Un point de données n'a de sens que lorsqu'il est établi ce qui peut et ne peut pas y être saisi. La consommation d'énergie d'un site ne peut pas être négative. Un pourcentage ne dépasse pas cent. Un facteur d'émission doit se situer dans une certaine fourchette, selon la source retenue. Sans ces limites, toute valeur saisie peut se retrouver dans le rapport, même si elle résulte d'une unité erronée, d'une virgule mal placée ou d'une colonne inversée.
Une valeur valide n'est donc pas un jugement de qualité sur le contenu du chiffre. C'est une limite technique : une plage, un type, une unité obligatoire, une relation avec un autre point de données. Cette limite se fixe par point de données, pas par rapport. C'est la différence entre un contrôle qu'une personne effectue manuellement une fois par an, et une règle qui est fixée à côté du point de données lui-même, de sorte que chaque saisie y soit soumise.
Toute déviation n'est pas une erreur. Une consommation qui s'écarte fortement de celle de l'année précédente peut être une erreur, mais aussi le résultat d'une rénovation, d'une reprise d'activité ou d'une période de mesure différente. Il est donc utile de faire la distinction entre deux types de règles.
Le premier type est une limite stricte : une valeur qui est simplement impossible. Négative là où cela ne peut pas être le cas, un pourcentage supérieur à cent, une date dans le futur. Ces valeurs doivent être bloquées avant d'aller plus loin.
Le second type est un signal : une valeur qui est possible, mais qui s'écarte de ce que l'on attendrait. Une forte hausse par rapport à l'année précédente, un chiffre qui se situe bien au-delà de la fourchette de sites comparables, une saisie qui arrive exactement à l'échéance sans justification. Un signal ne bloque rien. Il appelle un regard, et éventuellement une explication avant que le chiffre ne poursuive son parcours. La façon de mettre en place ces deux types de règles et de les distinguer est décrite sur la page consacrée à la mise en place d'un seuil de signal par point de données.
Une règle qui s'active mais que personne ne voit n'est pas une règle. Chaque point de données doit donc comporter non seulement une valeur limite, mais aussi un nom : qui est le propriétaire de ce point de données, et qui prend connaissance du signal lorsque la valeur s'écarte. Pour un point de données sans propriétaire, un signal disparaît dans un système que personne ne contrôle, ou dans un tableau qui n'est rouvert qu'à la clôture annuelle.
Ce rôle de propriétaire n'a pas besoin d'être compliqué. Il s'agit d'un nom associé au point de données, pas d'un processus. Mais sans ce nom, une règle de qualité n'est qu'une règle sur papier. Quels contrôles sont logiquement associés à quel type de point de données, et pourquoi chaque point de données n'a pas besoin du même contrôle, vous le lirez sur la page consacrée à quels contrôles sont associés à un point de données.
Les limites d'un point de données ne sortent pas de nulle part. Elles découlent de la définition du point de données : ce qu'il mesure, dans quelle unité, sur quelle période, pour quelle entité de l'organisation. Si cette définition diffère selon l'entité — un site calcule en mètres carrés de surface au sol, un autre en surface brute de plancher — alors ce qui constitue une valeur valide diffère également, et une limite qui convient pour un site devient inutilisable pour un autre. La façon de gérer cela est décrite sur la page consacrée à ce que vous faites avec des définitions qui diffèrent selon l'entité.
Il existe aussi un autre piège : une valeur limite qui suggère qu'un chiffre est plus précis que ce que sa source permet. Un facteur d'émission à quatre décimales issu d'une estimation dont la précision n'est que de deux chiffres crée une précision qui n'existe pas. Les règles de qualité devraient corriger cette fausse précision plutôt que la confirmer, un sujet développé sur la page consacrée à comment éviter la fausse précision.
Il est tentant d'acquérir un outil qui contrôle automatiquement les erreurs. Mais un outil appliqué à un processus non organisé contrôle des règles qui n'ont pas encore été établies, sur des points de données dont personne n'est propriétaire, à partir de définitions qui diffèrent selon l'entité. Le résultat est un rapport plus soigné portant sur des chiffres qui ne sont toujours pas contrôlés.
Le Data Readiness Scan établit donc d'abord ce qui existe : le registre des points de données, l'origine de chaque chiffre, la propriété, et les règles qui déterminent ce qu'est une valeur valide et ce qu'est un signal. C'est un travail qui se trouve encore souvent dispersé dans des tableaux, des échanges d'e-mails et la tête de quelques personnes. L'outil qui soutient cette démarche est en cours de développement ; ceux qui souhaitent déjà s'y engager peuvent s'inscrire sur la liste d'attente.
Une fois qu'il est clair quelles règles et quels contrôles sont associés à quel point de données, une bonne image se dessine également de la part de ce travail de contrôle qui est répétable et de la part qui exige un jugement. Cette distinction est au cœur du scan de travail de FTE TO AI, qui calcule pour chaque tâche quelle part du travail peut être reprise par l'IA et quelle part reste du ressort d'une personne.
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.