Un chiffre dans un rapport de durabilité provient de quelque part : un compteur, une facture, une estimation, un export d'un système. Au moment où ce chiffre est saisi, copié ou repris, il n'y a généralement personne qui vérifie s'il est correct. Non pas parce que personne ne le souhaite, mais parce qu'aucune règle n'a été fixée pour indiquer ce qu'est réellement une valeur valide pour ce point de données spécifique.
« Ce chiffre est-il correct » n'est pas une question à laquelle on peut répondre au feeling, surtout pas pour des centaines de points de données répartis sur des feuilles de calcul et des systèmes. Une valeur valide est quelque chose qui a été défini au préalable : une plage, une unité, un rapport avec un autre point de données, une direction attendue par rapport à l'année précédente. Sans cette définition, chaque valeur est en principe valide, et c'est précisément le problème. Un chiffre de consommation dix fois trop élevé parce que l'unité a été mal reprise ne se remarque alors pas — il figure simplement là, comme tous les autres chiffres.
Fixer ce qui est valide est l'un des éléments de base à côté du registre des points de données et des données sources : quels contrôles appartiennent à un point de données et qui en a la visibilité. Il ne s'agit pas de formules Excel plus strictes, mais de fixer, par point de données, ce qui est acceptable et ce qui ne l'est pas, et pourquoi.
Toute déviation n'est pas une erreur, et toute erreur ne donne pas lieu à un signal. Une valeur peut se situer hors de la plage attendue sans être incorrecte — une usine temporairement à l'arrêt, une fusion qui perturbe les chiffres. Inversement, une valeur peut sembler parfaitement normale et être malgré tout erronée, par exemple parce que deux composantes de l'organisation utilisent un point de départ différent pour ce qu'elles mesurent. Un signal n'est donc pas un jugement, c'est une indication que quelqu'un doit s'y pencher.
La question est alors : dans quelles conditions un tel signal se déclenche-t-il, et avec quelle sensibilité est-il réglé. Réglé trop largement, et les écarts passent inaperçus. Trop strictement, et tout le monde ignore la notification parce qu'il y en a trop. La façon de déterminer ce seuil par point de données dépend du point de données lui-même et de ce qui peut logiquement varier. Ce sujet est traité séparément dans comment régler un écart de signal et qui le remarque ensuite.
La question centrale de cette page n'est pas seulement ce qu'est une valeur valide, mais qui remarque quand une valeur ne l'est pas. Dans de nombreuses organisations, la réponse est : personne, jusqu'à ce qu'une partie externe pose une question lors du contrôle du rapport. À ce moment-là, c'est déjà tard, et le rédacteur doit retourner à la source pour reconstituer ce qui s'est passé.
Une règle de qualité sans propriétaire n'est pas une règle, c'est une observation. À chaque point de données doit donc correspondre non seulement une valeur limite, mais aussi un nom : qui reçoit la notification, qui évalue s'il s'agit d'une erreur ou d'une exception explicable, et qui consigne cette explication afin que la personne suivante qui utilise le point de données n'ait pas à refaire l'enquête. Sans cette attribution, cela dépend du hasard qu'une personne voie le signal avant que le chiffre ne poursuive son chemin dans la chaîne.
Cette attribution est directement liée à un autre problème qui apparaît souvent aux côtés des règles de qualité : des équipes qui interprètent différemment le même concept. Ce qui constitue une valeur valide pour une composante peut générer un signal pour une autre, simplement parce que la définition diffère. Cela touche à la question de ce que vous faites avec des définitions qui varient selon la composante de l'organisation. Sans définition univoque, une règle de qualité est au mieux un pari.
Il est tentant de résoudre cette question en achetant un outil qui signale automatiquement. Mais un outil ne peut signaler que sur la base de règles qui ont été introduites, et ces règles représentent une connaissance qui ne se trouve souvent, actuellement, que dans la tête de quelqu'un — le collègue qui sait que ce chiffre se situe généralement entre deux limites, ou que cette autre valeur est toujours vérifiée par une personne spécifique. Consigner d'abord cette connaissance, point de données par point de données, est un travail différent de la sélection d'un système. L'ordre dans lequel cela se fait le mieux est décrit dans acheter d'abord un outil ou d'abord organiser le processus.
Dès qu'il est établi, par point de données, ce qu'est une valeur valide, qui évalue un signal et qui explique un écart, une image se dessine du travail qui s'effectue réellement autour des données — vérifier, comparer, se renseigner, consigner. Cette image est utile pour une autre question : quelle part de ces tâches se répète d'une manière qui se prête à l'automatisation, et quelle part exige une appréciation qui relève de l'humain. Le scan de travail de FTE TO AI calcule, par tâche, quelle part du travail peut être reprise par l'IA, sur la base de la façon dont ce travail est organisé aujourd'hui — et non sur la base d'une estimation préalable.
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.