Organizācija ar vairākām biznesa vienībām bieži skaita vienus un tos pašus ilgtspējas datus vairākas reizes, un neviens to nepamana. Vienas nodaļas energopatēriņš ir norādīts telpu apsaimniekošanas vadītāja Excel failā, biznesa vienības pārskatu rīkā un grupas apkopojuma tabulā. Trīs vietas, trīs iespējami atšķirīgi skaitļi, un neviens nevar ar pārliecību pateikt, kurš ir pareizais.
Tas nav izņēmums. Tā ir normāla ilgtspējas datu situācija organizācijā, kas ir augusi pa biznesa vienībām, kur katra vienība ir izveidojusi savas sistēmas, definīcijas un izklājlapas, pirms pārskatu sniegšana kļuva par kopēju tēmu.
Datu punktu reģistrs par katru datu punktu fiksē: kas tas ir, no kurienes tas nāk, kas ir tā īpašnieks un kādi kvalitātes noteikumi tam piemērojami. Organizācijā ar vairākām biznesa vienībām tas nozīmē, ka jūs ne tikai reģistrējat, ka pastāv datu punkts "energopatēriņš", bet arī to, kur šis datu punkts tiek fiksēts katrā biznesa vienībā, kurā sistēmā, kuras personas ziņā un ar kādu definīciju.
Tiklīdz tas ir salikts kopā, kļūst redzams, vai biznesa vienības mēra vienu un to pašu. Bieži izrādās, ka viena reģistrē patēriņu kWh, bet otra – pārrēķinātā CO2 vērtībā, vai ka "energopatēriņa" tvērums vienā vienībā ietver tikai elektrību, bet otrā – arī gāzi. Datu punktam ir tāds pats nosaukums, bet pēc satura tas nav salīdzināms. Šo atšķirību jūs neatradīsiet, skatoties pārskatā. To atradīsiet, saliekot kopā avotu, definīciju un īpašnieku katrai vienībai.
Reģistrs nepiepildās pats no sevis. Kādam jāapzina katrā biznesa vienībā, kādi datu punkti tiek fiksēti, kurā sistēmā un uz kāda avota pamata. Tas ir inventarizācijas darbs: pārbaudīt ar katras sistēmas īpašnieku, izsekot katra skaitļa izcelsmei līdz sākotnējai reģistrācijai un fiksēt to, ko atrodat, arī tad, ja tas ir neskaidrs vai nekonsekvents.
Veids, kā jūs strukturējat šo inventarizāciju, nosaka, vai pārklāšanās kļūst redzama vai paliek slēpta. Pieeja, kurā katru biznesa vienību aplūko atsevišķi, rezultātā dod piecus reģistrus, kurus nevar salīdzināt. Pieeja, kas balstīta uz datu punktu un aptver visas vienības kopā, dod pārskatu, kas jums ir nepieciešams. Kā to izveidot, aprakstīts kā izveidot datu punktu reģistru vairākām biznesa vienībām. Runa ir par struktūru, kas dublēšanos tieši parāda, nevis par struktūru, kas pati šo dublēšanos uztur.
Datu punktu reģistrs nav pilnīgs, tiklīdz tajā ir datu punktu saraksts. Tas ir pilnīgs, tiklīdz katram datu punktam ir izsekojams avots, īpašnieks, kas uzņemas atbildību, un fiksēta definīcija, ko var salīdzināt ar citām biznesa vienībām. Bez tā jūs varat redzēt pārklāšanos, bet nevarat noteikt, vai šī pārklāšanās ir problēma vai apzināta izvēle.
Jautājums, cik daudzi no jūsu datu punktiem faktiski atbilst šim nosacījumam, praksē bieži ir mazāks, nekā gribētos. Dažiem datu punktiem nav norādāma avota, tikai skaitlis, kas gadu gaitā tiek pārņemts no iepriekšējā pārskata. Kā šo skaitu apzināt, lasiet cik daudziem no jūsu datu punktiem ir norādāms avots. Un gadījumam, ja sastopaties ar datu punktu, kuram avotu vienkārši nevar atrast, pat pēc pārbaudes, ir aprakstīta atsevišķa pieeja ko darīt ar datu punktu bez avota vairākās biznesa vienībās.
Brīdis, kad reģistrs ir "gatavs", nav fiksēts laika punkts, bet gan katra datu punkta statuss. Daži datu punkti ir ātri sakārtojami, citiem nepieciešamas vairākas pārbaudes un pārliecināšanās kārtas. Ko tas nozīmē jūsu plānošanai, lasiet kad reģistrs ir gatavs vairākām biznesa vienībām.
Tiklīdz redzat, ka trīs biznesa vienības fiksē vienu un to pašu datu punktu, rodas nākamais jautājums: vai tā ir dublēšanās, ko var novērst, vai tie ir trīs datu punkti, kuriem nejauši ir tāds pats nosaukums, bet atšķirīgs tvērums? Šī atšķirība ne vienmēr ir tūlīt nosakāma, un tās noteikšana ir centrālais jautājums, atpazīstot dubultu datu punktu vairākās biznesa vienībās, kas tālāk izklāstīts kā atpazīt dubultu datu punktu vairākās biznesa vienībās. Šis darbs balstīts uz precizitāti: salīdzināt katra eksemplāra definīciju, tvērumu un aprēķina noteikumu, pirms secināt, ka runa ir par vienu un to pašu datu punktu.
Datu punktu, avotu un īpašumtiesību apzināšana vairākās biznesa vienībās ir atkārtojams darbs: jauni pārskatu periodi, jauns regulējums un organizatoriskas izmaiņas prasa to pašu pārbaudi atkārtot. Daļa šā darba, piemēram, definīciju salīdzināšana vai avota meklēšana sistēmā, ir pietiekami atkārtojama, lai izvērtētu, vai daļu no tā var uzticēt AI. FTE TO AI katram uzdevumam aprēķina, kura darba daļa tam ir piemērota, un darba skenēšana ir sākumpunkts, lai to izvērtētu jūsu situācijai.
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.