Datakypsyys on termi, jota käytetään usein organisaation sijoittamiseen asteikolle: tasolta 1 tasolle 5, ad hocista optimoituun. Nämä asteikot eivät ole arvottomia, mutta ne antavat vaikutelman tarkkuudesta, jota kestävyysdatassa yleensä ei ole. Organisaatio ei ole kypsä tai kypsymätön. Jotkin datapisteet ovat hyvin perusteltuja, toiset roikkuvat yhdessä laskentataulukossa, jonka vain yksi henkilö ymmärtää. Datakypsyyden mittaaminen tarkoittaa käytännössä: määritetään datapisteittäin, mistä data on peräisin, kuka siitä vastaa ja mitä tapahtuu, jos kyseinen henkilö ei ole paikalla.
Ulkopuolisen tahon antama kypsyyspistemäärä antaa vaikutelman, mutta ei toimintalistaa. Jos vastaus on "taso 2 viidestä", et silti tiedä, mikä datapiste on epäluotettava, mikä lähde puuttuu tai kuka työntekijä on ainoa, joka tietää, miten luku muodostuu. Datakypsyys on hyödyllinen mittarina vasta, kun se eritellään yksittäisten datapisteiden tasolle. Ei: "organisaatio saa keskinkertaisen pistemäärän", vaan: "tällä datapisteellä ei ole dokumentoitua lähdettä, tuolla datapisteellä on kolme, jotka ovat ristiriidassa keskenään."
On kolme kysymystä, jotka ansaitsevat vastauksen jokaisen datapisteen kohdalla, ja jotka yhdessä antavat realistisemman kuvan kuin kokonaispistemäärä.
Ensimmäinen on alkuperä: mistä tämä luku on peräisin, minkä järjestelmien ja käsittelyvaiheiden kautta, ja onko tämä polku dokumentoitu vai tunnetaanko se vain sen henkilön toimesta, joka on tehnyt sitä vuosia. Juuri tässä datapisteen lineage muuttaa sitä, mitä organisaatio pystyy osoittamaan: ei itse lukua, vaan sinne johtavaa polkua.
Toinen on omistajuus: kuka vastaa tästä datapisteestä, ja onko tämä dokumentoitu riippumattomana siitä henkilöstä, joka sitä nyt sattuu tekemään. Ilman tätä dokumentointia kysymys siitä, kuka lukee datapisterekisterin, jos nykyinen omistaja ei enää ole paikalla, ei ole retorinen vaan todellinen jatkuvuusriski.
Kolmas on laatu: onko olemassa sääntöjä, jotka havaitsevat virheen ennen kuin luku päätyy raporttiin, vai havaitaanko poikkeama vasta, kun ulkopuolinen taho kysyy siitä. Tämä kolmas kysymys liittyy suoraan siihen, missä määrin data on tarkastettavissa varmennusta varten: tilintarkastaja ei arvioi, kuulostaako luku uskottavalta, vaan kestääkö sen perustelu tarkastelun.
Tämä mittaustapa ei anna lukua, jolla voisi verrata itseään toiseen organisaatioon. Se ei kerro, kuinka monta prosenttia datastanne on "kypsää", sillä tällainen raja on mielivaltainen ja vaihtelee sektorin, datapisteen ja arvioijan mukaan. Se ei myöskään ennusta, kuinka kauan kestää päästä nykytilanteesta parempaan; se riippuu siitä, kuinka monta datapistettä on, kuinka monta järjestelmää on mukana ja kuinka monella ihmisellä tieto on tällä hetkellä vain heidän omassa päässään.
Mitä mittaus todella tekee, on tuottaa konkreettinen yleiskuva: tämä datapiste on kunnossa, tuo ei ole, ja tässä on tarkalleen miksi. Tämä yleiskuva on vähemmän vaikuttava kuin pistemäärä viisiportaisella asteikolla, mutta se on ainoa asia, joka antaa toimintaperspektiivin.
Oletus, että laskentataulukot ovat ongelma, johtaa usein johtopäätökseen, että uusi työkalu automaattisesti nostaa kypsyyttä. Näin ei ole. Kuten kuvataan analyysissä siitä, miksi laskentataulukot eivät ole ongelman ydin, haavoittuvuus ei useinkaan piile tiedostomuodossa vaan dokumentoidun alkuperän ja omistajuuden puuttumisessa. Työkalu, joka asetetaan järjestäytymättömän prosessin päälle, tuottaa siistimpiä yleiskuvia samoista epäluotettavista luvuista. Järjestys on: ensin selvitetään, mitä on olemassa ja mistä se on peräisin, vasta sitten valitaan, mikä järjestelmä tukee sitä.
Kypsyyden mittaaminen ei ala kaikesta datasta, jota organisaatio voisi joskus raportoida, vaan kysymyksestä, mitkä datapisteet todella tarvitaan sovellettavien raportointivelvoitteiden täyttämiseksi. Tämä rajaus estää mittauksen laajenemisen kaiken jonnekin dokumentoidun kartoitukseksi, kun taas ero datapisteiden välillä, joita todella tarvitset, ja niiden, joita sattumalta jo keräät, määrittää tarkalleen, mihin mittauksen tulisi keskittyä. Ne, jotka haluavat mieluummin käydä tämän lähestymistavan läpi yhteisessä istunnossa kuin vain lukea siitä, löytävät sen rakenteen kuvauksesta siitä, mitä databootcamp sisältää ja mitä se tuottaa.
Tämä mittaustapa on ensimmäinen askel, ei päätepiste. Kun on selvää, mitkä datapisteet ovat heikosti perusteltuja, kuka puuttuu omistajana ja mitä laatusääntöjä ei vielä ole olemassa, syntyy kysymys siitä, miten tämä dokumentoidaan rakenteellisesti: rekisterissä, jossa on lineage jokaiselle datapisteelle ja säännöt, jotka havaitsevat poikkeamat ennen kuin raportti lähtee ulos. Tähän työhön on tarkoitettu csrdready.net:n Data Readiness Scan. Skanneri on rakenteilla; ne, jotka haluavat aloittaa tämän kanssa jo nyt, voivat ilmoittautua jonotuslistalle.
Kun tiedätte, mitkä datapisteet vaativat huomiota ja kuka niistä vastaa, seuraava kysymys on ilmeinen: kuinka paljon tämän ympärillä olevasta työstä — uudelleenkirjoittaminen, tarkistaminen, lähteiden yhdistäminen — on työtä, jonka kone voi ottaa hoitaakseen, ja kuinka paljon vaatii ihmisen harkintaa. FTE TO AI:n työscan laskee tehtäväkohtaisesti, kuinka suuren osan siitä tekoäly voi ottaa hoitaakseen, jotta arvaamisen sijaan voitte laskea.
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.