وقتی داده‌های بد درست به نظر می‌رسند: خطر پنهان گزارش‌دهی خودکار

بزرگ‌ترین خطر گزارش‌دهی خودکار، یک عدد آشکارا اشتباه نیست. این یک عدد اشتباه است که کاملا درست به نظر می رسد.

از آنجایی که کسب‌وکارها نحوه جمع‌آوری، پردازش و گزارش اطلاعات را بیشتر خودکار می‌کنند، خطاها می‌توانند به طور فزاینده‌ای از سیستم‌ها بدون جلب توجه عبور کنند. زمانی که داده‌های مشکوک به یک گزارش داشبورد یا تابلو می‌رسند، ممکن است چندین بار دسته‌بندی، محاسبه و جمع‌آوری شده باشند، که به رقم نهایی سطحی از اعتبار می‌دهد که ورودی اصلی هرگز سزاوار آن نبود.

پاسخ این است که داده ها را خیلی زودتر در فرآیند بررسی کنید. به جای تکیه بر چک‌ها پس از تولید رقم نهایی، فناوری می‌تواند به کسب‌وکارها کمک کند تا کیفیت داده‌ها را در حین ورود به فرآیند گزارش‌دهی، قبل از اینکه یک اشتباه اولیه این شانس را داشته باشد که به یک نتیجه معتبر تبدیل شود، بررسی کنند.

ایجاد کیفیت در فرآیند

دور شدن از گزارش گیری دستی بسیاری از مشکلات را حل کرده است. اطلاعاتی که زمانی باید از صفحه‌گسترده‌ها، ایمیل‌ها و تیم‌های مختلف جمع‌آوری می‌شد، اکنون می‌تواند بسیار کارآمدتر جمع‌آوری، محاسبه و گزارش شود. این تعجب آور نیست، اما کیفیت داده های اساسی همچنان یک مانع بزرگ است. اتوماسیون تفسیر ناسازگار را حل نمی کند. اغلب می تواند آن را مقیاس کند.

در واقع، 77 درصد از شرکت‌های بریتانیایی می‌گویند داده‌ها بزرگترین چالش آنها برای استفاده مؤثر از هوش مصنوعی است. از آنجایی که اتوماسیون و هوش مصنوعی نقش بیشتری در نحوه مدیریت و تفسیر اطلاعات توسط کسب‌وکارها ایفا می‌کنند، درست کردن این مبانی مهم‌تر می‌شود.

شخصی که به صورت دستی گزارشی را جمع آوری می کند ممکن است چیزی را که غیرعادی به نظر می رسد تشخیص دهد و آن را زیر سوال ببرد. اتوماسیون بدون تأیید می‌تواند برخی از آن لحظات طبیعی بررسی را حذف کند، و اطلاعات را دقیقا طبق دستورالعمل پردازش کند، بدون اینکه لزوما تشخیص دهد که چیزی وجود ندارد، ناسازگار است یا به سادگی غیرقابل قبول است.

یک ورودی نادرست می تواند با حرکت در محاسبات بعدی حتی نادرست تر شود. اگر مقدار اشتباه وارد شده باشد، سپس با متریک یا ارزش گذاری اشتباه نگاشت شود، رقم تأثیر حاصله می تواند به طور عمده اغراق شود. گرفتن خطا در نقطه ورود مانع از ترکیب بیشتر آن در خط می شود.

چرا ارزش اجتماعی این موضوع را ثابت می کند

اندازه گیری ارزش اجتماعی مثال مفیدی ارائه می دهد. از آنجایی که سازمان ها با فشار فزاینده ای برای اثبات تأثیری که ایجاد می کنند، مواجه می شوند، کیفیت داده های پشت آن ادعاها اهمیت دارد. با این حال، در حالی که 95٪ از متخصصان ارشد پایداری داده های با کیفیت بالا را مهم می دانند، تنها 27٪ می گویند که در حال حاضر آن را دارند.

گزارش از لحاظ تاریخی نسبت به خود تحویل بلوغ کمتری داشته است. فعالیت ارزش اجتماعی می‌تواند در بخش‌های مختلف یک سازمان اتفاق بیفتد، با توجه به اینکه شاغلین به طور قابل‌توجهی بر ایجاد تأثیر در ابتدا تمرکز کرده و سپس اطلاعات پشت آن را به دست می‌آورند. نتیجه این است که سازمان ها می توانند کار واقعا ارزشمندی را انجام دهند در حالی که هنوز در تلاش برای نشان دادن دقیق آن هستند. شواهد ضعیف تأثیر لزوما شواهد تأثیر ضعیف نیست، اما از نظر خارجی، ایجاد تمایز می تواند دشوار باشد.

چالش تبدیل آن فعالیت به داده های قابل اعتماد و سازگار است. اطلاعات ممکن است به طور متفاوتی در بین تیم‌ها جمع‌آوری شده باشد، بر خلاف معیار اشتباه ثبت شده باشد، یا فاقد شواهد مورد نیاز برای اثبات آن باشد. این می تواند به این معنی باشد که یک رقم شغلی FTE به اشتباه ادعا می شود، شواهدی از دست رفته، تعاریف منسوخ شده یا فردی معیار اشتباهی را انتخاب می کند زیرا نام آن ظاهرا شبیه به درست است.

برای کسب‌وکارهای کوچک‌تر، پیمایش الزامات ارزش اجتماعی می‌تواند چالش‌برانگیز باشد، به طوری که ۷۳ درصد از شرکت‌های کوچک و متوسط ​​مشکلاتی را در تدوین تعهدات ارزش اجتماعی برای مناقصه‌های دولتی گزارش کرده‌اند. بنابراین قوی‌تر کردن گزارش‌ها نمی‌تواند صرفا به معنای افزودن پیچیدگی بیشتر باشد. فناوری باید در وهله اول گرفتن اطلاعات صحیح را آسان‌تر کند.

این به طور فزاینده ای اهمیت دارد زیرا داده های ارزش اجتماعی دارای وزن بیشتری هستند. ارقام می توانند مناقصه ها و عملکرد قرارداد را اطلاع دهند و انتظار می رود سازمان ها به طور فزاینده ای تأثیری را که ادعا می کنند ایجاد می کنند اثبات کنند. بنابراین، دریافت درست داده‌ها به مسئله اعتبار سازمانی تبدیل می‌شود، نه صرفا صحت گزارش. اگر رهبران نتوانند به شواهد پشت یک رقم اعتماد کنند، نمی توانند با اطمینان از آن برای ارزیابی عملکرد، تخصیص سرمایه گذاری یا اثبات ادعاهای خارجی استفاده کنند.

از گزارش خودکار گرفته تا اعتبارسنجی هوشمند

بنابراین، اتوماسیون بهتر چگونه به نظر می رسد؟ داده‌های تأثیر باید از ابتدا ساختارمند، تأیید و درک شوند، نه اینکه فقط به حسابرسی یا بررسی دستی در پایان برای کشف مشکلات تکیه کنند. این بدان معناست که از فناوری برای آزمایش اطلاعات در حین جمع‌آوری، قبل از اینکه خطاها در فرآیند گزارش‌دهی جاسازی شوند، استفاده کنید.

ورودی های مشکوک در نقطه ورود به مراتب راحت تر حل می شوند، در حالی که شخصی که وارد آنها می شود، هنوز زمینه را درک می کند، تا اینکه ماه ها بعد زمانی که تیم ها در تلاش برای بازسازی آنچه اتفاق افتاده است. فناوری می‌تواند با علامت‌گذاری اطلاعاتی که ناقص، ناسازگار یا غیرقابل قبول به نظر می‌رسند، قبل از اینکه در یک محاسبات گسترده‌تر جاسازی شوند، کمک کند.

ثبات در بین تیم ها نیز مهم است. ایجاد تعاریف و الزامات روشن در فرآیند گزارش‌دهی می‌تواند این فضا را برای تفسیر کاهش دهد و کمک کند تا اطمینان حاصل شود که اطلاعات به روشی یکسان در یک سازمان جمع‌آوری می‌شوند.

کسب‌وکارها همچنین باید به این فکر کنند که چه اتفاقی برای شواهد پشت یک عدد می‌افتد که در سیستم حرکت می‌کنند. رقم نهایی هنوز باید تا منبع خود قابل ردیابی باشد، بنابراین تیم ها می توانند بفهمند که از کجا آمده است، چگونه محاسبه شده است، و اگر بعدا به چالش کشیده شود، چه چیزی از آن پشتیبانی می کند. حفظ این قابلیت ردیابی با خودکار شدن مراحل بیشتری از فرآیند گزارش دهی اهمیت فزاینده ای پیدا می کند.

هیچ کدام از اینها به معنای حذف قضاوت انسان نیست. هدف استفاده از اتوماسیون برای تمرکز بر قضاوت در جایی است که بیشترین ارزش را می‌افزاید، به جای اینکه از مردم بخواهیم به صورت دستی همه چیز را بررسی کنند یا در پایان مشکلات را برطرف کنند.

اتوماسیون قبلا گزارش‌دهی را سریع‌تر و کارآمدتر کرده است. چالش بعدی این است که اطمینان حاصل شود که گزارش را قابل اعتمادتر می کند. کیفیت چک‌های تعبیه‌شده در فرآیند به همان اندازه مهم می‌شود که سرعت پردازش اطلاعات می‌شود. اعتماد به عدد نهایی باید از دانستن اینکه داده‌های پشت آن می‌توانند در برابر بررسی دقیق بایستند ناشی شود.

ما بهترین نرم افزار پایگاه داده را معرفی کرده ایم.

این مقاله به عنوان بخشی از TechRadar Pro Perspectives، کانال ما برای معرفی بهترین و باهوش ترین ذهن ها در صنعت فناوری امروز تهیه شده است.

نظرات بیان شده در اینجا نظرات نویسنده است و لزوما نظرات TechRadarPro یا Future plc نیست. اگر مایل به مشارکت هستید، اطلاعات بیشتری را در اینجا بیابید: https://www.techradar.com/pro/perspectives-how-to-submit