Datu briedums ir termins, ko bieži izmanto, lai novietotu organizāciju uz skalas: no 1. līmeņa uz 5. līmeni, no ad hoc uz optimizētu. Šīm skalām nav pilnīgi bez vērtības, taču tās liek nojaust precizitāti, kādas ilgtspējas datiem parasti nav. Organizācija nav nedz brieduma pilnā, nedz nebrieduma stāvoklī. Daži datu punkti ir labi pamatoti, citi balstās uz vienu izklājlapu, ko saprot viena persona. Datu brieduma mērīšana praksē nozīmē: par katru datu punktu noskaidrot, no kurienes tas nāk, kurš par to atbild un kas notiek, ja šī persona nav pieejama.
Ārējas puses noteikts brieduma vērtējums rada priekšstatu, bet nedod rīcības sarakstu. Ja atbilde ir "2. līmenis no 5", jūs vēl nezināt, kurš datu punkts ir neuzticams, kurš avots trūkst vai kurš darbinieks ir vienīgais, kas zina, kā skaitlis tiek veidots. Datu briedums kā mērinstruments ir noderīgs tikai tad, ja tas ir sadalīts atsevišķu datu punktu līmenī. Ne "organizācija saņem viduvēju vērtējumu", bet: "šim datu punktam nav fiksēta avota, tam datu punktam ir trīs, kas viens otram nesaskan."
Pastāv trīs jautājumi, uz kuriem katram datu punktam pienākas atbilde, un kopā tie sniedz reālistiskāku priekšstatu nekā kopējais vērtējums.
Pirmais ir izcelsme: no kurienes šis skaitlis nāk, ar kādu sistēmu un apstrādes soļu palīdzību, un vai šis ceļš ir fiksēts vai zināms tikai tam, kas to dara gadiem. Tieši šeit datu punkta izcelsmes ķēde maina to, ko organizācija var pierādīt: nevis pats skaitlis, bet ceļš, kā tas tika iegūts.
Otrais ir piederība: kurš ir atbildīgs par šo datu punktu, un vai tas ir fiksēts neatkarīgi no personas, kas to pašlaik veic. Bez šādas fiksācijas jautājums kurš lasīs jūsu datu punktu reģistru, ja pašreizējā atbildīgā persona vairs nebūs pieejama nav retorisks, bet reāls risks nepārtrauktībai.
Trešais ir kvalitāte: vai pastāv noteikumi, kas signalizē par kļūdu, pirms skaitlis nokļūst pārskatā, vai novirze tiek atklāta tikai tad, kad ārēja puse par to pajautā. Šis trešais jautājums tieši skar to, cik lielā mērā dati ir pārbaudāmi apliecinājuma (assurance) vajadzībām: revidents nepārbauda, vai skaitlis izklausās ticams, bet vai pamatojums iztur pārbaudi.
Šāda mērīšanas pieeja nedod skaitli, ar kuru varētu salīdzināt sevi ar citu organizāciju. Tā neko nesaka par to, cik procenti jūsu datu ir "brieduši", jo šī robeža ir arbitrāra un atšķiras pēc nozares, pēc datu punkta un pēc vērtētāja. Tā arī neprognozē, cik ilgs laiks nepieciešams, lai no pašreizējās situācijas nokļūtu uz labāku; tas ir atkarīgs no tā, cik datu punktu ir, cik sistēmas tajā iesaistītas un cik cilvēku šobrīd šīs zināšanas glabā tikai savā galvā.
To, ko šis mērījums dara, ir konkrēta pārskata sagatavošana: šis datu punkts ir kārtībā, tas nav, un tieši šis ir iemesls. Šāds pārskats ir mazāk iespaidīgs nekā vērtējums piecu līmeņu skalā, taču tas ir vienīgais, kas dod rīcības perspektīvu.
Pieņēmums, ka izklājlapas ir problēma, bieži noved pie secinājuma, ka jauns rīks automātiski palielina briedumu. Tas nav tā. Kā aprakstīts analīzē par to, kāpēc izklājlapas nav problēmas pamatā, ievainojamība parasti nav failu formātā, bet fiksētas izcelsmes un piederības trūkumā. Rīks, kas tiek uzlikts nesakārtotam procesam, rada glītākus pārskatus par tiem pašiem neuzticamajiem skaitļiem. Secība ir šāda: pirmkārt, noskaidrot, kas ir un no kurienes tas nāk, tikai pēc tam izvēlēties, kāda sistēma to atbalsta.
Brieduma mērīšana nesākas ar visiem datiem, ko organizācija jelkad varētu ziņot, bet ar jautājumu, kuri datu punkti patiešām nepieciešami spēkā esošajām pārskatu sniegšanas prasībām. Šī robežas noteikšana neļauj mērīšanai izvērsties visa, kas kaut kur ir fiksēts, inventarizācijā, savukārt atšķirība starp datu punktiem, kas jums patiešām ir nepieciešami, un datu punktiem, ko jūs nejauši jau vācat, precīzi nosaka, uz ko mērījumam jākoncentrējas. Kam šo pieeju labāk vēlas izvērtēt kopīgā sesijā, nevis tikai izlasīt, tā uzbūvi var atrast aprakstā par to, ko ietver un ko dod datu bootcamp.
Šāda mērīšanas pieeja ir pirmais solis, ne beigu punkts. Kad ir skaidrs, kuri datu punkti ir vāji pamatoti, kuram trūkst atbildīgā un kuri kvalitātes noteikumi vēl nav ieviesti, rodas jautājums, kā to strukturāli fiksēt: reģistrā, ar izcelsmes ķēdi katram datu punktam un ar noteikumiem, kas signalizē novirzes, pirms pārskats tiek nosūtīts. Tieši šim darbam ir paredzēts csrdready.net Data Readiness Scan. Šis rīks pašlaik tiek izstrādāts; kas vēlas sākt jau tagad, var pierakstīties gaidīšanas sarakstā.
Ja jūs jau zināt, kuriem datu punktiem nepieciešama uzmanība un kurš par tiem ir atbildīgs, nākamais jautājums rodas pats no sevis: cik daudz no darba to apkārtnē — pārrakstīšana, pārbaude, avotu apkopošana — ir darbs, ko var pārņemt mašīna, un cik daudz prasa cilvēka spriedumu. FTE TO AI darba skenēšana par katru uzdevumu aprēķina, cik lielu daļu no tā var pārņemt AI, lai jūs neminētu, bet skaitītu.
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.