Päästöluku, jossa on kaksi desimaalia, herättää luottamusta. Mutta esitystavan täsmällisyys ei kerro mitään lähteen luotettavuudesta. Laskentataulukko, joka on kolmen manuaalisen uudelleenkirjoituksen päässä, voi näyttää yhtä hyvin kaksi desimaalia kuin luku, joka tulee suoraan validoidusta järjestelmästä. Ero ei ole siinä, miltä luku näyttää, vaan siinä, mitä on kirjattu siitä, mistä se on peräisin ja mikä on kelvollinen arvo.
Näennäistarkkuus syntyy, kun luku viestii enemmän varmuutta kuin taustalla oleva data oikeuttaa. Se ei tapahdu pahantahtoisesti. Se tapahtuu, koska kukaan ei ole määritellyt datapisteen rajoja: mitkä arvot ovat uskottavia, mitkä poikkeamat ovat normaaleja ja mitkä pitäisi antaa signaali. Näiden rajojen puuttuessa jokainen luku näyttää yhtä uskottavalta, myös se luku, joka on kirjoitusvirhe tai väärä yksikkö.
Kysymys mikä on kelvollinen arvo tulisi siksi olla vastattu jokaisen datapisteen kohdalla, ei jälkikäteen otannan yhteydessä, vaan etukäteen, sillä hetkellä kun datapiste kirjataan. Kelvollinen arvo ei ole vain lukema tietyn vaihteluvälin sisällä. Se on myös yksikkö, joka on oikea, jakso, joka täsmää, ja lähde, joka on tiedossa.
Laatusääntö tekee enemmän kuin hyväksyy tai hylkää arvon. Se määrittää myös, milloin poikkeamasta tulee signaali. Energiankulutus, joka on kaksikymmentä prosenttia korkeampi kuin edellisenä vuonna, voi olla virhe, mutta voi olla myös todellinen laajentuminen. Sääntö itse ei määritä, mitä tapahtui; se määrittää, että tämäntyyppinen poikkeama ansaitsee arvioinnin ennen kuin se etenee eteenpäin.
Miten asetatte signaalipoikkeaman on siten eri kysymys kuin mikä on kelvollinen arvo. Yksi kysymys koskee hyväksyttävän rajaa, toinen huomionarvoisen rajaa. Molempia rajoja tarvitaan, ja molemmat tulisi määrittää datapistekohtaisesti, ei yleisenä nyrkkisääntönä koko raportoinnille.
Signaali, jota kukaan ei näe, ei ole signaali. Tässä kohdassa monet datarakenteet pysähtyvät: sääntö on olemassa, poikkeama havaitaan, mutta ei ole määritelty, kuka saa ilmoituksen ja mitä hänen tulee sille tehdä. Ilman datapistekohtaista omistajuutta signaali häviää listaan, jota kukaan ei lue läpi, tai päätyy henkilölle, joka ei tunne datapistettä ja ei siksi voi arvioida sitä.
Mitkä tarkistukset kuuluvat datapisteeseen kattaa siksi paitsi säännön itsensä, myös reitin: kuka on omistaja, milloin tämä henkilö saa ilmoituksen ja mitä tapahtuu, jos hän ei reagoi. Datapiste, jolla ei ole omistajaa, on datapiste, jonka virheen huomaa lopulta ainoastaan raportin loppukäyttäjä, ja siinä vaiheessa on liian myöhäistä tehdä mitään taustalla olevalle syylle.
On olemassa työkaluja, jotka havaitsevat poikkeamia ja näyttävät kojetauluja. Nämä työkalut ovat hyödyllisiä, kun säännöt ovat olemassa. Mutta työkalu, joka toimii datapisterekisterin päällä, jossa ei ole määriteltyjä kelvollisia arvoja, signaalimääritelmiä eikä nimettyjä omistajia, tuottaa lähinnä ilmoituksia, joita kukaan ei pysty tulkitsemaan. Kysymys ostetaanko ensin työkalu vai järjestetäänkö ensin prosessi pätee tässä suoraan: työkalu järjestäytymättömän prosessin päällä muuttaa ongelman muotoa, ei sisältöä.
Sama koskee määritelmiä. Jos kaksi organisaation osaa käyttää eri käsitystä samasta datapisteestä, laatusääntö tuottaa yhdelle osalle väärän signaalin toiselle osalle. Mitä tehdä määritelmille, jotka vaihtelevat osastoittain, ja minkä valinnan kirjaatte tulisi siksi olla vastattu etukäteen, muuten jokainen sääntö muuttuu kompromissiksi, joka ei sovi mihinkään kunnolla.
Kelvolliset arvot, signaalit ja omistajuus eivät ole asioita, jotka määritellään yleisellä tasolla ja sovelletaan sitten kaikkialla. Ne seuraavat siitä, miten organisaatio todellisuudessa kirjaa datapisteen, kenellä on käytännössä pääsy siihen ja mitä virheitä on aiemmin tapahtunut. Mitkä toiminnalliset vaatimukset tulevat omasta prosessistanne kuvaa, miten näitä sääntöjä johdetaan olemassa olevasta prosessista sen sijaan, että ne tulisivat yleisestä tarkistuslistasta.
Kun on selvää, mitkä arvot ovat kelvollisia, mitkä poikkeamat muodostavat signaalin ja kuka arvioi signaalin, syntyy myös näkyvyys siihen työhön, joka piilee tämän tarkistuksen takana: kuka etsii tiedot, kuka vertaa aiempiin jaksoihin, kuka välittää ilmoituksen eteenpäin. Tämä työ koostuu tehtävistä, jotka voidaan pilkkoa osiin, ja osasta niitä voidaan määrittää, pystyykö ohjelmisto ottamaan sen hoitaakseen. FTE TO AI:n työskannaus laskee tehtäväkohtaisesti, kuinka suuri osa työstä on siirrettävissä AI:lle, samojen kirjattujen sääntöjen ja reittien perusteella, jotka tukevat datalaadun perustaa.
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.