La madurez de los datos es un término que a menudo se utiliza para situar a una organización en una escala: del nivel 1 al nivel 5, de ad hoc a optimizado. Esas escalas no carecen de valor, pero sugieren una precisión que, en el caso de los datos de sostenibilidad, suele no existir. Una organización no es madura o inmadura. Algunos datos están bien fundamentados, otros dependen de una única hoja de cálculo que solo una persona entiende. Medir la madurez de los datos significa, en la práctica: determinar por cada dato de dónde procede, quién lo valida y qué ocurre si esa persona no está.
Una puntuación de madurez de un tercero da una impresión, pero no una lista de acciones. Si la respuesta es "nivel 2 de 5", sigue sin saber qué dato es poco fiable, qué fuente falta o qué empleado es el único que sabe cómo se elabora una cifra. La madurez de los datos solo resulta útil como instrumento de medición cuando se desglosa al nivel de los datos individuales. No: "la organización obtiene una puntuación mediocre", sino: "este dato no tiene una fuente registrada, aquel otro tiene tres que se contradicen entre sí".
Hay tres preguntas que merecen una respuesta por cada dato, y que juntas ofrecen una imagen más realista que una puntuación global.
La primera es la procedencia: de dónde viene esta cifra, a través de qué sistemas y operaciones, y si ese recorrido está documentado o solo lo conoce quien lleva años haciéndolo. Es precisamente aquí donde la trazabilidad de un dato cambia lo que una organización puede demostrar: no la cifra en sí, sino el camino que conduce a ella.
La segunda es la propiedad: quién es responsable de este dato, y si eso está registrado con independencia de la persona que ahora se ocupa de ello. Sin ese registro, la pregunta quién consulta el registro de datos cuando el propietario actual ya no esté no es retórica, sino un riesgo real para la continuidad.
La tercera es la calidad: existen reglas que señalan un error antes de que la cifra llegue al informe, o una desviación solo se descubre cuando un tercero pregunta por ella. Esta tercera pregunta se relaciona directamente con la medida en que los datos son verificables para la garantía (assurance): un auditor no comprueba si la cifra suena plausible, sino si la justificación resiste el examen.
Esta forma de medir no proporciona una cifra con la que compararse con otra organización. No dice nada sobre qué porcentaje de sus datos es "maduro", porque ese umbral es arbitrario y varía según el sector, el dato y quien evalúa. Tampoco predice cuánto tiempo se necesita para pasar de la situación actual a una mejor; eso depende de cuántos datos hay, cuántos sistemas están implicados y cuántas personas tienen ahora el conocimiento solo en la cabeza.
Lo que la medición sí hace es ofrecer un panorama concreto: este dato está en orden, aquel no, y esta es exactamente la razón. Ese panorama es menos impresionante que una puntuación en una escala de cinco, pero es lo único que ofrece perspectiva de actuación.
La suposición de que las hojas de cálculo son el problema suele llevar a la conclusión de que una herramienta nueva aumenta automáticamente la madurez. No es así. Como se describe en el análisis de por qué las hojas de cálculo no son el núcleo del problema, la vulnerabilidad suele residir no en el formato del archivo, sino en la ausencia de procedencia y propiedad registradas. Una herramienta que se aplica sobre un proceso desorganizado produce resúmenes más ordenados de las mismas cifras poco fiables. El orden es: primero determinar qué hay y de dónde procede, y solo después elegir qué sistema lo respalda.
Medir la madurez no empieza por todos los datos que una organización podría llegar a reportar algún día, sino por la pregunta de qué datos son realmente necesarios para las obligaciones de reporte que le son aplicables. Esa delimitación evita que una medición acabe convirtiéndose en un inventario de todo lo que está registrado en algún lugar, mientras que la distinción entre los datos que realmente necesita y los datos que ya recopila por casualidad determina precisamente hacia dónde debe orientarse la medición. Quien prefiera recorrer este enfoque primero en una sesión conjunta antes que solo leerlo, encontrará el planteamiento en la descripción de qué es un bootcamp de datos y qué resultados ofrece.
Esta forma de medir es el primer paso, no el punto final. En cuanto queda claro qué datos están poco fundamentados, qué propietario falta y qué reglas de calidad todavía no existen, surge la pregunta de cómo registrar eso de manera estructural: en un registro, con trazabilidad por dato y con reglas que señalen las desviaciones antes de que un informe salga a la luz. Ese es el trabajo para el que está pensado el Data Readiness Scan de csrdready.net. El escáner está en construcción; quien quiera empezar con esto ya, puede inscribirse en la lista de espera.
Una vez que sabe qué datos requieren atención y quién es responsable de ellos, la siguiente pregunta surge de forma natural: cuánto del trabajo que los rodea —transcribir, verificar, combinar fuentes— es trabajo que una máquina puede asumir, y cuánto requiere criterio humano. El escáner de trabajo de FTE TO AI calcula, por cada tarea, qué parte de ella puede ser asumida por la IA, para que usted no lo adivine, sino que lo calcule.
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.