Det finns en fråga som ligger kvar under nästan varje hållbarhetsrapport, även efter att rapporten är publicerad: var kommer denna siffra ifrån. Inte slutsatsen, inte texten runt omkring, utan siffran själv. Vem som har matat in den, vilket system eller vilket kalkylblad som ligger bakom, och om någon fortfarande kan peka på det utan att ringa tre kollegor.
Hos många organisationer är svaret vagt. Det finns en rapport, det finns siffror, men linjen tillbaka till källan har gått förlorad någonstans på vägen. Det är inte nödvändigtvis ett tecken på slarv. Det är en följd av hur hållbarhetsdata vanligtvis uppstår: utspridd över avdelningar, system och människor som med bästa avsikt har levererat sin del, utan att det finns en enda plats där helheten samlas.
Ett datapunktregister är ingen rapport och ingen instrumentpanel. Det är en översikt: per datapunkt dokumenteras vad det är, var det kommer ifrån, vem som är ägare, och vilka regler som avgör om ett värde är giltigt. För CO2-utsläpp, energiförbrukning, personalsiffror eller kedjedata gör det tillvägagångssättsmässigt liten skillnad. Frågan är alltid densamma: finns det en identifierbar källa, och finns det någon som bär ansvar för den.
Vad registret inte gör, är att korrigera den källan. Om en siffra kommer från ett kalkylblad som ingen längre förstår helt, dokumenterar registret det faktumet. Det löser det inte. Registreringen synliggör var de svaga länkarna finns, så att en organisation kan besluta vad som behövs därefter. Det är ett blygsamt anspråk, men ett som stämmer.
Frestelsen är stor att först skaffa ett verktyg som genererar rapporter eller fyller i frågeformulär, och först senare titta på den underliggande datan. Det ger motsatt effekt. Ett verktyg som läggs ovanpå en oorganiserad process producerar snyggare rapporter om samma opålitliga siffror. Den bakomliggande frågan, om datapunkten kan spåras till en källa och en ägare, förblir då obesvarad. Skillnaden är att det efteråt ser mer övertygande ut än det är.
Därför börjar scanen vid datapunktregistret, spårbarheten (lineage) från källa till rapporteringspunkt och ägarskapsfrågan, inte vid programvara som läggs ovanpå det. Vad datamognad är och hur man mäter den är i själva verket samma fråga i en annan form: inte om det finns en rapport, utan om organisationen vet var dess siffror kommer ifrån och hur stabil den grunden är.
Det är inte så att en scan i ett svep ger en komplett bild av alla en organisations datapunkter. Den första genomgången dokumenterar vad som är känt och, lika viktigt, vad som ännu inte är känt. Vissa källor är uppenbara: en energifaktura, ett HR-system. Andra är mindre entydiga, som en uppskattning som en gång gjorts och sedan behållits som fast värde utan att någon längre vet vilket antagande den byggde på.
Scanen påstår heller inte att varje datapunkt slutligen kan göras assurance-proof inom en fast tidsram. Hur lång tid det tar beror på hur många system som är inblandade, hur många ägare som ännu måste utses och hur utspridda källorna är. En uppfattning om hur lång tid det tar att få ett ämne i ordning hjälper till att göra den bedömningen, utan att det blir ett löfte om en specifik genomloppstid.
Och scanen utgår inte från antagandet att kalkylblad är problemet. Ofta är ett kalkylblad inte mer än den plats där bristen på struktur blir synlig; frågan varför kalkylblad inte är problemet förklarar varför att byta ut verktyget sällan löser den underliggande frågan.
I praktiken är CO2 ofta det första ämnet där denna fråga ställs skarpt, helt enkelt eftersom det oftast är den mest utspridda och mest hänförda siffran i en rapportering. Det finns en anledning till varför CO2 oftast är det första ämnet att börja med, och den anledningen säger något om hur datapunkter löper genom en organisation, från mätarställning till rapporteringsrad.
Scanen som beskrivs här är under uppbyggnad. Vad som finns nu: ett sätt att se och en struktur för att ställa frågor som ännu inte ställs systematiskt av de flesta organisationer. Den som just nu har behov av detta arbetssätt kan anmäla sig till väntelistan. Det är ingen väntelista för en vag framtid, utan för ett verktyg som fortfarande färdigställs, och vi skriver hellre det ärligt än att erbjuda något som ännu inte står helt klart.
När det är klart vilka datapunkter som har en källa och vilka som inte har det, följer naturligt en annan fråga: hur mycket av arbetet med att kontrollera, uppdatera och spåra dessa källor måste egentligen utföras av människor, och hur mycket kan ett system ta över. Det är en annan fråga än den denna sida besvarar, men ett logiskt nästa steg. Arbetsscanen från FTE TO AI räknar per uppgift ut vilken del av arbetet som kan tas över av AI, och ger därmed en bild av var människor lägger tid på arbete som, när datan väl är i ordning, till stor del kan automatiseras.
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.