Maturità dei dati è un termine spesso usato per collocare un'organizzazione su una scala: dal livello 1 al livello 5, da ad hoc a ottimizzato. Queste scale non sono prive di valore, ma suggeriscono una precisione che di solito non esiste nei dati di sostenibilità. Un'organizzazione non è matura o immatura. Alcuni punti dati sono ben fondati, altri dipendono da un unico foglio di calcolo che una sola persona comprende. Misurare la maturità dei dati significa, in pratica: stabilire per ogni punto dato da dove proviene, chi ne è responsabile e cosa succede se quella persona non è disponibile.
Un punteggio di maturità fornito da un soggetto esterno dà un'impressione, ma non un elenco di azioni. Se la risposta è "livello 2 su 5", non si sa ancora quale punto dato sia inattendibile, quale fonte manchi o quale collaboratore sia l'unico a sapere come si costruisce una cifra. La maturità dei dati diventa utile come strumento di misurazione solo quando viene scomposta a livello dei singoli punti dati. Non: "l'organizzazione ottiene un punteggio mediocre", ma: "questo punto dato non ha una fonte documentata, quell'altro ne ha tre che si contraddicono tra loro."
Ci sono tre domande che meritano una risposta per ogni punto dato, e che insieme offrono un quadro più realistico di un punteggio complessivo.
La prima è la provenienza: da dove proviene questa cifra, attraverso quali sistemi ed elaborazioni, e questo percorso è documentato o è noto solo a chi lo svolge da anni. È esattamente qui che la lineage di un punto dato cambia ciò che un'organizzazione può dimostrare: non la cifra in sé, ma il percorso che porta ad essa.
La seconda è la titolarità: chi è responsabile di questo punto dato, ed è definito indipendentemente dalla persona che al momento se ne occupa per caso. Senza questa formalizzazione, la domanda chi consulta il registro dei punti dati se l'attuale responsabile non è più presente non è retorica, ma un rischio reale per la continuità.
La terza è la qualità: esistono regole che segnalano un errore prima che la cifra raggiunga il report, oppure una discrepanza viene scoperta solo quando un soggetto esterno la mette in discussione. Questa terza domanda riguarda direttamente la misura in cui i dati sono verificabili per l'assurance: un revisore non verifica se la cifra sembra plausibile, ma se la sua documentazione resiste a un controllo.
Questo modo di misurare non produce una cifra con cui confrontarsi con un'altra organizzazione. Non dice nulla sulla percentuale dei vostri dati che è "matura", perché quella soglia è arbitraria e varia per settore, per punto dato e per valutatore. Non predice nemmeno quanto tempo ci vorrà per passare dalla situazione attuale a una migliore; questo dipende da quanti punti dati esistono, da quanti sistemi sono coinvolti e da quante persone hanno oggi la conoscenza solo nella propria testa.
Ciò che la misurazione fa davvero è fornire un quadro concreto: questo punto dato è a posto, quello non lo è, ed ecco esattamente perché. Questo quadro è meno impressionante di un punteggio su una scala di cinque, ma è l'unico che offre una prospettiva d'azione.
L'ipotesi che i fogli di calcolo siano il problema porta spesso alla conclusione che un nuovo strumento aumenti automaticamente la maturità. Non è così. Come descritto in l'analisi del motivo per cui i fogli di calcolo non sono il nucleo del problema, la vulnerabilità spesso non risiede nel formato del file, ma nell'assenza di provenienza e titolarità documentate. Uno strumento applicato a un processo disorganizzato produce panoramiche più ordinate delle stesse cifre inattendibili. L'ordine corretto è: prima accertare cosa c'è e da dove proviene, solo poi scegliere quale sistema lo supporta.
Misurare la maturità non parte da tutti i dati che un'organizzazione potrebbe mai riportare, ma dalla domanda su quali punti dati siano realmente necessari per gli obblighi di rendicontazione vigenti. Questa delimitazione evita che una misurazione degeneri in un inventario di tutto ciò che è stato registrato da qualche parte, mentre la distinzione tra i punti dati di cui avete realmente bisogno e quelli che raccogliete per puro caso determina con precisione su cosa la misurazione debba concentrarsi. Chi preferisce affrontare questo approccio prima in una sessione condivisa piuttosto che leggerlo soltanto, trova l'impostazione descritta in cosa comporta e cosa offre un databootcamp.
Questo modo di misurare è il primo passo, non il punto di arrivo. Non appena è chiaro quali punti dati sono debolmente documentati, chi manca come responsabile e quali regole di qualità non esistono ancora, sorge la domanda di come formalizzarlo in modo strutturale: in un registro, con la lineage per ogni punto dato e con regole che segnalano le discrepanze prima che un report venga pubblicato. È questo il compito per cui è pensata la Data Readiness Scan di csrdready.net. La scan è in fase di sviluppo; chi desidera già iniziare può iscriversi alla lista d'attesa.
Una volta stabilito quali punti dati richiedono attenzione e chi ne è responsabile, la domanda successiva è ovvia: quanto del lavoro circostante — la trascrizione, il controllo, l'unione delle fonti — è lavoro che una macchina può svolgere, e quanto richiede giudizio umano. La werkscan di FTE TO AI calcola per ogni compito quale parte può essere assunta dall'AI, in modo che non dobbiate indovinare ma contare.
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.