Σε περιβάλλον με πολλές επιχειρησιακές μονάδες προκύπτει συχνά ένα ερώτημα που κανείς δεν μπορεί να απαντήσει με ακρίβεια: ποια σημεία δεδομένων χρειάζονται στην πραγματικότητα, και ποια συλλέγονται απλώς επειδή ζητήθηκαν και πέρυσι. Χωρίς μητρώο, ο κατάλογος ερωτήσεων μεγαλώνει μαζί με τον φόβο ότι θα χαθεί κάτι. Με ένα μητρώο, γίνεται ορατό τι παραδίδει πράγματι κάθε μονάδα, από πού προέρχεται αυτό και αν η απάντηση στο ερώτημα είναι το ίδιο σημείο δεδομένων με αυτό της διπλανής μονάδας.
Ένα μητρώο σημείων δεδομένων δεν είναι πρότυπο αναφοράς ούτε ερωτηματολόγιο. Είναι μια λίστα σημείων δεδομένων με, για κάθε σημείο: τον ορισμό, τη μονάδα μέτρησης, την πηγή, τον ιδιοκτήτη και τον κανόνα ποιότητας που πρέπει να πληροί. Για έναν οργανισμό με πολλές επιχειρησιακές μονάδες αυτό σημαίνει ότι κάθε σημείο δεδομένων είναι ανιχνεύσιμο σε μια συγκεκριμένη θέση σε ένα συγκεκριμένο σύστημα, με έναν συγκεκριμένο υπεύθυνο. Όχι 'εκπομπές scope 2 ανά μονάδα', αλλά 'κατανάλωση kWh από το τιμολόγιο X, καταχωρημένο από τον/την Y, ανιχνεύσιμο έως το Z'.
Το ερώτημα ποια σημεία δεδομένων χρειάζονται πραγματικά δεν απαντάται μονομιάς. Προκύπτει από τον συνδυασμό όσων ήδη υπάρχουν. Μια επισκόπηση του πού υπάρχει ήδη ένα σημείο δεδομένων σε περιβάλλον με πολλές επιχειρησιακές μονάδες δείχνει ποιο μέρος του ερωτήματος απαντάται ήδη από υπάρχοντα συστήματα, και ποιο μέρος βρίσκεται ακόμη ξεχωριστά σε υπολογιστικά φύλλα ή δεν καταγράφεται πουθενά. Μόνο όταν υπάρχει αυτή η εικόνα, γίνεται σαφές ποια σημεία δεδομένων πρέπει πράγματι να ζητούνται και ποια έχουν καταστεί περιττά.
Η κατάρτιση ενός μητρώου δεν ξεκινά από ένα σύστημα, αλλά από μια λίστα ερωτήσεων: ποια σημεία δεδομένων χρησιμοποιούνται τώρα, από ποιον, και με βάση ποια πηγή. Αυτό είναι μια οργανωτική άσκηση, όχι τεχνική. Μια σταδιακή προσέγγιση για την κατάρτιση ενός μητρώου σημείων δεδομένων σε περιβάλλον με πολλές επιχειρησιακές μονάδες περιγράφει πώς εξελίσσεται συνήθως αυτή η καταγραφή: ανά μονάδα, ανά σημείο δεδομένων, με την πηγή και τον ιδιοκτήτη δίπλα.
Σε αυτή την καταγραφή εμφανίζονται δύο επαναλαμβανόμενα προβλήματα. Το πρώτο είναι το σημείο δεδομένων χωρίς σαφή πηγή: ένας αριθμός που μεταφέρεται εδώ και χρόνια, αλλά για τον οποίο κανείς δεν μπορεί πλέον να υποδείξει από πού προέρχεται. Μια προσέγγιση για ένα σημείο δεδομένων χωρίς προσδιορίσιμη πηγή σε περιβάλλον με πολλές επιχειρησιακές μονάδες εξετάζει τι πρέπει να γίνει σε αυτή την περίπτωση: να μην υιοθετείται απλώς το σημείο δεδομένων, αλλά πρώτα να ανασυγκροτηθεί η πηγή ή να χαρακτηριστεί το σημείο δεδομένων ως αναξιόπιστο έως ότου αυτό είναι δυνατό.
Το δεύτερο πρόβλημα είναι το διπλό σημείο δεδομένων: δύο επιχειρησιακές μονάδες που, με διαφορετικές ονομασίες και διαφορετικές μονάδες μέτρησης, παραδίδουν το ίδιο υποκείμενο δεδομένο. Ένας τρόπος αναγνώρισης ενός διπλού σημείου δεδομένων σε περιβάλλον με πολλές επιχειρησιακές μονάδες βοηθά να γίνει αυτό ορατό, ώστε το μητρώο να μην καταγράφει δύο φορές την ίδια πραγματικότητα κάτω από δύο διαφορετικές ετικέτες.
Ένα σημείο δεδομένων στο μητρώο είναι πλήρες μόνο όταν είναι σαφή τέσσερα πράγματα: ο ορισμός είναι μονοσήμαντος, η πηγή είναι προσδιορίσιμη, ο ιδιοκτήτης είναι γνωστός και υπάρχει κανόνας ποιότητας που καθορίζει πότε μια τιμή θεωρείται έγκυρη. Αν λείπει ένα από αυτά τα τέσσερα, το σημείο δεδομένων δεν είναι ακόμη έτοιμο, όσες φορές και να έχει ήδη παραδοθεί.
Αυτό ισχύει εξίσου για το ερώτημα αν το μητρώο ως σύνολο είναι πλήρες. Ένα μητρώο δεν είναι πλήρες επειδή περιέχει μια μακρά λίστα σημείων δεδομένων, αλλά επειδή κάθε σημείο δεδομένων σε αυτή τη λίστα είναι ανιχνεύσιμο και κάθε μονάδα γνωρίζει ποιο μέρος της λίστας την αφορά. Ένα κριτήριο για το πότε ένα μητρώο είναι πλήρες σε περιβάλλον με πολλές επιχειρησιακές μονάδες περιγράφει αυτό το όριο: όχι πληρότητα σε αριθμό, αλλά πληρότητα σε ανιχνευσιμότητα.
Ένας χρήσιμος δείκτης εν προκειμένω είναι απλά πόσα από τα σημεία δεδομένων έχουν ήδη πηγή. Μια μέτρηση του πόσα από τα σημεία δεδομένων σας έχουν πηγή δίνει μια πρώτη εικόνα του πόσο πραγματικά έχει προχωρήσει ο οργανισμός, ανεξάρτητα από το πώς εμφανίζεται η αναφορά ή το ερωτηματολόγιο αυτή τη χρονιά.
Είναι δελεαστικό να αγοράσετε πρώτα λογισμικό που συλλέγει, επικυρώνει και αναφέρει σημεία δεδομένων. Αυτή η σειρά λειτουργεί αντίστροφα όταν η υποκείμενη διαδικασία δεν είναι ακόμη οργανωμένη: ένα εργαλείο πάνω από μια μη οργανωμένη συλλογή δεδομένων παράγει πιο καθαρές αναφορές για αριθμούς που εξακολουθούν να είναι μη ανιχνεύσιμοι. Το μητρώο — ποιος παραδίδει τι, από ποια πηγή, σύμφωνα με ποιον κανόνα — πρέπει να υπάρχει πρώτα. Μόνο τότε το εργαλείο έχει κάτι αξιόπιστο πάνω στο οποίο να λειτουργήσει.
Μόλις το μητρώο είναι έτοιμο και είναι σαφές, ανά σημείο δεδομένων, ποιος το παραδίδει, από ποια πηγή και σύμφωνα με ποιον κανόνα, γίνεται σχετικό ένα άλλο ερώτημα: ποιο μέρος αυτής της διαδικασίας παράδοσης απαιτεί ακόμη ανθρώπινη εργασία, και ποιο μέρος είναι αρκετά επαναλαμβανόμενο ώστε να ανατεθεί σε ένα σύστημα. Η σάρωση εργασίας της FTE TO AI υπολογίζει, ανά εργασία, ποιο μέρος της δουλειάς μπορεί να αναλάβει η AI, και μπορεί, με βάση το μητρώο, να υποδείξει ανά σημείο δεδομένων πού η χειρωνακτική καταχώρηση, ο έλεγχος ή η μεταβίβαση δίνουν τη θέση τους σε ένα αυτοματοποιημένο βήμα.
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.