Vid flera affärsenheter uppstår ofta en fråga som ingen kan besvara exakt: vilka datapunkter behövs egentligen, och vilka samlas in bara för att de även efterfrågades förra året. Utan register växer frågelistan i takt med rädslan att missa något. Med ett register blir det synligt vad varje enhet faktiskt levererar, varifrån det kommer och om svaret på frågan är samma datapunkt som hos enheten intill.
Ett datapunktregister är ingen rapportmall och ingen frågelista. Det är en lista med datapunkter där varje punkt har: definitionen, enheten, källan, ägaren och den kvalitetsregel den måste uppfylla. För en organisation med flera affärsenheter innebär detta att varje datapunkt kan spåras till en konkret plats i ett konkret system, hos en konkret ansvarig person. Inte 'scope 2-utsläpp per enhet', utan 'kWh-förbrukning från faktura X, inmatad av Y, spårbar till Z'.
Frågan om vilka datapunkter som verkligen behövs går inte att besvara i ett steg. Den följer av att kombinera det som redan finns. En översikt över var en datapunkt redan finns vid flera affärsenheter visar vilken del av frågan som redan besvaras av befintliga system, och vilken del som fortfarande finns löst i kalkylblad eller inte registreras någonstans. Först när den bilden finns blir det tydligt vilka datapunkter som faktiskt behöver efterfrågas och vilka som har blivit överflödiga.
Att upprätta ett register börjar inte med ett system, utan med en lista av frågor: vilka datapunkter används just nu, av vem, och utifrån vilken källa. Det är en organisatorisk övning, inte en teknisk. Ett stegvist tillvägagångssätt för att upprätta ett datapunktregister vid flera affärsenheter beskriver hur den inventeringen vanligtvis går till: per enhet, per datapunkt, med källa och ägare angivna.
Under den inventeringen dyker två återkommande problem upp. Det första är datapunkten utan tydlig källa: en siffra som har rapporterats vidare i flera år, men som ingen längre kan peka på varifrån den kommer. Ett tillvägagångssätt för en datapunkt utan påvisbar källa vid flera affärsenheter går in på vad som då bör göras: inte bara ta över datapunkten, utan först rekonstruera källan eller markera datapunkten som opålitlig tills det är möjligt.
Det andra problemet är den dubbla datapunkten: två affärsenheter som, under andra namn och med andra enheter, levererar samma underliggande uppgift. Ett sätt att identifiera en dubbel datapunkt vid flera affärsenheter hjälper till att synliggöra detta, så att registret inte registrerar samma verklighet två gånger under två olika beteckningar.
En datapunkt i registret är först komplett när fyra saker är fastställda: definitionen är entydig, källan är påvisbar, ägaren är känd och det finns en kvalitetsregel som avgör när ett värde anses giltigt. Saknas en av dessa fyra är datapunkten ännu inte klar, oavsett hur ofta den redan har levererats.
Detta gäller lika mycket för frågan om registret som helhet är klart. Ett register är inte komplett bara därför att en lång lista med datapunkter finns med, utan därför att varje datapunkt på listan är spårbar och varje enhet vet vilken del av listan som gäller för den. Ett test för när ett register är klart vid flera affärsenheter beskriver den gränsen: inte fullständighet i antal, utan fullständighet i spårbarhet.
En användbar indikator i det sammanhanget är helt enkelt hur många av datapunkterna som redan har en källa. En mätning av hur många av era datapunkter som har en källa ger en första bild av hur långt organisationen faktiskt har kommit, oberoende av hur rapporten eller frågelistan ser ut i år.
Det är lockande att först skaffa mjukvara som samlar in, validerar och rapporterar datapunkter. Den ordningen fungerar motsatt när den underliggande processen ännu inte är organiserad: ett verktyg ovanpå en oorganiserad datainsamling ger snyggare rapporter om siffror som fortfarande inte är spårbara. Registret — vem levererar vad, från vilken källa, enligt vilken regel — bör finnas på plats först. Först då har ett verktyg något pålitligt att arbeta med.
Så snart registret finns och det per datapunkt är tydligt vem som levererar den, från vilken källa och enligt vilken regel, blir en annan fråga relevant: vilken del av den leveransprocessen kräver fortfarande mänskligt arbete, och vilken del är repetitiv nog för att lämnas till ett system. Arbetsanalysen från FTE TO AI beräknar per uppgift vilken del av arbetet som kan övertas av AI, och kan utifrån registret per datapunkt visa var manuell inmatning, kontroll eller överlämning ersätts av ett automatiserat steg.
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.