DiscoverAssessment

Dataverzoeken

Stel een gestructureerde inventarisatie van bewijsmateriaal op voor bedrijfs-, personeels-, portfolio-, financiële en technologische gegevens voordat het veldwerk begint.

Welk bewijsmateriaal bestaat al, hoe betrouwbaar is het, en wat moet de methodologie zelf genereren?
Waarom dit ertoe doet

Organisaties bezitten meer werkplekbewijs dan ze beseffen – en minder dan ze beweren. Personeelsgegevens staan bij HR, plattegronden bij FM, boekingsgegevens bij IT, kostengegevens bij Financiën, en niets is met elkaar in overeenstemming. Het vroegtijdig aanvragen van gegevens onthult wat er bestaat, wat betrouwbaar is, wat tegenstrijdig is, en wat nog verzameld moet worden. Het voorkomt de twee klassieke fouten: onderzoek laten uitvoeren dat bestaande gegevens dupliceert, en een strategie bouwen op gegevens die niemand heeft gevalideerd.

Wanneer te gebruiken
  • In de eerste twee weken van Discover, parallel aan het ontwerpen van governance
  • Voordat Diagnose-methoden worden gespecificeerd – de inventaris bepaalt welke noodzakelijk zijn
  • Bij het erven van een project met eerdere studies van onbekende kwaliteit
  • Voordat een platform-enabled methode wordt geconfigureerd, om basisgegevens vast te stellen
Wie neemt deel
  • Leider projectteam werkplek (eigenaar van het verzoek)
  • Benoemde data-eigenaren bij HR, Financiën, CRE/FM, IT en de business
  • Functionaris gegevensbescherming / privacy voor alles wat persoonsgebonden is
  • Werkplekstrateeg die definieert welke elke dataset moet beantwoorden
Inputs
  • Projectdefinitiedocument (definieert welke informatie door het bewijsmateriaal moet worden verschaft)
  • Organigram dat data-eigenaren identificeert
  • Het aanvraagsjabloon zelf: een gestructureerde inventarisatie over alle bewijscategorieën heen
Wat er gebeurt
  1. Verzend een gestructureerd verzoek met daarin: bedrijfsstrategie en groeiplannen; organisatiestructuren en personeelsbestand (huidig en geprojecteerd); HR-gegevens (verloop, werving, contracttypen); portfolio- en leasegegevens; plattegronden en gebouwinformatie; financiële en kostengegevens; bestaande onderzoeken en bezettingsstudies; boekingsgegevens; sensor- en omgevingsgegevens; technologie- en samenwerkingsgegevens; wijzigingsgeschiedenis; beleid en protocollen.
  2. Leg voor elke dataset vast: eigenaar, formaat, datum, verzamelmethode, bekende beperkingen en privacy-status.
  3. Beoordeel de kwaliteit: is het personeelsbestand FTE of personen? Zijn plattegronden as-built? Was de laatste enquête pre- of post-hybride? Weerspiegelen boekingsgegevens het gebruik of de reservering?
  4. Los inconsistenties tussen bronnen op (HR-personeelsbestand versus badgepopulatie versus financiële kostenallocaties) en documenteer onverklaarbare hiaten.
  5. Bevestig privacyvoorwaarden met de functionaris gegevensbescherming: aggregatieniveaus, toestemmingsvereisten, bewaartermijnen.
  6. Produceer de bewijsinventaris: wat bestaat en bruikbaar is, wat bestaat maar onbetrouwbaar is, wat niet bestaat – en dus welke Diagnose-methoden vereist zijn.
Waarop letten
  • Datasets die een andere vraag beantwoorden dan beweerd (boekingsgegevens gepresenteerd als bezettingsgegevens)
  • Pre-pandemisch bewijsmateriaal gepresenteerd als huidig gedrag
  • Definities van personeelsbestand die 15-30% verschillen tussen HR, IT en Financiën
  • Enquêtes met te lage of te scheef verdeelde responspercentages om te generaliseren
  • Data-eigenaren die 'hun' gegevens beschermen – een vroeg signaal van governance-frictie
Outputs
  • Bewijsinventaris met kwaliteits- en betrouwbaarheidsbeoordeling per dataset
  • Data-gapanalyse gekoppeld aan Diagnose-methoden
  • Privacy- en toestemmingsregister voor alle persoonsgerelateerde gegevens
  • Gereconcilieerde basiscijfers (personeelsbestand, capaciteit, kosten) voor latere modellering
Hoe de output wordt gebruikt

De gapanalyse bepaalt direct de scope van Diagnose: als er betrouwbare bezettingsgegevens bestaan, valideert de Occupancy Assessment deze in plaats van ze te verzamelen; als er geen gegevens over de gerapporteerde vraag bestaan, wordt de Dynamics Assessment verplicht. Basiscijfers voeden Taxonomy Spatial Benchmarking, Calibration, Sharing Ratio en elk scenario. Het privacyregister regelt alle platform-enabled methoden.

Menselijk oordeel vereist

Beslissen of een dataset goed genoeg is voor een bepaalde beslissing is een kwestie van oordeel, geen procedure. Een enquêtereactie van 40% kan volstaan voor het genereren van hypothesen en onverdedigbaar zijn voor een 'sharing ratio'. Die drempel hangt af van de beslissing die op het spel staat.

Veelgemaakte fouten
  • Het versturen van een ongespecificeerd verzoek om 'alle werkplekgegevens', wat ruis genereert in plaats van een inventaris
  • Het accepteren van datasets zonder het vastleggen van de verzamelmethode en -datum
  • Het behandelen van boekings- of badgegegevens als gedragswaarheid
  • Het overslaan van privacybeoordeling omdat de gegevens 'intern al bestaan'
  • Het nalaten van het reconciliëren van het personeelsbestand voordat er wordt gemodelleerd – elk daaropvolgend getal erft de fout
Praktijkvoorbeeld

Een organisatie in de publieke sector rapporteerde een bureau bezetting van 92% en vroeg om advies over uitbreiding. Het dataverzoek onthulde dat het cijfer afkomstig was van een boekingssysteem met uitgeschakelde automatische vrijgave: reserveringen, geen aanwezigheid. Badgegegevens suggereerden een piekaanwezigheid van bijna 55%. Het project is verschoven van uitbreiding naar een herschikking van vraag en aanbod – een conclusie die alleen op basis van de inventaris werd getrokken, voordat er veldwerk had plaatsgevonden.

45 methoden in de bibliotheek.