Zrelost podataka je pojam koji se često koristi da bi se organizacija smjestila na ljestvicu: od razine 1 do razine 5, od ad hoc do optimizirane. Te ljestvice nisu bez vrijednosti, ali sugeriraju preciznost koja kod podataka o održivosti obično ne postoji. Organizacija nije zrela ili nezrela. Neke točke podataka su dobro potkrijepljene, druge ovise o jednoj tablici koju razumije samo jedna osoba. Mjerenje zrelosti podataka u praksi znači: po svakoj točki podataka utvrditi odakle dolazi, ko za nju odgovara i što se događa ako ta osoba nije prisutna.
Ocjena zrelosti od strane vanjske stranke daje dojam, ali ne i popis radnji. Ako je odgovor "razina 2 od 5", još ne znate koja je točka podataka nepouzdana, koji izvor nedostaje ili koji je zaposlenik jedini koji zna kako se broj sastavlja. Zrelost podataka kao mjerni instrument korisna je tek kada se raščlani na razinu pojedinačnih točaka podataka. Ne: "organizacija ocjenjuje se prosječno", nego: "ova točka podataka nema zabilježen izvor, ona točka podataka ima tri koja se međusobno protive."
Postoje tri pitanja koja za svaku točku podataka zaslužuju odgovor, i koja zajedno daju realističniju sliku od ukupne ocjene.
Prvo je podrijetlo: odakle taj broj dolazi, kroz koje sustave i obrade, i je li ta putanja zabilježena ili je poznata samo osobi koja to radi već godinama. Ovo je upravo mjesto gdje lineage jedne točke podataka mijenja to što organizacija može dokazati: ne sam broj, nego put do njega.
Drugo je vlasništvo: ko je odgovoran za tu točku podataka, i je li to zabilježeno neovisno od osobe koja to trenutno radi. Bez tog zapisa pitanje ko čita registar točaka podataka kada trenutni vlasnik više nije prisutan nije retoričko, nego stvaran rizik za kontinuitet.
Treće je kvaliteta: postoje li pravila koja signaliziraju pogrešku prije nego što broj dospije u izvještaj, ili se odstupanje otkriva tek kada vanjska stranka o tome postavi pitanje. Ovo treće pitanje izravno se odnosi na mjeru u kojoj su podaci provjerljivi za assurance: revizor ne provjerava zvuči li broj vjerojatno, nego drži li se potkrijepljenost.
Ovaj način mjerenja ne daje broj kojim se možete uspoređivati s drugom organizacijom. Ne govori ništa o tome koliki postotak vaših podataka je "zreo", jer je taj prag arbitraran i razlikuje se po sektoru, po točki podataka i po procjenitelju. Ne predviđa ni koliko dugo traje put od trenutne situacije do bolje; to ovisi o broju točaka podataka, koliko sustava je u to uključeno i koliko ljudi trenutno nosi znanje samo u glavi.
Što mjerenje zaista radi jest da daje konkretan pregled: ova točka podataka je u redu, ona nije, i ovo je točno razlog zašto. Taj pregled je manje impresivan od ocjene na ljestvici od pet, ali je jedino što daje perspektivu za djelovanje.
Pretpostavka da su tablice problem često dovodi do zaključka da novi alat automatski povećava zrelost. To nije tako. Kao što je opisano u analizi zašto tablice nisu srž problema, ranjivost se često ne nalazi u formatu datoteke, nego u nedostatku zabilježenog podrijetla i vlasništva. Alat postavljen na neorganiziran proces proizvodi urednije preglede istih nepouzdanih brojeva. Redoslijed je: prvo utvrditi što postoji i odakle dolazi, a zatim odabrati koji sustav to podupire.
Mjerenje zrelosti ne počinje kod svih podataka koje bi organizacija ikada mogla izvijestiti, nego kod pitanja koje su točke podataka stvarno potrebne za obveze izvještavanja koje se primjenjuju. Ta ograničenja sprječavaju da mjerenje završi u inventuri svega što je negdje zabilježeno, dok razlika između točaka podataka koje stvarno potrebujete i onih koje slučajno već prikupljate precizno određuje na što se mjerenje treba usmjeriti. Onima koji ovaj pristup radije prvo prođu u zajedničkoj sesiji nego da samo čitaju, koncept toga se nalazi u opisu što je databootcamp i što donosi.
Ovaj način mjerenja je prvi korak, a ne krajnja točka. Čim postane jasno koje su točke podataka slabo potkrijepljene, ko nedostaje kao vlasnik i koja pravila kvalitete još ne postoje, javlja se pitanje kako se to strukturno zabilježuje: u registru, s lineage-om po točki podataka i s pravilima koja signaliziraju odstupanja prije nego što izvještaj napusti organizaciju. To je posao za koji je namijenjen Data Readiness Scan tvrtke csrdready.net. Skan je u izradi; oni koji već sada želi s tim započeti mogu se prijaviti na listu čekanja.
Kad jednom znate koje točke podataka zahtijevaju pažnju i ko je za njih odgovoran, postavlja se sljedeće logično pitanje: koliko posla oko toga — prekucavanje, provjeravanje, spajanje izvora — je posao koji stroj može preuzeti, a koliko zahtijeva ljudsku procjenu. Werkscan tvrtke FTE TO AI računa po zadatku koji se dio toga može prepustiti AI-u, tako da ne pogađate, nego brojite.
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.