När hållbarhetsdata ligger spridd över ERP-system, energifakturor, HR-filer och lösa kalkylblad, är den första reflexen ofta: vilket verktyg löser det här. Den frågan låter praktisk, men hoppar över steget som avgör om ett verktyg löser något eller bara flyttar det. Ett verktyg arbetar med det ni matar in i det. Om ingen har fastställt vilken datapunkt som kommer från vilken källa, vem som är ansvarig för den och vilka kvalitetsregler som gäller, importerar verktyget den otydligheten en till en. Skärmen blir mer överskådlig, de underliggande siffrorna inte.
Kostnaderna för att först köpa och sedan ordna är inte alltid direkt synliga, men de är förutsägbara. Ett verktyg som anskaffats innan datapunktsregistret finns, måste senare byggas om utifrån insikter som egentligen borde ha kommit i förväg: vilka fält finns det, vem levererar dem, var finns brytpunkterna i spårbarheten från källa till rapportrad. Den ombyggnaden tar tid, och under tiden fortsätter organisationen att arbeta med siffror som ingen med säkerhet kan säga exakt varifrån de kommer. På vad ett verktyg ovanpå en oorganiserad process faktiskt kostar beskrivs den mekanismen mer utförligt: det är inte en fråga om ett felaktigt val, utan om ett verktyg som tar över ett problem istället för att lösa det.
Det finns ännu en kostnadspost, som har mindre att göra med pengar och mer med förtroende. Så snart ett rapporteringsverktyg är i bruk uppstår intrycket att datasidan är ordnad. Frågor om ursprung och ägarskap ställs då inte längre, eftersom systemet verkar besvara dem. Just det är risken: en snygg rapport om siffror som ingen kan styrka när en revisor eller tillsynsmyndighet ställer följdfrågor.
Skälet till att det fungerar att först ordna processen och sedan välja ett verktyg är enkelt. Om datapunktsregistret finns på plats först — med källa, ägare och kvalitetsregel per datapunkt — vet ni redan innan anskaffningen vad ett verktyg måste klara av. Ni bedömer ett verktyg utifrån er egen situation, inte utifrån en demo som byggts upp kring ett generiskt exempel. Vilka kopplingar som behövs, vilka fält som måste vara obligatoriska, vem som får ändra vilken skärm: allt det följer av arbetet som redan gjorts innan en leverantör kom in i bilden. Mer om detta finns på sidan om vilka funktionella krav som följer av er egen process innan ni väljer ett verktyg.
Denna ordning förhindrar också ett vanligt misstag vid själva urvalet. Utan en tydlig bild av de egna dataflödena väljs ett verktyg ofta utifrån funktioner som låter imponerande, medan ingen kan pröva om de funktionerna passar det egna landskapet av system och kalkylblad. Hur den prövningen ser ut beskrivs på sidan om hur ni väljer ett verktyg utan att i efterhand ångra anskaffningen. Kärnan är alltid densamma: först veta vad ni har, sedan välja vad ni behöver till det.
Platserna där hållbarhetsdata uppstår skiljer sig kraftigt mellan branscher, och det gör det svårt att välja ett verktyg som passar överallt utan en egen inventering. Inom byggbranschen ligger relevanta siffror ofta utspridda över projektadministration, materialinköp och underentreprenörsrapporter, som beskrivs på sidan om var hållbarhetsdata i byggsektorn exakt kommer ifrån. Inom installationsbranschen ligger källorna ofta annorlunda, till exempel i servicekvitton, fordonsdata och energiförbrukning per verksamhetsställe, som beskrivs på sidan om var hållbarhetsdata i installationsbranschen finns. Den som inte kartlägger dessa källor först riskerar att välja ett verktyg som är anpassat för ett annat slags datalandskap än det egna.
Frågan om ni ska köpa ett verktyg först eller ordna processen först är i praktiken en och samma fråga som betraktas från två håll. Båda gångerna framträder samma svar: utan insyn i var datan uppstår, vem som ansvarar för den och vilka regler som bestämmer kvaliteten, är varje verktygsval en chansning. Det är precis där ett datapunktsregister med spårbarhet från källa till rapport, ägarskap och kvalitetsregler per datapunkt gör skillnad — inte som en ersättning för ett verktyg, utan som grunden som gör ett välgrundat verktygsval möjligt.
Så snart det är klart vilken data som finns och varifrån den ska komma, uppstår en följdfråga: hur mycket av arbetet med att samla in, kontrollera och strukturera den datan kan lämnas åt automatiserat stöd. Arbetsanalysen från FTE TO AI räknar per uppgift ut vilken del av den som kan tas över av AI, så att det blir tydligt var människor fortfarande behövs och var repetitivt arbete kan avlastas. Den analysen ansluter till det ögonblick då processen väl är ordnad: då blir det synligt inte bara vad som måste göras, utan även vem eller vad som gör det bäst.
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.