Viena ražotne sver atkritumu svaru uz svariem. Cita to novērtē, ņemot vērā konteinera tilpumu. Abas piegādā skaitli tai pašai rindai pārskatā. Neviens nav sameloties, neviens nav pieļāvis kļūdu. Vienkārši nekad nav fiksēts, kāda tieši ir šī datu punkta definīcija, un tāpēc katra struktūrvienība ir izvēlējusies visloģiskāko interpretāciju, kas tai bija pieejama.
Tas nav izņēmums. Tas ir normāls stāvoklis organizācijā, kurā to pašu metriku piegādā dažādas komandas, ar dažādām pirmavota sistēmām un dažādu vēsturi. Jautājums nav, kā šo atšķirību novērst, pirms tā rodas. Jautājums ir, ko ar to darīt, kad to pamanāt.
Solis, kas parasti tiek izlaists, ir tas, ka definīcija pati par sevi tiek kur nofiksēta. Nevis kontroliera galvā, kas to gadiem tā dara, bet reģistrā: šis datu punkts nozīmē šo, tiek mērīts tā, un šīs vienības tiek vai netiek ieskaitītas. Kas ir derīga vērtība šajos ietvaros un kurš to pamana, ja piegādātā vērtība iziet ārpus tiem, ir aprakstīts lapā par kas ir derīga vērtība un kurš to pamana, ja vērtība to pārsniedz. Bez šīs fiksācijas jeb summēšana starp struktūrvienībām ir summa no lietām, kas nav gluži vienādas, iesaiņotas vienā skaitlī, kurš izskatās gluži vienveidīgs.
Tieši šī fiksācija ir Data Readiness Scan darbs: nevis pārskata pārrakstīšana, bet datu punktu reģistra izveide, kurā katram datu punktam ir norādīts, kas tas ir, no kurienes tas nāk un kurš par to atbild. Šis reģistrs ir vieta, kur atšķirība starp struktūrvienībām kļūst redzama, nevis kļūst redzama tikai pēc tam, kad skaitlis jau ir saskaitīts.
Tiklīdz redzat, ka struktūrvienība A un struktūrvienība B kaut ko citu saprot ar to pašu datu punktu, kopumā ir trīs ceļi.
Pirmais ir harmonizācija: vienas definīcijas noteikšana visai organizācijai, ar visām sistēmas izmaiņām, kas tam nepieciešamas. Tas bieži ir pareizais ceļš ilgtermiņā, bet ne kas tāds, ko var izdarīt no šodienas uz rītdienu.
Otrais ir dokumentēšana un korekcija: atšķirībai ļaut palikt tur, kur tā ir, bet fiksēt, cik liela tā ir, un ar fiksētu pārrēķinu panākt, ka kopsumma sanāk pareiza. Tas darbojas, ja atšķirība ir stabila un zināma — piemēram, ja viena struktūrvienība sistemātiski izmanto citu mērīšanas metodi, kuru var izsekot.
Trešais ir signalizēšana: nevis koriģēt, bet uzstādīt brīdinājumu, tiklīdz piegādātā vērtība atšķiras no modeļa, kas jums no šīs struktūrvienības ir pierasts. Kā šādu atšķirību noteikt un kurš par to saņem brīdinājumu, ir izklāstīts lapā par kā uzstādīt signāla atšķirību un kurš to pamana, kad tas notiek. Šis ceļš nav domāts problēmas atrisināšanai, bet lai novērstu, ka tā paliek nepamanīta, kamēr jūs strādājat pie strukturāla risinājuma.
Kurš ceļš ir piemērots, ir atkarīgs no tā, cik struktūrvienībās ir atšķirība, cik stabila tā ir, un cik daudz laika ir atlicis, pirms skaitlis nonāk pārskata periodā. Tas ir izsvērums, kas katrā organizācijā ir atšķirīgs un ko šis reģistrs jūsu vietā neizdara — bet tas padara redzamu, ka šis izsvērums ir jāveic.
Definīciju atšķirība ir viena no visklusākajām kļūdām, kas pastāv, tāpēc, ka katra struktūrvienība atsevišķi ir taisnība. Struktūrvienība, kas novērtē pēc konteinera tilpuma, savā procesā neko nedara nepareizi. Problēma rodas tikai līmenī, kur skaitļi tiek apkopoti kopā, un tieši tur bieži nav nozīmēta neviena, kas pārbaudītu, vai pamatā esošās definīcijas vispār ir salīdzināmas.
Tieši tāpēc atbildība par katru datu punktu ir tikpat svarīga, kā pati definīcija. Kuras pārbaudes attiecas uz kādu datu punktu un kurš pamana, ja viena no šīm pārbaudēm tiek izlaista, ir aprakstīts lapā par kuras pārbaudes attiecas uz datu punktu un kurš to pamana, ja viena trūkst. Bez nozīmēta atbildīgā jautājums 'bet kurš to tad pamana' paliek bez atbildes, arī tad, ja definīcija ir uzrakstīta uz papīra.
Ir vilinoši šo problēmu vēlēties atrisināt ar sistēmu, kas automātiski normalizē piegādātos datus. Bet rīks, kas tiek uzstādīts virs nedefinētu datu punktu kopuma, neko nenormalizē — tas iesaiņo tās pašas atšķirības skaistākā interfeisā. Secība, kas iztur pārbaudi, ir vispirms fiksēt definīciju un atbildību, un tikai tad izvērtēt, kāda sistēma tam atbilst. Kāpēc šī secība nav nejauša, izklāstīts lapā par vispirms pirkt rīku vai vispirms izveidot procesu.
Tiklīdz katram datu punktam ir fiksēts, kāda ir definīcija, kurš ir atbildīgais un kuras atšķirības tiek signalizētas, rodas cita veida jautājums: kurš turpmāk veic darbu, kas saistīts ar šīm pārbaudēm — pārrēķināšanu, precizēšanu struktūrvienībā, kas atšķiras, paša reģistra uzturēšanu. Daļa no šī darba ir pietiekami atkārtojama, lai to nodotu automātiskam solim, daļa prasa vērtējumu, kas paliek pie cilvēka. FTE TO AI darba skenēšana katram uzdevumam izrēķina, kādu tā daļu var uzticēt AI, pamatojoties uz tāda paša veida konkrētību, kā šis reģistrs: nevis jautājumu, vai automatizācija ir iespējama, bet kura daļa no kura uzdevuma tajā ietilpst.
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.