Andmete küpsus on termin, mida sageli kasutatakse organisatsiooni skaalale asetamiseks: tasemelt 1 tasemele 5, ad hoc'ist optimeerituni. Need skaalad ei ole väärtusetud, kuid need viitavad täpsusele, mida jätkusuutlikkuse andmete puhul enamasti ei ole. Organisatsioon ei ole küps või ebaküps. Mõned andmepunktid on hästi põhjendatud, teised sõltuvad ühest tabelist, mida mõistab üks inimene. Andmete küpsuse mõõtmine tähendab praktikas: iga andmepunkti kohta kindlaks tegema, kust see pärineb, kes selle eest vastutab ja mis juhtub, kui see inimene ei ole kohal.
Välise osapoole antud küpsusskoor annab mulje, kuid mitte tegevuskava. Kui vastus on "tase 2 viiest", ei tea te ikka veel, milline andmepunkt on ebausaldusväärne, milline allikas puudub või milline töötaja on ainus, kes teab, kuidas näitaja kokku pannakse. Andmete küpsus on mõõteinstrumendina kasulik ainult siis, kui see jaotub üksikute andmepunktide tasandile. Mitte: "organisatsioon saab keskpärase hinde", vaid: "sellel andmepunktil puudub dokumenteeritud allikas, sellel andmepunktil on kolm allikat, mis lähevad omavahel vastuollu."
On kolm küsimust, millele iga andmepunkt vajab vastust ja mis koos annavad realistlikuma pildi kui koondskoor.
Esimene on päritolu: kust see näitaja pärineb, milliste süsteemide ja töötluste kaudu, ja on see tee dokumenteeritud või teada ainult sellele, kes seda aastaid on teinud. Just siin muudab andmepunkti päritoluahel seda, mida organisatsioon suudab tõendada: mitte näitajat ennast, vaid teed selle juurde.
Teine on omanikkond: kes vastutab selle andmepunkti eest ja on see dokumenteeritud lahus isikust, kes seda praegu juhtumisi teeb. Sellise dokumentatsiooni puudumisel ei ole küsimus kes loeb teie andmepunktiregistrit, kui praegust omanikku enam ei ole retooriline, vaid reaalne risk järjepidevusele.
Kolmas on kvaliteet: kas on olemas reeglid, mis tuvastavad vea enne, kui näitaja jõuab aruandesse, või avastatakse kõrvalekalle alles siis, kui väline osapool selle kohta küsib. See kolmas küsimus puudutab otseselt seda, mil määral on andmed kindlustusandmiseks kontrollitavad: audiitor ei kontrolli, kas näitaja kõlab usutavalt, vaid kas põhjendus peab vastu.
See mõõtmisviis ei annab numbrit, millega saaksite ennast teise organisatsiooniga võrrelda. See ei ütle midagi selle kohta, mitu protsenti teie andmetest on "küps", sest see künnis on suvaline ja erineb sektorite, andmepunktide ja hindajate lõikes. See ei prognoosi ka, kui kaua läheb aega praegusest olukorrast parema olukorra saavutamiseks; see sõltub sellest, mitu andmepunkti on, mitu süsteemi on kaasatud ja mitmel inimesel on teadmised praegu ainult peas.
See, mida mõõtmine tegelikult teeb, on konkreetse ülevaate saamine: see andmepunkt on korras, see teine ei ole ja just seepärast. See ülevaade on vähem muljetavaldav kui skoor viiepallisel skaalal, kuid see on ainus, mis annab tegutsemisperspektiivi.
Eeldus, et tabelid on probleem, viib sageli järelduseni, et uus tööriist tõstab küpsust automaatselt. See ei ole nii. Nagu on kirjeldatud analüüsis, miks tabelid ei ole probleemi tuum, peitub haavatavus tavaliselt mitte failivormingus, vaid dokumenteeritud päritolu ja omanikkonna puudumises. Tööriist, mis paigutatakse korrastamata protsessi peale, toodab korrastatumaid ülevaateid samadest ebausaldusväärsetest näitajatest. Järjekord on: esmalt teha kindlaks, mis on olemas ja kust see pärineb, ning ainult seejärel valida, milline süsteem seda toetab.
Küpsuse mõõtmine ei alga kõikidest andmetest, mida organisatsioon võiks kunagi aru anda, vaid küsimusest, milliseid andmepunkte on tegelikult vaja kehtivate aruandluskohustuste täitmiseks. See piiritlemine takistab mõõtmise muutumist kõige inventuuriks, mis kuskil on dokumenteeritud, samas kui vahe andmepunktide vahel, mida tegelikult vajate, ja andmepunktide vahel, mida juhtumisi juba kogute, määrab täpselt, millele mõõtmine peaks keskenduma. Kes eelistab selle lähenemise läbi käia koos ühisel seansil, mitte üksi lugedes, leiab selle ülesehituse kirjeldusest, mis on andmete bootcamp ja mida see annab.
See mõõtmisviis on esimene sammu, mitte lõpp-punkt. Kui on selge, milised andmepunktid on nõrgalt põhjendatud, kes omanikuna puudub ja milised kvaliteedireeglid veel ei eksisteeri, tekib küsimus, kuidas see struktuurselt dokumenteerida: registris, päritoluahelaga iga andmepunkti kohta ja reeglitega, mis tuvastavad kõrvalekaldeid enne, kui aruanne uksest välja läheb. Selle töö jaoks on mõeldud csrdready.net'i Data Readiness Scan. Skaneering on ehitamisel; kes soovib sellega juba nüüd alustada, saab liituda ootenimekirjaga.
Kui olete kord teada saanud, milised andmepunktid vajavad tähelepanu ja kes nende eest vastutab, on järgmine küsimus loogiline: kui palju sellest ümbritsevast tööst — ümberkirjutamine, kontrollimine, allikate ühendamine — on tööd, mida masin saab üle võtta, ja kui palju vajab inimlikku otsustust. FTE TO AI töövoo skaneering arvutab iga ülesande kohta, kui suure osa sellest saab AI üle võtta, nii et te ei arva, vaid loete.
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.