Az adatérettség egy olyan fogalom, amelyet gyakran arra használnak, hogy egy szervezetet egy skálán elhelyezzenek: 1. szinttől az 5. szintig, ad hoc állapottól optimalizáltig. Ezek a skálák nem értéktelenek, de olyan pontosságot sugallnak, amely a fenntarthatósági adatoknál legtöbbször nincs jelen. Egy szervezet nem érett vagy éretlen. Egyes adatpontok jól alátámasztottak, mások egyetlen táblázaton lógnak, amelyet egyetlen ember ért. Az adatérettség mérése a gyakorlatban azt jelenti: adatpontonként megállapítani, honnan származik, ki áll érte jót, és mi történik, ha az illető nincs jelen.
Egy külső fél által adott érettségi pontszám benyomást ad, de nem cselekvési listát. Ha a válasz „2. szint az 5-ből”, akkor még nem tudja, melyik adatpont nem megbízható, melyik forrás hiányzik, vagy melyik munkatárs az egyetlen, aki tudja, hogyan épül fel egy szám. Az adatérettség csak akkor hasznos mérőeszközként, ha egyedi adatpontok szintjére bontja le. Nem azt mondja: „a szervezet közepesen teljesít”, hanem: „ennek az adatpontnak nincs rögzített forrása, annak az adatpontnak három van, amelyek ellentmondanak egymásnak.”
Három kérdés van, amely adatpontonként választ érdemel, és amelyek együtt reálisabb képet adnak, mint egy összpontszám.
Az első az eredet: honnan származik ez a szám, milyen rendszereken és feldolgozási lépéseken keresztül, és rögzítve van ez az útvonal, vagy csak az tudja, aki évek óta ezt csinálja. Pontosan itt változtatja meg egy adatpont lineage-e, hogy egy szervezet mit tud bizonyítani: nem magát a számot, hanem az odáig vezető utat.
A második a tulajdonlás: ki felelős ezért az adatpontért, és ez rögzítve van-e, függetlenül attól, ki foglalkozik vele éppen most. Ennek rögzítése nélkül a kérdés, ki olvassa az adatpont-nyilvántartást, ha a jelenlegi tulajdonos már nincs ott, nem retorikus, hanem valós kockázatot jelent a folytonosságra.
A harmadik a minőség: vannak-e olyan szabályok, amelyek egy hibát jeleznek, mielőtt a szám eljutna a jelentésbe, vagy egy eltérést csak akkor fedeznek fel, amikor egy külső fél rákérdez. Ez a harmadik kérdés közvetlenül összefügg azzal, mennyire ellenőrizhető az adat egy assurance céljából: egy auditor nem azt vizsgálja, hogy a szám hihetően hangzik-e, hanem hogy az alátámasztás megáll-e.
Ez a mérési módszer nem ad olyan számot, amellyel egy másik szervezethez hasonlíthatja magát. Nem mond semmit arról, hány százaléka az adatainak „érett”, mivel ez a küszöb önkényes, és sektoronként, adatpontonként és értékelőnként eltérő. Azt sem jelzi előre, mennyi ideig tart eljutni a jelenlegi helyzetből egy jobba; ez attól függ, hány adatpont van, hány rendszer érintett, és hány embernél van meg a tudás kizárólag a fejében.
Amit a mérés valóban tesz, az egy konkrét áttekintés elkészítése: ez az adatpont rendben van, az nem, és pontosan ez az oka. Ez az áttekintés kevésbé impozáns, mint egy ötfokú skálán elért pontszám, de ez az egyetlen, amely cselekvési perspektívát ad.
Az a feltételezés, hogy a táblázatok a probléma, gyakran ahhoz a következtetéshez vezet, hogy egy új eszköz automatikusan megnöveli az érettséget. Ez nem igaz. Amint azt az elemzés leírja arról, miért nem a táblázatok a probléma gyökere, a sebezhetőség gyakran nem a fájlformátumban rejlik, hanem a rögzített eredet és tulajdonlás hiányában. Egy eszköz, amelyet egy szervezetlen folyamatra helyeznek rá, csupán rendezettebb áttekintéseket készít ugyanazokról a megbízhatatlan számokról. A sorrend a következő: először megállapítani, mi van, és honnan származik, csak azután dönteni, melyik rendszer támogassa ezt.
Az érettség mérése nem az összes adatnál kezdődik, amelyet egy szervezet valaha jelenthetne, hanem annál a kérdésnél, hogy mely adatpontokra van valóban szükség az érvényes jelentési kötelezettségekhez. Ez a lehatárolás megakadályozza, hogy a mérés egy mindenre kiterjedő leltárba fulladjon, amíg a valóban szükséges adatpontok és a véletlenül már összegyűjtött adatpontok közötti különbség pontosan megszabja, mire kell a mérésnek irányulnia. Aki ezt a megközelítést inkább közös munkamenetben járná végig, mint csak elolvasná, annak felépítését egy databootcamp tartalmának és eredményeinek leírásában találja meg.
Ez a mérési módszer az első lépés, nem a végpont. Amint kiderül, mely adatpontok alátámasztása gyenge, ki hiányzik tulajdonosként, és mely minőségi szabályok még nem léteznek, felmerül a kérdés, hogyan rögzítik ezt strukturáltan: egy nyilvántartásban, adatpontonkénti lineage-dzsel és olyan szabályokkal, amelyek jelzik az eltéréseket, mielőtt egy jelentés kikerülne. Ez az a munka, amelyre a csrdready.net Data Readiness Scan-je szolgál. A scan még épül; aki már most szeretné ezzel elkezdeni, feliratkozhat a várólistára.
Ha egyszer tudja, mely adatpontok igényelnek figyelmet, és ki felelős értük, a következő kérdés adja magát: az ezek körüli munka — az átírás, az ellenőrzés, a források összevonása — mekkora része az, amelyet egy gép átvehet, és mekkora rész igényel emberi megítélést. Az FTE TO AI munkafelmérése feladatonként kiszámítja, mekkora részét veheti át az AI, így nem becsül, hanem számol.
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.