Dátová vyspelosť je pojem, ktorý sa často používa na zaradenie organizácie na určitú škálu: od úrovne 1 po úroveň 5, od ad hoc po optimalizované. Tieto škály nie sú bez hodnoty, ale sugerujú presnosť, ktorá pri údajoch o udržateľnosti väčšinou neexistuje. Organizácia nie je vyspelá alebo nevyspelá. Niektoré dátové body sú dobre podložené, iné visia na jednom hárku, ktorému rozumie jedna osoba. Meranie dátovej vyspelosti v praxi znamená: pri každom dátovom bode určiť, odkiaľ pochádza, kto za neho podpisuje a čo sa stane, ak táto osoba nie je k dispozícii.
Skóre vyspelosti od externej strany dáva dojem, ale nie zoznam úloh. Ak je odpoveď „úroveň 2 z 5“, stále neviete, ktorý dátový bod je nespoľahlivý, ktorý zdroj chýba alebo ktorý zamestnanec je jediný, kto vie, ako sa dané číslo zostavuje. Dátová vyspelosť je ako meracia metóda užitočná len tak, ako podrobne rozlišuje na úroveň jednotlivých dátových bodov. Nie: „organizácia dosahuje priemerné skóre“, ale: „tento dátový bod nemá zaznamenaný zdroj, ten dátový bod má tri zdroje, ktoré si odporujú.“
Existujú tri otázky, ktoré si zaslúžia odpoveď pri každom dátovom bode, a spoločne dávajú realistickejší obraz než celkové skóre.
Prvá je pôvod: odkiaľ toto číslo pochádza, cez aké systémy a úpravy, a je táto cesta zaznamenaná, alebo ju pozná len ten, kto to robí už roky. Presne tu lineage dátového bodu mení, čo organizácia môže preukázať: nie samotné číslo, ale cestu k nemu.
Druhá je vlastníctvo: kto je zodpovedný za tento dátový bod, a je to zaznamenané nezávisle od osoby, ktorá to momentálne náhodou robí. Bez tohto záznamu otázka kto si prečíta register dátových bodov, keď súčasný vlastník už tam nebude nie je rečnická, ale skutočné riziko pre kontinuitu.
Tretia je kvalita: existujú pravidlá, ktoré signalizujú chybu skôr, ako číslo dosiahne správu, alebo sa odchýlka objaví až vtedy, keď sa na to spýta externá strana. Táto tretia otázka sa priamo dotýka miery, do akej sú údaje kontrolovateľné pre assurance: audítor neposudzuje, či číslo znie hodnoverne, ale či podklad obstojí.
Tento spôsob merania nedáva číslo, s ktorým sa môžete porovnať s inou organizáciou. Nič nehovorí o tom, koľko percent vašich údajov je „vyspelých“, pretože táto hranica je arbitrárna a líši sa podľa sektora, podľa dátového bodu a podľa hodnotiteľa. Ani nepredpovedá, ako dlho bude trvať prejsť od súčasnej situácie k lepšej; to závisí od toho, koľko dátových bodov existuje, koľko systémov je do toho zapojených a koľko ľudí má znalosti momentálne len vo svojej hlave.
Čo toto meranie skutočne robí, je poskytnutie konkrétneho prehľadu: tento dátový bod je v poriadku, ten nie je, a presne toto je dôvod. Tento prehľad je menej pôsobivý než skóre na škále od jedného do piatich, ale je to jediná vec, ktorá poskytuje perspektívu na konanie.
Predpoklad, že problémom sú hárky, často vedie k záveru, že nový nástroj automaticky zvýši vyspelosť. Tak to nie je. Ako je popísané v analýze toho, prečo hárky nie sú jadrom problému, zraniteľnosť často nie je v formáte súboru, ale v absencii zaznamenaného pôvodu a vlastníctva. Nástroj nasadený na neorganizovaný proces produkuje len usporiadanejšie prehľady rovnakých nespoľahlivých čísel. Poradie je: najprv určiť, čo existuje a odkiaľ to pochádza, potom až zvoliť, ktorý systém to podporí.
Meranie vyspelosti nezačína pri všetkých údajoch, ktoré by organizácia mohla teoreticky niekedy vykázať, ale pri otázke, ktoré dátové body sú skutočne potrebné pre platné povinnosti vykazovania. Toto vymedzenie zabraňuje tomu, aby sa meranie zmenilo na inventarizáciu všetkého, čo je niekde zaznamenané, pričom rozdiel medzi dátovými bodmi, ktoré skutočne potrebujete, a dátovými bodmi, ktoré náhodou už zbierate presne určuje, na čo sa má meranie zamerať. Kto by tento prístup radšej najprv absolvoval v spoločnom sedení než len prečítal, nájde jeho koncepciu v popise toho, čo obsahuje a čo prináša dátový bootcamp.
Tento spôsob merania je prvým krokom, nie konečným bodom. Hneď ako je zrejmé, ktoré dátové body sú slabo podložené, kto chýba ako vlastník a aké pravidlá kvality ešte neexistujú, vzniká otázka, ako sa to štrukturálne zaznamená: v registri, s lineage pri každom dátovom bode a s pravidlami, ktoré signalizujú odchýlky skôr, než správa opustí organizáciu. To je práca, na ktorú je určený Data Readiness Scan od csrdready.net. Scan sa pripravuje; kto s tým chce začať už teraz, môže sa prihlásiť na zoznam čakateľov.
Ak už viete, ktoré dátové body si vyžadujú pozornosť a kto je za ne zodpovedný, ďalšia otázka sa ponúka sama: koľko z práce okolo toho — prepisovanie, kontrola, zlučovanie zdrojov — je práca, ktorú môže prevziať stroj, a koľko si vyžaduje ľudský úsudok. Pracovný scan od FTE TO AI vypočíta pri každej úlohe, akú časť z nej môže prevziať AI, takže nehádate, ale počítate.
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.