Aller au contenu
Fact Crashing™ Principe 4 : Identifier, qualifier et hiérarchiser les sources de données

Identifier, qualifier et hiérarchiser les sources de données

Ceci est le sixième volet d'une série de blogs sur Fact Crashing™, l'accélération de la prise en compte des données ACTION (Ambient, Contextual, Transactional, IoT, Operational, Navigational) au profit de la résolution des litiges.

Il y a 9 principes de Crash de faits™. Jusqu'à présent, j'ai couvert: 

Principe 1 : Les données sont des preuves et sont découvrables.

Principe 2 : Les données doivent être traitées tôt

Principe 2 : Analyse approfondie

Principe 3 : Définir les problèmes de cas comme des requêtes centrées sur les données

Continuons.

À la fin de cet exercice, votre liste sera plus courte. Vous avez séparé le possible de l'impossible. Mais vous aurez probablement encore une longue liste de sources de données.

Une fois que vous commencez à considérer les problèmes de votre cas comme des demandes mesurables, il est temps d'identifier les sources potentielles de données pour répondre à ces demandes. Il s'agit d'un processus en deux étapes.

Partie 1 : Identifier les sources

Tout d'abord, vous identifiez les sources de données potentielles. Ici, il est utile d'être aussi large que possible. Plus il y a de candidats, mieux c'est.

Lorsque je donne des cours de droit sur les systèmes de données pour les avocats, nous organisons un exercice. Nous avons mis en place un scénario hypothétique, un garde-boue à deux voitures. Je demande ensuite aux élèves d'identifier des sources de données liées soit à l'état des véhicules, soit à la santé des conducteurs. Celles-ci sont évaluées avant, pendant ou après l'accident.

Nous essayons toujours de trouver au moins une source pour chaque élève de la classe. Nous n'avons jamais manqué d'atteindre ce but. La liste comprend les caméras de circulation, le WiFi de quartier, les accéléromètres pour smartphone, les systèmes OnStar, les carburateurs d'ordinateur, les abonnements à la salle de sport, les appareils portables, les bobines d'induction d'intersection et même les satellites NSA.

Satellites de la NSA ? La question à ce stade n'est pas de savoir si oui ou non vous pourriez réellement obtenir les données. C'est pour la prochaine étape. Le seul problème est d'identifier les options.

Alors deviens fou. Pensez à toutes les sources potentielles telles que :
  • Systèmes d'entreprise
  • Données personnelles
  • Données municipales
  • Utilitaires
  • Systèmes gouvernementaux
  • Systèmes d'installation
  • Transport
  • Wearables
  • Journaux des porteurs de cellules
  • Réseaux sociaux

Cette liste n'est en aucun cas complète. Mais cela vous donne une idée des divers systèmes qui peuvent contiennent des sources potentielles de données.

Partie 2 : Qualifier les sources

Si vous faisiez bien la première partie, vous auriez une longue liste de sources de données. Certains d'entre eux vont sembler évidents. Certains sembleront difficiles. Certains sembleront peu probables ou impossibles à acquérir ou à utiliser.

Lorsque nous qualifions des sources, il y a trois options. Nous pouvons les exclure purement et simplement, les identifier comme trop difficiles à acquérir ou les qualifier de trop difficiles à gérer.

À la fin de cet exercice, votre liste sera plus courte. Vous avez séparé le possible de l'impossible. Mais vous aurez probablement encore une longue liste de sources de données.

Pour les sources restantes, comme l'ajout de données ACTION aux données VERBALES, vous souhaiterez ajouter des caractéristiques mesurables à vos données. Votre liste peut être différente de la mienne, mais j'aimerais savoir certaines choses :

  • Taille
  • La source
  • But
  • Disponibilité
  • Accessibilité
  • Coût différentiel
  • Avantage supplémentaire

Une fois cette liste établie, je peux alors commencer à hiérarchiser mes sources de données…

Partie 3 : Hiérarchiser les sources

Une fois que vous avez identifié et qualifié les sources de données potentielles, hiérarchisez-les. Comparez les avantages relatifs de chaque source de données aux inconvénients relatifs. Dans quelle mesure répondra-t-il à vos problèmes ? Pouvez-vous acquérir les données ? Aura-t-il le niveau de détail dont vous avez besoin ? Combien de temps faudra-t-il pour l'obtenir ? Combien ça coûtera? Serez-vous en mesure d'admettre les résultats en preuve?

En fin de compte, il se peut qu'une seule source de données suffise pour résoudre vos problèmes. Dans certains cas, nous avons traité plus de 40 systèmes. Cela peut varier. Mais une fois que vous avez priorisé votre liste, vous êtes prêt à commencer à lire certains avantages de Fact Crashing™.

Dans un cas typique de salaire et d'heure, nous traitons :
  • Dossiers RH
  • Temps et présence
  • Paie
  • Données d'application liées à l'entreprise
  • Opérateur de téléphonie mobile
  • La messagerie texte
  • Courriels (d'entreprise et personnels)
  • Facturation
  • Expédition / Planification

Collectivement, ceux-ci peuvent être suffisants pour traiter une grande variété de problèmes d'horaires/hors horaires, de mauvaise classification, d'heures supplémentaires, de repas et de pauses. Encore une fois, votre kilométrage peut varier.

Notez ce que nous ne faisons pas, en lisant les e-mails ou les SMS. Du moins pas au départ. Parfois, ils sont examinés, mais généralement uniquement pour les classer comme professionnels ou personnels et ajouter des données ACTION. Sinon, tout est analysé en fonction de qui, quoi, quand, où, combien de temps. Et cette liste de systèmes est celle où nous nous retrouvons souvent. C'est comme si nous avions été implicitement Fact Crashing™. Il est maintenant temps de convertir ce processus implicite en un processus explicite évolutif, reproductible et améliorable.


iDS fournit des solutions de données consultatives aux entreprises et aux cabinets d'avocats du monde entier, leur donnant un avantage décisif - à la fois dans et hors de la salle d'audience. Nos experts en la matière et nos stratèges de données se spécialisent dans la recherche de solutions aux problèmes de données complexes, garantissant que les données peuvent être exploitées comme un atout et non comme un handicap.

fr_FRFR