Datavolwassenheid is een term die vaak wordt gebruikt om een organisatie op een schaal te zetten: van niveau 1 naar niveau 5, van ad hoc naar geoptimaliseerd. Die schalen zijn niet zonder waarde, maar ze suggereren een precisie die er bij duurzaamheidsdata meestal niet is. Een organisatie is niet volwassen of onvolwassen. Sommige datapunten zijn goed onderbouwd, andere hangen aan één spreadsheet die één persoon begrijpt. Datavolwassenheid meten betekent in de praktijk: per datapunt vaststellen waar het vandaan komt, wie ervoor tekent en wat er gebeurt als die persoon er niet is.
Een volwassenheidsscore van een externe partij geeft een indruk, maar geen actielijst. Als het antwoord "niveau 2 van 5" is, weet u nog niet welk datapunt onbetrouwbaar is, welke bron ontbreekt of welke medewerker de enige is die weet hoe een cijfer wordt opgebouwd. Datavolwassenheid is pas nuttig als meetinstrument wanneer het uitsplitst naar het niveau van individuele datapunten. Niet: "de organisatie scoort matig", maar: "dit datapunt heeft geen vastgelegde bron, dat datapunt heeft er drie die elkaar tegenspreken."
Er zijn drie vragen die per datapunt een antwoord verdienen, en die samen een realistischer beeld geven dan een totaalscore.
De eerste is herkomst: waar komt dit cijfer vandaan, via welke systemen en bewerkingen, en is die weg vastgelegd of alleen bekend bij wie het al jaren doet. Dit is precies waar de lineage van een datapunt verandert wat een organisatie kan aantonen: niet het cijfer zelf, maar de weg ernaartoe.
De tweede is eigenaarschap: wie is verantwoordelijk voor dit datapunt, en is dat vastgelegd los van de persoon die het nu toevallig doet. Zonder die vastlegging is de vraag wie het datapuntregister leest als de huidige eigenaar er niet meer is niet retorisch bedoeld, maar een reëel risico voor continuïteit.
De derde is kwaliteit: zijn er regels die een fout signaleren voordat het cijfer het rapport bereikt, of wordt een afwijking pas ontdekt als een externe partij ernaar vraagt. Die derde vraag raakt direct aan de mate waarin data controleerbaar is voor assurance: een auditor toetst niet of het cijfer plausibel klinkt, maar of de onderbouwing standhoudt.
Deze manier van meten geeft geen cijfer waarmee u zich kunt vergelijken met een andere organisatie. Ze zegt niets over hoeveel procent van uw data "volwassen" is, want die drempel is arbitrair en verschilt per sector, per datapunt en per beoordelaar. Ze voorspelt ook niet hoe lang het duurt om van de huidige situatie naar een betere te komen; dat hangt af van hoeveel datapunten er zijn, hoeveel systemen erbij betrokken zijn en hoeveel mensen de kennis nu alleen in hun hoofd hebben.
Wat de meting wel doet, is een concreet overzicht opleveren: dit datapunt is in orde, dat datapunt niet, en dit is precies waarom. Dat overzicht is minder indrukwekkend dan een score op een schaal van vijf, maar het is het enige dat handelingsperspectief geeft.
De aanname dat spreadsheets het probleem zijn, leidt vaak tot de conclusie dat een nieuwe tool de volwassenheid automatisch verhoogt. Dat is niet zo. Zoals beschreven in de analyse van waarom spreadsheets niet de kern van het probleem zijn, zit de kwetsbaarheid vaak niet in het bestandsformaat maar in het ontbreken van vastgelegde herkomst en eigenaarschap. Een tool die op een ongeorganiseerd proces wordt gelegd, produceert nettere overzichten van dezelfde onbetrouwbare cijfers. De volgorde is: eerst vaststellen wat er is en waar het vandaan komt, dan pas kiezen welk systeem dat ondersteunt.
Volwassenheid meten begint niet bij alle data die een organisatie ooit zou kunnen rapporteren, maar bij de vraag welke datapunten werkelijk nodig zijn voor de rapportageverplichtingen die gelden. Die afbakening voorkomt dat een meting uitloopt op een inventarisatie van alles wat ergens is vastgelegd, terwijl het onderscheid tussen datapunten die u werkelijk nodig heeft en datapunten die u toevallig al verzamelt precies bepaalt waar de meting zich op moet richten. Wie deze aanpak liever eerst in een gezamenlijke sessie doorloopt dan alleen leest, vindt de opzet daarvan terug in de beschrijving van wat een databootcamp inhoudt en oplevert.
Deze manier van meten is de eerste stap, niet het eindpunt. Zodra duidelijk is welke datapunten zwak onderbouwd zijn, wie ontbreekt als eigenaar en welke kwaliteitsregels nog niet bestaan, ontstaat de vraag hoe dat structureel wordt vastgelegd: in een register, met lineage per datapunt en met regels die afwijkingen signaleren voordat een rapport de deur uit gaat. Dat is het werk waarvoor de Data Readiness Scan van csrdready.net is bedoeld. De scan is in aanbouw; wie hier nu al mee wil starten, kan zich aanmelden voor de wachtlijst.
Als u eenmaal weet welke datapunten aandacht vragen en wie daarvoor verantwoordelijk is, ligt de volgende vraag voor de hand: hoeveel van het werk daaromheen — het overtypen, het controleren, het samenvoegen van bronnen — is werk dat een machine kan overnemen, en hoeveel vraagt om menselijk oordeel. De werkscan van FTE TO AI rekent per taak uit welk deel daarvan door AI is over te nemen, zodat u niet raadt maar telt.
Vraag maar waar een datapunt vandaan komt. Dat is meestal de hele vraag.
Antwoorden komen uit de kennisbank van deze site. Geen advies op maat, en geen scan van uw bedrijf.