Bij meerdere business units ontstaat vaak een vraag die niemand precies kan beantwoorden: welke datapunten zijn nu eigenlijk nodig, en welke worden verzameld omdat ze vorig jaar ook al werden opgevraagd. Zonder register groeit de vragenlijst mee met de angst iets te missen. Met een register wordt zichtbaar wat elke unit daadwerkelijk aanlevert, waar dat vandaan komt en of het antwoord op de vraag hetzelfde datapunt is als bij de unit ernaast.
Een datapuntregister is geen rapportagesjabloon en geen vragenlijst. Het is een lijst van datapunten met per punt: de definitie, de eenheid, de bron, de eigenaar en de kwaliteitsregel waaraan het moet voldoen. Voor een organisatie met meerdere business units betekent dit dat elk datapunt herleidbaar is tot een concrete plek in een concreet systeem, bij een concrete verantwoordelijke persoon. Niet 'scope 2 emissies per unit', maar 'kWh-verbruik uit factuur X, ingevoerd door Y, herleidbaar tot Z'.
De vraag welke datapunten werkelijk nodig zijn, valt niet in één keer te beantwoorden. Die volgt uit het combineren van wat er al bestaat. Een overzicht van waar een datapunt al bestaat bij meerdere business units laat zien welk deel van de vraag al beantwoord wordt door bestaande systemen, en welk deel nog los in spreadsheets zit of nergens wordt vastgelegd. Pas wanneer dat beeld er is, wordt duidelijk welke datapunten daadwerkelijk gevraagd moeten worden en welke overbodig zijn geworden.
Het opstellen van een register begint niet bij een systeem, maar bij een lijst van vragen: welke datapunten worden nu gebruikt, door wie, en op basis van welke bron. Dat is een organisatorische exercitie, geen technische. Een stapsgewijze aanpak voor het opstellen van een datapuntregister bij meerdere business units beschrijft hoe die inventarisatie meestal verloopt: per unit, per datapunt, met de bron en eigenaar erbij.
Bij die inventarisatie duiken twee terugkerende problemen op. Het eerste is het datapunt zonder duidelijke bron: een cijfer dat al jaren wordt doorgegeven, maar waarvan niemand meer kan aanwijzen waar het vandaan komt. Een aanpak voor een datapunt zonder aanwijsbare bron bij meerdere business units gaat in op wat er dan te doen staat: het datapunt niet zomaar overnemen, maar eerst de bron reconstrueren of het datapunt als onbetrouwbaar markeren tot dat wel kan.
Het tweede probleem is het dubbele datapunt: twee business units die, met andere namen en andere eenheden, hetzelfde onderliggende gegeven aanleveren. Een manier om een dubbel datapunt te herkennen bij meerdere business units helpt dat zichtbaar te maken, zodat het register niet twee keer dezelfde werkelijkheid vastlegt onder twee etiketten.
Een datapunt in het register is pas compleet wanneer vier dingen vaststaan: de definitie is eenduidig, de bron is aanwijsbaar, de eigenaar is bekend en er is een kwaliteitsregel die bepaalt wanneer een waarde als geldig geldt. Ontbreekt een van die vier, dan is het datapunt nog niet klaar, hoe vaak het ook al is aangeleverd.
Dit geldt evenzeer voor de vraag of het register als geheel af is. Een register is niet compleet omdat er een lange lijst datapunten in staat, maar omdat elk datapunt op die lijst herleidbaar is en elke unit weet welk deel van de lijst op haar van toepassing is. Een toets voor wanneer een register af is bij meerdere business units beschrijft die grens: niet volledigheid in aantal, maar volledigheid in herleidbaarheid.
Een bruikbare indicator daarbij is simpelweg hoeveel van de datapunten al een bron hebben. Een meting van hoeveel van uw datapunten een bron hebben geeft een eerste beeld van hoe ver de organisatie daadwerkelijk is, los van hoe het rapport of de vragenlijst er dit jaar uit ziet.
Het is verleidelijk om eerst software aan te schaffen die datapunten verzamelt, valideert en rapporteert. Die volgorde werkt averechts wanneer het onderliggende proces nog niet georganiseerd is: een tool boven een ongeorganiseerde dataverzameling produceert nettere rapporten over cijfers die nog steeds niet herleidbaar zijn. Het register — wie levert wat aan, vanuit welke bron, volgens welke regel — hoort er eerst te staan. Pas dan heeft een tool iets betrouwbaars om op te draaien.
Zodra het register staat en per datapunt duidelijk is wie het aanlevert, uit welke bron en volgens welke regel, wordt een andere vraag relevant: welk deel van dat aanleverproces vraagt nog mensenwerk, en welk deel is repetitief genoeg om over te laten aan een systeem. De werkscan van FTE TO AI rekent per taak uit welk deel van het werk door AI over te nemen is, en kan op basis van het register per datapunt aangeven waar handmatige invoer, controle of overdracht plaatsmaakt voor een geautomatiseerde stap.
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.