Podatkovna zrelost je izraz, ki se pogosto uporablja za uvrstitev organizacije na lestvico: od stopnje 1 do stopnje 5, od ad hoc do optimizirano. Te lestvice niso brez vrednosti, vendar nakazujejo natančnost, ki pri podatkih o trajnosti večinoma ne obstaja. Organizacija ni zrela ali nezrela. Nekatere podatkovne točke so dobro podprte, druge so odvisne od ene preglednice, ki jo razume ena oseba. Merjenje podatkovne zrelosti v praksi pomeni: za vsako podatkovno točko ugotoviti, od kod izvira, kdo zanjo podpisuje in kaj se zgodi, če ta oseba ni na voljo.
Ocena zrelosti zunanje stranke ustvari vtis, ne pa seznama ukrepov. Če je odgovor "stopnja 2 od 5", še ne veste, katera podatkovna točka je nezanesljiva, kateri vir manjka ali kateri sodelavec je edini, ki ve, kako je številka sestavljena. Podatkovna zrelost je kot merilno orodje koristna šele, ko se razdeli na raven posameznih podatkovnih točk. Ne: "organizacija dosega povprečno oceno", temveč: "ta podatkovna točka nima zapisanega vira, tista podatkovna točka pa ima tri vire, ki si nasprotujejo."
Obstajajo tri vprašanja, ki si za vsako podatkovno točko zaslužijo odgovor in ki skupaj dajejo bolj realno slika kot skupna ocena.
Prvo je izvor: od kod izvira ta številka, prek katerih sistemov in obdelav, in je ta pot zapisana ali znana le tistemu, ki to počne že vrsto let. Prav to je tisto, kje linija izvora podatkovne točke spremeni, kaj lahko organizacija dokaže: ne same številke, temveč pot do nje.
Drugo je lastništvo: kdo je odgovoren za to podatkovno točko in je to zapisano ločeno od osebe, ki to trenutno dela. Brez tega zapisa vprašanje kdo prebere register podatkovnih točk, ko trenutnega lastnika ni več ni retorično, temveč predstavlja resnično tveganje za kontinuiteto.
Tretje je kakovost: ali obstajajo pravila, ki zaznajo napako, preden številka doseže poročilo, ali se odstopanje odkrije šele, ko zanjo vpraša zunanja stranka. To tretje vprašanje se neposredno navezuje na stopnjo, do katere so podatki preverljivi za namene zagotovila: revizor ne preverja, ali se številka sliši verjetno, temveč ali podlaga zdrži.
Ta način merjenja ne daje ocene, s katero bi se lahko primerjali z drugo organizacijo. Ne pove ničesar o tem, koliko odstotkov vaših podatkov je "zrelih", saj je ta prag arbitraren in se razlikuje glede na panogo, podatkovno točko in ocenjevalca. Prav tako ne napove, koliko časa bo trajalo, da pridete od trenutnega stanja do boljšega; to je odvisno od tega, koliko podatkovnih točk obstaja, koliko sistemov je vpletenih in koliko ljudi ima znanje trenutno le v svoji glavi.
Kar to merjenje pa naredi, je, da poda konkreten pregled: ta podatkovna točka je v redu, tista ni, in to je natančno zakaj. Ta pregled je manj impresiven kot ocena na lestvici od pet, vendar je edini, ki ponuja izhodišče za ukrepanje.
Predpostavka, da so preglednice problem, pogosto vodi do sklepa, da novo orodje samodejno poveča zrelost. To ni res. Kot je opisano v analizi, zakaj preglednice niso bistvo problema, ranljivost pogosto ni v formatu datoteke, temveč v manjkajočem zapisanem izvoru in lastništvu. Orodje, ki se namesti na neurejen proces, ustvari le lepše pregleda istih nezanesljivih številk. Vrstni red je: najprej ugotoviti, kaj obstaja in od kod izvira, šele nato izbrati, kateri sistem to podpira.
Merjenje zrelosti se ne začne pri vseh podatkih, ki bi jih organizacija kadarkoli lahko poročala, temveč pri vprašanju, katere podatkovne točke so dejansko potrebne za veljavne obveznosti poročanja. Ta omejitev preprečuje, da bi merjenje prešlo v popis vsega, kar je nekje zapisano, medtem ko razlika med podatkovnimi točkami, ki jih dejansko potrebujete, in podatkovnimi točkami, ki jih naključno že zbirate, natančno določa, na kaj se mora merjenje osredotočiti. Kdor bi ta pristop raje najprej preizkusil v skupni seji, kot da bi ga samo prebral, najde zasnovo tega v opisu kaj vsebuje in prinaša podatkovni bootcamp.
Ta način merjenja je prvi korak, ne končna točka. Ko je jasno, katere podatkovne točke so slabo podprte, kdo manjka kot lastnik in katera pravila kakovosti še ne obstajajo, se pojavi vprašanje, kako to strukturno zapisati: v registru, z izvorom za vsako podatkovno točko in s pravili, ki zaznajo odstopanja, preden poročilo zapusti organizacijo. To je delo, za katerega je namenjen Data Readiness Scan podjetja csrdready.net. Skener je še v izdelavi; kdor bi s tem že zdaj rad začel, se lahko prijavi na čakalno listo.
Ko enkrat veste, katere podatkovne točke potrebujejo pozornost in kdo je zanje odgovoren, se ponuja naslednje vprašanje: koliko dela okoli tega — prepisovanje, preverjanje, združevanje virov — je delo, ki ga lahko prevzame stroj, in koliko zahteva človeško presojo. Delovni sken podjetja FTE TO AI izračuna za vsako nalogo, kolikšen delež te lahko prevzame AI, tako da ne ugibate, temveč štejete.
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.