En siffra i en hållbarhetsrapport är nästan aldrig samma siffra som siffran i källsystemet. Mellan det ögonblick då en medarbetare registrerar en energifaktura eller en sensor loggar en mätaravläsning, och det ögonblick då det talet hamnar i en rapporttabell, händer det något. Det omräknas, summeras, korrigeras, sammanfogas med andra källor. Source-to-report mapping innebär att dokumentera det förloppet: varje steg som datan går igenom mellan källa och rapport, i den ordning det sker.
Resultatet av en beräkning säger ingenting om dess tillförlitlighet om ingen kan rekonstruera hur det resultatet kom till. En utsläppssiffra kan vara korrekt eftersom de underliggande stegen var korrekta, eller den kan verka korrekt eftersom ett fel i ett steg av en slump kompenserade för ett fel i ett annat. Utan mapping syns inte den skillnaden. Med mapping gör den det: varje steg står för sig själv, med en egen källa, en egen bearbetning och ett eget resultat som kan kontrolleras.
Det förloppet består oftast av fler steg än man förväntar sig. Mellan rådata från källan och rapportsiffran finns ofta flera bearbetningar i följd: enheter som räknas om, värden som slås samman, undantag som korrigeras manuellt. Vilka bearbetningar som ligger mellan källa och rapport varierar per datapunkt, men uppbyggnaden är alltid densamma: en rad steg som varje för sig tillför eller förändrar något i datan, och som var för sig måste dokumenteras för att helheten ska kunna följas.
Två typer av bearbetningar förtjänar särskild uppmärksamhet, eftersom de förekommer oftast och lättast introducerar fel utan att det märks.
Den första är aggregering: sammanfogningen av siffror från flera källor eller flera perioder till ett enda tal. Den som dokumenterar exakt hur den summeringen går till, vilka poster som tas med och vilka som inte tas med, förhindrar att en rapportsiffra blir en svart låda. Hur man dokumenterar aggregering avgör om någon i efterhand kan följa hur man dokumenterar aggregering på ett sätt som förblir spårbart till de underliggande posterna.
Den andra är normalisering: härledningen av skilda källdata till en gemensam enhet eller definition, så att siffror från olika system blir jämförbara. En liter diesel och en kilowattimme el blir jämförbara först efter en omräkning, och den omräkningen innehåller antaganden. Att dokumentera hur man dokumenterar normalisering innebär att dokumentera vilka de antagandena är, så att en annan part kan följa samma antagande eller ifrågasätta det.
Det är lockande att förväxla mapping med en aktivitetslogg: en lista över vem som ändrat vad och när. Det är en del av det, men inte helheten. En granskningsspår som bara registrerar ändringar berättar inte varför en bearbetning tillämpades eller vilken regel som låg bakom. Varför ett granskningsspår är mer än en loggbok hänger samman med den fråga som varje granskare i slutändan ställer: inte bara vad som har ändrats, utan utifrån vilken logik och vilken källa.
Source-to-report mapping förväxlas ofta med programvara. Det finns verktyg som visar lineage automatiskt, men de verktygen registrerar bara det som redan levererats i strukturerad form. En organisation som fortfarande arbetar med kalkylblad och manuella överlämningar kan dokumentera förloppet lika väl, bara med andra medel: ett fast dokumentationsformat per steg, en fast plats där källfiler bevaras, ett fast sätt att notera ändringar. Hur man organiserar detta utan verktyg beskrivs under hur man skapar lineage utan verktyg. Disciplinen ligger inte i programvaran, utan i dokumentationens repeterbarhet.
Den disciplinen är extra viktig när källan i sig redan är ett kalkylblad. En cell i ett kalkylblad har inget inbyggt ursprung: ingen ser automatiskt vem som har matat in ett värde eller utifrån vilket dokument. Vad source-to-report mapping innebär om källan är ett kalkylblad är att det ursprunget måste organiseras manuellt, med samma noggrannhet som i ett automatiserat system.
I praktiken handlar mapping om en fråga som upprepas för varje datapunkt: var kommer detta värde ifrån, vad har gjorts med det innan det hamnade i rapporten, och vem har utfört eller godkänt det steget. Att ställa den frågan för hundratals datapunkter är arbetsintensivt, och just det gör det frestande att hoppa över. Men en rapport som vilar på en icke-spårbar grund förblir sårbar för frågor som ingen kan besvara i det ögonblick de ställs.
Att kartlägga dessa steg, per datapunkt och över flera källor, är repetitivt arbete med en fast struktur: identifiera källa, beskriva bearbetning, fastställa ägare, upprepa för nästa datapunkt. Arbete med en fast struktur är exakt den typ av arbete där en del kan tas över av AI. Arbetsscanen från FTE TO AI räknar ut per uppgift vilken del av det arbetet som lämpar sig för detta, så att det blir tydligt var människor fortfarande behövs för bedömning och var upprepning 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.