις για τους ίδιους αναξιόπιστους αριθμούς. Το databootcamp προηγείται αυτού του βήματος: πρώτα καθορίζεται τι είναι ένα σημείο δεδομένων, από πού προέρχεται και ποιος είναι υπόλογος γι' αυτό, και μόνο μετά εξετάζονται τα συστήματα που υποστηρίζουν αυτή τη διαδικασία. Επίσης δεν αποτελεί εγγύηση ετοιμότητας για assurance. Δημιουργεί τη δομή που καθιστά δυνατή την assurance, αλλά το αν ένας ελεγκτής θα εγκρίνει έναν αριθμό εξαρτάται από περισσότερα από ένα μητρώο. Όποιος θέλει να εμβαθύνει σε αυτό, θα βρει στο πώς κάνετε τα δεδομένα ESG ελέγξιμα για assurance πού βρίσκεται ακριβώς αυτό το όριο.
Μια συχνή παραδοχή είναι ότι τα υπολογιστικά φύλλα είναι η πηγή αναξιόπιστων δεδομένων και ότι ένα σύστημα είναι η λύση. Αυτό είναι παρανόηση. Το πρόβλημα σπάνια είναι το μέσο, είναι η απουσία ιδιοκτησίας και ιχνηλασιμότητας. Ένα υπολογιστικό φύλλο με σαφή ιδιοκτήτη, καταγεγραμμένη προέλευση και κανόνα ποιότητας είναι πιο αξιόπιστο από ένα ακριβό σύστημα χωρίς αυτά τα τρία στοιχεία. Γιατί τα υπολογιστικά φύλλα δεν είναι το πρόβλημα αναπτύσσει περισσότερο αυτό το θέμα. Το databootcamp δεν επικεντρώνεται λοιπόν στην αντικατάσταση εργαλείων, αλλά στην καταγραφή του τι υπάρχει ήδη τώρα, όπου και αν βρίσκεται.
Η επένδυση χρόνου εξαρτάται από τον αριθμό των σημείων δεδομένων, τον αριθμό των συστημάτων-πηγών και τον βαθμό στον οποίο η ιδιοκτησία έχει ήδη ανατεθεί. Ένας οργανισμός με λίγα κεντρικά συστήματα και μικρό αριθμό ουσιωδών σημείων δεδομένων διανύει τη διαδικασία διαφορετικά από έναν οργανισμό με δεκάδες θυγατρικές, καθεμία με δικά της υπολογιστικά φύλλα και δικούς της ορισμούς. Δεν υπάρχει σταθερή διάρκεια που να μπορεί να αναφερθεί χωρίς αυτό το πλαίσιο, και όποιος περιμένει έναν συγκεκριμένο αριθμό, δεν θα βρει εδώ κάποιο τυχαίο νούμερο στον αέρα.
Μόλις κάθε σημείο δεδομένων μπορεί να εντοπιστεί έως την πηγή του και έχει έναν ιδιοκτήτη, η συζήτηση μετατοπίζεται. Ερωτήσεις όπως «από πού προέρχεται αυτός ο αριθμός» και «ποιος μπορεί να το εξηγήσει» έχουν πλέον απευθείας απάντηση, αντί για αναζήτηση μέσα σε ανταλλαγές email και παλιά αρχεία. Αυτό δεν επηρεάζει μόνο την αναφορά αυτού του έτους, αλλά και τη μετάβαση σε έναν διάδοχο, έναν νέο controller ή μια εξωτερική ομάδα. Τι αλλάζει μόλις υπάρχει η lineage περιγράφει αυτή τη μετατόπιση, και ποιος διαβάζει το μητρώο σημείων δεδομένων σας όταν δεν είστε πλέον εκεί δείχνει γιατί αυτή η μεταβιβασιμότητα συχνά βαραίνει περισσότερο από την αναφορά της τρέχουσας χρήσης.
Ένα συχνό λάθος είναι η προσπάθεια να ολοκληρωθεί το μητρώο μονομιάς για κάθε σημείο δεδομένων που κάποιο πρότυπο θα μπορούσε ποτέ να ζητήσει. Αυτό οδηγεί σε ένα έργο που δεν τελειώνει ποτέ. Το databootcamp ξεκινά από τα σημεία δεδομένων που ο οργανισμός πραγματικά χρειάζεται, με βάση τη σημαντικότητά του και τον κλάδο του, και επεκτείνεται από εκεί. Ποια σημεία δεδομένων χρειάζεστε πραγματικά είναι το ερώτημα που τίθεται στην αρχή κάθε διαδικασίας, πριν κανείς ξεκινήσει να χτίζει ένα μητρώο.
Το εργαλείο που υποστηρίζει αυτή τη διαδικασία βρίσκεται υπό ανάπτυξη. Όποιος θέλει να ξεκινήσει ήδη τη χαρτογράφηση σημείων δεδομένων, προέλευσης και ιδιοκτησίας, μπορεί να εγγραφεί στη λίστα αναμονής· δεν παραδίδεται τίποτα που δεν υπάρχει ακόμη, αλλά το αίτημα καταγράφεται για τη στιγμή που το εργαλείο θα γίνει διαθέσιμο.
Ένα μητρώο σημείων δεδομένων λέει από πού προέρχονται τα δεδομένα και ποιος εγγυάται γι' αυτά. Δεν λέει από μόνο του πόσο από τη δουλειά γύρω από αυτό, η αντιγραφή, ο έλεγχος, η συγχώνευση πηγών, θα πρέπει να παραμείνει ανθρώπινη εργασία στο μέλλον. Όποιος θέλει να το μάθει, μπορεί να ζητήσει από την FTE TO AI να υπολογίσει τη σάρωση εργασίας (werkscan): αυτή απεικονίζει ανά εργασία ποιο μέρος της μπορεί να αναληφθεί από την AI, ώστε να γίνεται σαφές πού εξοικονομείται χρόνος και πού παραμένει απαραίτητος ο ανθρώπινος έλεγχος.
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.