Skaitļi uz papīra saskan. Ir kārtīga tabula ar kopsummu par katru sadaļu un summu par visu grupu. Bet, kad kāds pajautā tālāk — no kurienes šis skaitlis nāk, kas to sniedzis, kāda definīcija izmantota — atbildes ir trīs dažādas no trim dažādiem cilvēkiem. Viena filiāle skaitu 2. tvēruma emisijas citādi nekā otra. Pagājušā gadā izmantotā izklājlapa vairs nav atrodama. Neviens nav pārliecināts, vai šis skaitlis ir veidots tā, kā to gribēs redzēt assurance partneris. Tā nav aprēķina kļūda, tas ir pamats, kas nekad nav ticis ielikts.
Kodols ir Data Readiness Scan ar datu punktu reģistru kā mugurkaulu. Šis reģistrs sakārto blakus to, kas nepieciešams izvēlētajām tēmām, un to, kas organizācijā jau ir pieejams — nevis novērtējums, bet saraksts, kas izriet no noteiktajām būtiskajām tēmām.
Ap šo reģistru atrodas source-to-report-mapper: aizpildāms izcelsmes (lineage) rīks pēc fiksētas input-process-output struktūras. Par katru datu punktu tiek fiksēts, no kurienes tas nāk, kādas apstrādes ar to notiek, pirms tas nonāk pārskatā, un kurš par ko atbild, izmantojot RACI. Klāt nāk kvalitātes noteikumi — derīgas vērtības, novirzes signāli — kas parāda, kad kāds skaitlis izkrīt no rāmja, pirms tas pazūd konsolidācijā.
No šī izstrādātā procesa izriet ģenerators funkcionālajām prasībām. Tā ir apgrieziena kārtība, kas procesā bieži trūkst: nevis vispirms iepirkt rīku un pēc tam pielāgot tam procesu, bet vispirms fiksēt procesu un tikai tad noskaidrot, kādas prasības no tā izriet iespējamai programmatūrai.
Kas vēlas strādāt ar pavadību, var izmantot trīs dienu datu bootcamp — parasti ar CO2 kā pirmo tēmu. Tas ir 2./3. maršruta produkts no partnera puses. Pamatā esošā izstrādes veidne ir iekļauta arī rīkā, lai tas, kurš labprātāk pats vada procesu, varētu pats izies to pašu shēmu.
Viss, ko reģistrs un mapper sniedz, ir izsekojams līdz ievadītajam: kurš avots, kāda apstrāde, kurš īpašnieks, kāds noteikums. Nekas netiek piepildīts ar novērtējumu un nekas netiek noapaļots līdz snieguma rādītājam. Tas, kas iznāk, ir struktūra — nevis spriedums par to, cik laba vai slikta ir datu kvalitāte, bet precīza norāde, kur pamati trūkst un kur tie jau ir. Kā šie soļi tieši savijas, sākot no tēmas izvēles līdz atkārtotai mērīšanai, ir izklāstīts sadaļā Kā tas darbojas; kas konkrēti ir uz galda pēc katra soļa, ir norādīts sadaļā Rezultāti.
Tēmu izvēle. Tiek izvēlētas būtiskās tēmas, ja nepieciešams — kā atskaites punktu izmantojot esgia.
Reģistra izveide. Reģistra ģenerators sakārto datu punktus, kas atbilst šīm tēmām.
Izcelsmes un RACI aizpildīšana. Par katru datu punktu tiek fiksēts avots, apstrādes, atbildība un kvalitātes noteikumi.
Gatavības pārskats un atkārtota mērīšana. Seko norāde par secību un izpildes laiku katrai tēmai, un viss ir paredzēts periodiskai atkārtotai mērīšanai — datu kvalitāte nav vienreizējs stāvoklis.
Tas nav pārskatu sagatavošanas rīks. Pats pārskats, saskaņā ar VSME vai CSRD, paliek esgia darba lauks; šeit netiek gatavots pārskats, šeit tiek likts tam pamats.
Tas nav anketēšanas rīks. Kam jāatbild uz klienta vai ķēdes partnera anketu, ir jāvēršas pie supplia vai esgreply.
Tas nav pierādīts sniegums. Nav pabeigtu projektu, uz kuriem atsaukties — tas atbilst rīkam, kas vēl atrodas gaidīšanas saraksta stadijā. Rīks strukturē procesu un parāda, kur ir vaļēji gali; tas neko nepierāda par iznākumu un neko negarantē attiecībā uz assurance.
1. maršruts — pašam. Bootcamp veidne katrai tēmai, reģistra eksports un kontroles saraksts kā sagatavošanās assurance procesam — viss izpildāms pašu spēkiem.
2. maršruts — daļēji ar pavadību. Partneris vada bootcamps; rīks paliek vieta, kur reģistrs un izcelsme tiek fiksēti.
3. maršruts — nodošana ārpakalpojumā. Pilnīga izveide pie partnera, izmantojot FTE TO AI pašu iekārtu.
Kas vēlas vairāk piemēru par to, kā reģistrs vai izcelsmes karte praksē izskatās, atradīs fona informāciju sadaļā zināšanu bāze.
Reģistrs un izcelsmes karte kaut ko maina tikai tad, kad tie nonāk pie tā, kurš veic kādu uzdevumu, cik daudz laika tas prasa un kurā sistēmā tas notiek. Tieši tur sākas FTE TO AI darba skenēšana: nevis pie datiem, bet pie darba, kas nepieciešams, lai šos datus sakārtotu.
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.