Pregunte a cinco unidades por la misma magnitud —por ejemplo el número de fte, el consumo de combustible de una flota de vehículos, o el material amortizado— y obtendrá cinco razonamientos que difieren ligeramente. Una sede cuenta a los trabajadores temporales, la otra no. Una fábrica calcula en litros, la otra ya lo ha convertido a litros por vehículo al año y por tanto entrega un tipo de cifra distinto al solicitado. Sobre el papel, todo se llama la misma métrica. En la realidad son definiciones diferentes que casualmente aparecen en la misma columna.
Eso no es un error de introducción de datos. Nadie ha escrito algo mal. El problema se encuentra un paso antes: nunca se ha establecido cuál es exactamente el valor válido para este dato, y por eso cada unidad rellena el vacío con su propia lógica. Qué es un valor válido y qué no lo es, se explica en qué es un valor válido — la pregunta que debería plantearse antes de cualquier comparación entre unidades.
La pregunta clave no es si se producen desviaciones —siempre se producen— sino quién las detecta antes de que la cifra aparezca en un informe. En muchas organizaciones, la respuesta es: nadie, hasta que una parte externa o un auditor observa una cifra que no concuerda con la del año anterior. En ese momento, la pregunta ya se plantea demasiado tarde.
Un dato sin desviación de señal no tiene forma de hacerse notar como sospechoso. Una cifra que es tres veces mayor que la del año pasado no destaca automáticamente si no se ha establecido un margen dentro del cual un valor resulta plausible. Cómo determinar ese margen —porcentaje fijo, dispersión histórica, un umbral por unidad— se explica en cómo establece una desviación de señal. La pregunta no es complicada, pero sí debe plantearse, por cada dato, antes de que este se rellene.
Una desviación de señal detecta el caso extremo: la cifra que claramente no es correcta. Pero la mayoría de las diferencias de definición entre unidades son más sutiles que eso. Una sede que sí cuenta a los trabajadores temporales no produce una cifra absurda — produce una cifra que parece completamente normal, y precisamente por eso no llama la atención.
Por eso, cada dato requiere más de un control: un rango dentro del cual debe situarse el valor, una unidad fijada, un requisito de fuente que indique qué tipo de documento sirve como justificación, y una descripción de qué entra y qué no entra en el cómputo. Qué combinación de controles se necesita varía según el dato y la organización — un gasto de I+D requiere garantías distintas que un factor de emisión. Un resumen de qué controles corresponden a qué tipo de dato se encuentra en qué controles corresponden a un dato. Sin esa combinación surge una falsa precisión: una cifra con dos decimales construida a partir de cinco definiciones que no coinciden entre sí. De dónde procede esa falsa precisión y cómo reconocerla se explica en cómo evita la falsa precisión.
Una definición establecida sobre el papel no es automáticamente una definición que se aplica. Alguien debe responder la pregunta cuando una unidad presenta un caso límite: ¿esta forma de colaboración cuenta como fte o no?, ¿este proveedor entra dentro del alcance 3 o no? Sin un responsable designado, esa pregunta recae en quien casualmente esté más cerca del formulario, y entonces la definición vuelve a desplazarse, en silencio, por unidad.
El Data Readiness Scan establece, por cada dato, cuál es el valor válido, qué desviación de señal aplica, qué controles corresponden a ese dato en concreto, y quién es el responsable de la definición. No es una herramienta de informes ni un cuestionario — es el registro que establece lo que subyace al informe, de modo que una diferencia entre unidades se haga visible antes de que la cifra se sume.
Existen sistemas capaces de ejecutar estos controles. Pero un sistema que opera sobre cinco definiciones distintas, nunca establecidas, ejecuta esos controles a partir de reglas que nadie ha acordado. El resultado es una interfaz cuidada con cifras poco confiables dentro. Por qué el orden —primero la definición, luego la herramienta— importa, se explica en comprar primero una herramienta o diseñar primero el proceso. Y qué requisitos debe cumplir realmente una herramienta no se deduce de una lista de proveedores sino de su propio proceso — véase qué requisitos funcionales surgen de su propio proceso.
El Data Readiness Scan está en construcción. Quien ya se enfrenta a definiciones que varían por unidad puede inscribirse en la lista de espera y será informado en cuanto el instrumento esté disponible.
Una vez establecido qué es un valor válido, quién vigila la definición y qué control corresponde a qué dato, también se hace visible qué parte de ese trabajo es repetición: comprobar los mismos documentos fuente según la misma regla, verificar el mismo margen en cada nueva entrada. Ese es un trabajo que, una vez hecho explícito, se puede calcular. El escaneo de trabajo de FTE TO AI calcula, por tarea, qué parte del trabajo puede asumir la IA — no como sustituto del responsable que decide sobre la definición, sino como manera de distinguir entre control y repetición.
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.