Dojrzałość danych to termin często używany do umieszczenia organizacji na skali: od poziomu 1 do poziomu 5, od ad hoc do zoptymalizowanego. Te skale nie są bezwartościowe, ale sugerują precyzję, której w przypadku danych dotyczących zrównoważonego rozwoju zwykle nie ma. Organizacja nie jest dojrzała albo niedojrzała. Niektóre punkty danych są dobrze uzasadnione, inne zależą od jednego arkusza kalkulacyjnego, który rozumie jedna osoba. Mierzenie dojrzałości danych oznacza w praktyce: dla każdego punktu danych ustalenie, skąd pochodzi, kto za niego odpowiada i co się stanie, jeśli ta osoba będzie niedostępna.
Wynik dojrzałości od zewnętrznej strony daje wyobrażenie, ale nie listę działań. Jeśli odpowiedzią jest „poziom 2 z 5”, nadal nie wiadomo, który punkt danych jest niewiarygodny, jakie źródło jest brakujące lub który pracownik jest jedyną osobą, która wie, jak buduje się dany wskaźnik. Dojrzałość danych staje się użytecznym narzędziem pomiarowym tylko wtedy, gdy jest rozłożona na poziom poszczególnych punktów danych. Nie: „organizacja uzyskuje przeciętny wynik”, ale: „ten punkt danych nie ma zapisanego źródła, ten inny ma trzy, które są ze sobą niezgodne”.
Są trzy pytania, na które każdy punkt danych zasługuje na odpowiedź, i które razem dają bardziej realistyczny obraz niż wynik łączny.
Pierwsze dotyczy pochodzenia: skąd pochodzi ten wskaźnik, przez jakie systemy i operacje, i czy ta droga jest zapisana, czy znana tylko osobie, która robi to od lat. To właśnie tu pochodzenie (lineage) punktu danych zmienia to, co organizacja może wykazać: nie sam wskaźnik, ale drogę do niego prowadzącą.
Drugie dotyczy własności: kto jest odpowiedzialny za ten punkt danych, i czy jest to zapisane niezależnie od osoby, która akurat teraz się tym zajmuje. Bez takiego zapisu pytanie kto przeczyta rejestr punktów danych, gdy obecny właściciel już go nie prowadzi nie jest retoryczne, lecz stanowi rzeczywiste ryzyko dla ciągłości.
Trzecie dotyczy jakości: czy istnieją zasady, które sygnalizują błąd zanim wskaźnik trafi do raportu, czy odchylenie wykrywa się dopiero wtedy, gdy zewnętrzna strona o nie zapyta. To trzecie pytanie dotyka bezpośrednio zakresu, w jakim dane są kontrolowalne pod kątem assurance: audytor nie sprawdza, czy wskaźnik wygląda wiarygodnie, lecz czy jego uzasadnienie się utrzyma.
Ten sposób mierzenia nie daje wyniku, za pomocą którego można się porównać z inną organizacją. Nie mówi, jaki procent danych jest „dojrzały”, ponieważ ten próg jest arbitralny i różni się w zależności od sektora, punktu danych i oceniającego. Nie przewiduje też, jak długo potrwa przejście z obecnej sytuacji do lepszej; to zależy od liczby punktów danych, liczby zaangażowanych systemów oraz od tego, ile osób ma tę wiedzę obecnie tylko w głowie.
To, co pomiar faktycznie robi, to dostarczenie konkretnego przeglądu: ten punkt danych jest w porządku, ten inny nie, i to jest dokładnie powód. Ten przegląd jest mniej efektowny niż wynik na skali pięciopunktowej, ale jest jedynym, który daje perspektywę działania.
Założenie, że arkusze kalkulacyjne są problemem, prowadzi często do wniosku, że nowe narzędzie automatycznie zwiększa dojrzałość. Tak nie jest. Jak opisano w analizie dotyczącej tego, że arkusze kalkulacyjne nie są istotą problemu, podatność często nie tkwi w formacie plików, lecz w braku zapisanego pochodzenia i własności. Narzędzie nałożone na niezorganizowany proces produkuje jedynie bardziej uporządkowane przeglądy tych samych niewiarygodnych liczb. Kolejność jest taka: najpierw ustalić, co istnieje i skąd pochodzi, a dopiero potem wybrać system, który to wspiera.
Mierzenie dojrzałości nie zaczyna się od wszystkich danych, które organizacja mogłaby kiedykolwiek zaraportować, ale od pytania, które punkty danych są faktycznie potrzebne dla obowiązujących wymogów sprawozdawczych. To ograniczenie zapobiega temu, by pomiar przerodził się w inwentaryzację wszystkiego, co gdzieś zostało zapisane, podczas gdy rozróżnienie między punktami danych, które są faktycznie potrzebne, a tymi, które akurat już są zbierane precyzyjnie określa, na czym pomiar powinien się skoncentrować. Kto woli najpierw przejść przez to podejście podczas wspólnej sesji niż tylko je przeczytać, znajdzie jego układ w opisie tego, czym jest databootcamp i co on daje.
Ten sposób mierzenia jest pierwszym krokiem, a nie punktem końcowym. Gdy już wiadomo, które punkty danych są słabo uzasadnione, kogo brakuje jako właściciela i jakich zasad jakości jeszcze nie istnieje, pojawia się pytanie, jak to ustrukturyzować: w rejestrze, z pochodzeniem (lineage) dla każdego punktu danych i z zasadami, które sygnalizują odchylenia zanim raport zostanie wysłany. Do tego służy Data Readiness Scan firmy csrdready.net. Skan jest w budowie; kto chce już teraz zacząć, może zapisać się na listę oczekujących.
Gdy już wiadomo, które punkty danych wymagają uwagi i kto za nie odpowiada, nasuwa się kolejne pytanie: jaka część pracy wokół tego — przepisywanie, kontrolowanie, łączenie źródeł — to praca, którą może przejąć maszyna, a jaka wymaga ludzkiego osądu. Skan pracy FTE TO AI oblicza dla każdego zadania, jaką jego część można przekazać AI, dzięki czemu nie zgaduje się, lecz liczy.
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.