Maturidade de dados é um termo frequentemente usado para colocar uma organização numa escala: do nível 1 ao nível 5, de ad hoc a otimizado. Essas escalas não são sem valor, mas sugerem uma precisão que, no caso dos dados de sustentabilidade, normalmente não existe. Uma organização não é madura ou imadura. Alguns pontos de dados estão bem fundamentados, outros dependem de uma única folha de cálculo que apenas uma pessoa compreende. Medir a maturidade de dados significa, na prática: determinar, por ponto de dados, de onde vem, quem o valida e o que acontece se essa pessoa não estiver disponível.
Uma pontuação de maturidade fornecida por uma parte externa dá uma impressão, mas não uma lista de ações. Se a resposta for "nível 2 de 5", ainda não sabe qual ponto de dados é pouco confiável, qual fonte está em falta ou qual colaborador é o único que sabe como um número é elaborado. A maturidade de dados só é útil como instrumento de medição quando é desagregada ao nível de pontos de dados individuais. Não: "a organização tem um desempenho médio", mas sim: "este ponto de dados não tem fonte registada, aquele ponto de dados tem três fontes que se contradizem."
Há três perguntas que merecem resposta por ponto de dados, e que juntas dão uma imagem mais realista do que uma pontuação global.
A primeira é a origem: de onde vem este número, através de que sistemas e operações, e esse percurso está registado ou é apenas conhecido por quem o faz há anos. É precisamente aqui que a linhagem de um ponto de dados altera o que uma organização pode demonstrar: não o número em si, mas o caminho até ele.
A segunda é a propriedade: quem é responsável por este ponto de dados, e isso está registado independentemente da pessoa que atualmente o faz por acaso. Sem esse registo, a pergunta quem consulta o registo de pontos de dados quando o atual responsável já não estiver presente não é retórica, mas um risco real para a continuidade.
A terceira é a qualidade: existem regras que sinalizam um erro antes de o número chegar ao relatório, ou um desvio só é descoberto quando uma parte externa questiona a respeito? Esta terceira pergunta está diretamente relacionada com a medida em que os dados são verificáveis para efeitos de assurance: um auditor não avalia se o número parece plausível, mas se a fundamentação resiste ao escrutínio.
Esta forma de medir não fornece um número com o qual se possa comparar com outra organização. Não diz nada sobre que percentagem dos seus dados é "madura", pois esse limiar é arbitrário e varia por setor, por ponto de dados e por avaliador. Também não prevê quanto tempo demora a passar da situação atual para uma melhor; isso depende de quantos pontos de dados existem, de quantos sistemas estão envolvidos e de quantas pessoas têm atualmente o conhecimento apenas na cabeça.
O que a medição faz, sim, é produzir um panorama concreto: este ponto de dados está em ordem, aquele não, e é exatamente por esta razão. Esse panorama é menos impressionante do que uma pontuação numa escala de cinco níveis, mas é o único que oferece uma perspetiva de ação.
A suposição de que as folhas de cálculo são o problema leva frequentemente à conclusão de que uma nova ferramenta aumenta automaticamente a maturidade. Não é o caso. Como descrito na análise sobre por que as folhas de cálculo não são o cerne do problema, a vulnerabilidade reside frequentemente não no formato do ficheiro, mas na ausência de origem e propriedade registadas. Uma ferramenta aplicada a um processo desorganizado produz panoramas mais arrumados dos mesmos números pouco confiáveis. A ordem correta é: primeiro determinar o que existe e de onde vem, só depois escolher que sistema o vai apoiar.
Medir a maturidade não começa com todos os dados que uma organização poderia algum dia reportar, mas com a pergunta de quais pontos de dados são realmente necessários para as obrigações de relato aplicáveis. Essa delimitação evita que uma medição se transforme numa inventariação de tudo o que está registado em algum lugar, sendo que a distinção entre pontos de dados que realmente necessita e pontos de dados que já recolhe por acaso determina precisamente onde a medição se deve concentrar. Quem preferir percorrer esta abordagem numa sessão conjunta em vez de apenas a ler, encontra a estrutura correspondente na descrição de o que é um databootcamp e o que resulta dele.
Esta forma de medir é o primeiro passo, não o ponto final. Uma vez claro quais pontos de dados estão pouco fundamentados, quem falta como responsável e que regras de qualidade ainda não existem, surge a questão de como isso se regista de forma estrutural: num registo, com linhagem por ponto de dados e com regras que sinalizam desvios antes de um relatório ser divulgado. É esse o trabalho para o qual a Data Readiness Scan da csrdready.net foi concebida. A scan está em fase de construção; quem já quiser começar com isto pode inscrever-se na lista de espera.
Uma vez que saiba quais pontos de dados exigem atenção e quem é responsável por eles, a pergunta seguinte surge naturalmente: quanto do trabalho em torno disso — copiar, verificar, consolidar fontes — é trabalho que uma máquina pode assumir, e quanto exige julgamento humano. O werkscan da FTE TO AI calcula, por tarefa, que parte pode ser assumida pela IA, para que não tenha de adivinhar, mas de contar.
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.