Datamognad är en term som ofta används för att placera en organisation på en skala: från nivå 1 till nivå 5, från ad hoc till optimerad. Dessa skalor är inte utan värde, men de antyder en precision som vanligtvis inte finns i hållbarhetsdata. En organisation är inte mogen eller omogen. Vissa datapunkter är väl underbyggda, andra hänger på ett enda kalkylblad som en enda person förstår. Att mäta datamognad innebär i praktiken: per datapunkt fastställa varifrån den kommer, vem som ansvarar för den och vad som händer om den personen inte finns.
En mognadspoäng från en extern part ger ett intryck, men ingen åtgärdslista. Om svaret är "nivå 2 av 5" vet ni fortfarande inte vilken datapunkt som är opålitlig, vilken källa som saknas eller vilken medarbetare som är den enda som vet hur en siffra tas fram. Datamognad blir bara användbar som mätinstrument när den bryts ner till nivån för enskilda datapunkter. Inte: "organisationen har en medelmåttig poäng", utan: "denna datapunkt har ingen dokumenterad källa, den datapunkten har tre som motsäger varandra."
Det finns tre frågor som förtjänar ett svar per datapunkt, och som tillsammans ger en mer realistisk bild än en totalpoäng.
Den första handlar om ursprung: varifrån kommer denna siffra, via vilka system och bearbetningar, och är den vägen dokumenterad eller bara känd av den som gjort det i flera år. Det är just här härkomsten (lineage) för en datapunkt förändrar vad en organisation kan påvisa: inte siffran i sig, utan vägen dit.
Den andra handlar om ägarskap: vem är ansvarig för denna datapunkt, och är det dokumenterat oberoende av den person som just nu råkar sköta det. Utan den dokumentationen är frågan om vem som läser er datapunktsregister om den nuvarande ägaren inte längre finns inte avsedd som retorisk, utan en verklig risk för kontinuiteten.
Den tredje handlar om kvalitet: finns det regler som signalerar ett fel innan siffran når rapporten, eller upptäcks en avvikelse först när en extern part frågar om det. Den tredje frågan berör direkt i vilken grad data är kontrollerbar för assurance: en revisor prövar inte om siffran låter rimlig, utan om underlaget håller.
Detta sätt att mäta ger inget tal som ni kan jämföra er med en annan organisation. Det säger ingenting om hur många procent av er data som är "mogen", eftersom den tröskeln är godtycklig och skiljer sig per sektor, per datapunkt och per bedömare. Det förutspår heller inte hur lång tid det tar att komma från nuvarande läge till ett bättre läge; det beror på hur många datapunkter det finns, hur många system som är inblandade och hur många personer som just nu bara har kunskapen i huvudet.
Vad mätningen faktiskt gör är att leverera en konkret översikt: denna datapunkt är i ordning, den datapunkten är inte det, och detta är exakt varför. Den översikten är mindre imponerande än en poäng på en femgradig skala, men det är det enda som ger ett handlingsperspektiv.
Antagandet att kalkylblad är problemet leder ofta till slutsatsen att ett nytt verktyg automatiskt höjer mognaden. Så är det inte. Som beskrivs i analysen av varför kalkylblad inte är kärnan av problemet, ligger sårbarheten ofta inte i filformatet utan i avsaknaden av dokumenterat ursprung och ägarskap. Ett verktyg som läggs på en oorganiserad process producerar snyggare översikter av samma opålitliga siffror. Ordningen är: först fastställa vad som finns och varifrån det kommer, sedan välja vilket system som stödjer det.
Att mäta mognad börjar inte med all data en organisation någonsin skulle kunna rapportera, utan med frågan vilka datapunkter som verkligen behövs för de rapporteringsskyldigheter som gäller. Den avgränsningen förhindrar att en mätning urartar till en inventering av allt som finns dokumenterat någonstans, medan skillnaden mellan datapunkter ni verkligen behöver och datapunkter ni råkar redan samla in exakt avgör vad mätningen bör inriktas på. Den som föredrar att gå igenom detta angreppssätt i en gemensam session snarare än att bara läsa om det, hittar upplägget i beskrivningen av vad ett databootcamp innebär och ger.
Detta sätt att mäta är det första steget, inte slutpunkten. Så snart det är klart vilka datapunkter som är svagt underbyggda, vem som saknas som ägare och vilka kvalitetsregler som ännu inte finns, uppstår frågan hur det dokumenteras strukturellt: i ett register, med härkomst (lineage) per datapunkt och med regler som signalerar avvikelser innan en rapport skickas ut. Det är det arbete som Data Readiness Scan från csrdready.net är avsett för. Skanningen är under uppbyggnad; den som redan nu vill komma igång med detta kan anmäla sig till väntelistan.
När ni väl vet vilka datapunkter som kräver uppmärksamhet och vem som är ansvarig för dem, ligger nästa fråga nära till hands: hur mycket av arbetet runt omkring detta — omskrivningen, kontrollen, sammanslagningen av källor — är arbete som en maskin kan ta över, och hur mycket kräver mänskligt omdöme. Arbetsskanningen från FTE TO AI räknar per uppgift ut hur stor del av den som kan tas över av AI, så att ni inte gissar utan räknar.
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.