En utsläppssiffra med två decimaler väcker förtroende. Men precision i visningen säger ingenting om källans tillförlitlighet. Ett kalkylblad som ligger tre manuella omskrivningar bort kan lika gärna visa två decimaler som en siffra som kommer direkt från ett validerat system. Skillnaden ligger inte i hur siffran ser ut, utan i vad som är fastställt om var den kommer ifrån och vad som är ett giltigt värde.
Skenexakthet uppstår när ett tal utstrålar mer säkerhet än den underliggande datan motiverar. Det sker inte av ond avsikt. Det sker eftersom ingen har fastställt vilka gränser en datapunkt har: vilka värden som är rimliga, vilka avvikelser som är normala och vilka som bör ge en signal. Utan dessa gränser ser varje tal lika trovärdigt ut, även det tal som är en skrivfel eller en felaktig enhet.
Frågan vad är ett giltigt värde bör därför vara besvarad för varje datapunkt, inte efteråt vid ett stickprov, utan i förväg, i det ögonblick datapunkten registreras. Ett giltigt värde är inte bara ett tal inom ett intervall. Det är också en enhet som stämmer, en period som passar och en källa som är känd.
En kvalitetsregel gör mer än att godkänna eller avvisa ett värde. Den bestämmer också när en avvikelse bör bli en signal. En energiförbrukning som ligger tjugo procent högre än föregående år kan vara ett fel, men kan också vara en verklig expansion. Regeln i sig fastställer inte vad som hänt; den fastställer att den här typen av avvikelse förtjänar bedömning innan den går vidare.
Hur ställer ni in en signalavvikelse är därmed en annan fråga än vad som är ett giltigt värde. Den ena frågan handlar om gränsen för acceptabelt, den andra om gränsen för anmärkningsvärt. Båda gränserna behövs, och båda bör fastställas per datapunkt, inte som en generell tumregel för hela rapporteringen.
En signal som ingen ser är ingen signal. Det är här många datastrukturer stannar: regeln finns, avvikelsen upptäcks, men det är inte fastställt vem som får meddelandet och vad den personen ska göra med det. Utan ägarskap per datapunkt försvinner en signal i en lista som ingen läser igenom, eller hamnar hos någon som inte känner datapunkten och därför inte kan bedöma den.
Vilka kontroller hör till en datapunkt omfattar därför inte bara regeln själv, utan även vägen: vem som är ägare, när den personen får ett meddelande, och vad som händer om personen inte reagerar. En datapunkt utan ägare är en datapunkt som ingen förutom slutanvändaren av rapporten någonsin kommer att märka gick fel, och då är det för sent att göra något åt den underliggande orsaken.
Det finns verktyg som upptäcker avvikelser och visar dashboards. Sådana verktyg är användbara när reglerna finns på plats. Men ett verktyg som körs på ett datapunktregister utan fastställda giltiga värden, utan signaldefinitioner och utan tilldelade ägare, producerar framför allt meddelanden som ingen kan tolka. Frågan köpa ett verktyg först eller organisera processen först är direkt tillämplig här: ett verktyg ovanpå en oorganiserad process förändrar problemets form, inte dess innehåll.
Detsamma gäller definitioner. Om två delar av organisationen använder olika förståelse av samma datapunkt, kommer en kvalitetsregel för den ena delen att ge en falsk signal för den andra. Vad gör ni med definitioner som skiljer sig mellan enheter, och vilket val fastställer ni bör därför vara besvarat i förväg, annars blir varje regel en kompromiss som inte passar någonstans.
Giltiga värden, signaler och ägarskap är inte något som bestäms generellt och sedan tillämpas överallt. De följer av hur en organisation faktiskt registrerar datapunkten, vem som i praktiken har åtkomst till den och vilka fel som har förekommit tidigare. Vilka funktionella krav följer av er egen process beskriver hur dessa regler härleds från den befintliga processen istället för från en generisk checklista.
Så snart det är klart vilka värden som är giltiga, vilka avvikelser som utgör en signal och vem som bedömer den signalen, uppstår också insyn i det arbete som ligger bakom den kontrollen: vem som söker upp uppgifter, vem som jämför mot tidigare perioder, vem som vidarebefordrar meddelandet. Det arbetet består av uppgifter som kan delas upp, och för en del av dem går det att avgöra om mjukvara kan ta över det. Arbetsanalysen från FTE TO AI räknar per uppgift ut hur stor del av arbetet som kan tas över av AI, utifrån samma fastställda regler och vägar som ligger till grund för datakvaliteten.
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.