فصل ۷. سیستم‌های جمع‌آوری داده و زیرساخت اطلاعات HSE

7.1. مقدمه

7.1.1. چرا «داده» در HSE مسئله‌ای محوری است؟

در نظام‌های مدرن HSE، مسئله فقط این نیست که چه رخ داده است؛ مسئله اصلی آن است که از کجا، چگونه و با چه کیفیتی بدانیم چه رخ داده، چرا رخ داده و چه باید کرد. این پرسش‌ها ما را به قلب فصل حاضر می‌برد: سیستم‌های جمع‌آوری داده و زیرساخت اطلاعات. اگر در فصول پیشین، درباره ارزیابی عملکرد، شاخص‌ها و فناوری‌های اندازه‌گیری سخن گفتیم، اینجا بر لایه‌ای تمرکز می‌کنیم که همه آن‌ها را به هم پیوند می‌دهد؛ یعنی سازوکار تولید، انتقال، ذخیره، تلفیق و استفاده از داده‌های HSE.

به‌نظر من، بسیاری از شکست‌های مدیریتی در HSE از کمبود داده آغاز نمی‌شود، بلکه از پراکندگی داده، ناسازگاری منابع و ضعف در تبدیل داده به اطلاعات آغاز می‌شود. سازمان‌ها گاه داده فراوان دارند، اما تصویر روشنی از وضعیت ریسک، انطباق یا اثربخشی کنترل‌ها ندارند. اینجاست که کیفیت زیرساخت اطلاعاتی از خودِ حجم داده مهم‌تر می‌شود (Davenport & Prusak, 1998; Khatib et al., 2023).

7.1.2. هدف فصل

هدف این فصل آن است که نشان دهد یک نظام HSE بالغ، بدون معماری اطلاعاتی روشن، صرفاً مجموعه‌ای از فعالیت‌های پراکنده باقی می‌ماند. بنابراین، ابتدا داده‌های HSE و منابع آن را طبقه‌بندی می‌کنیم؛ سپس به سیستم‌های جمع‌آوری داده و زیرساخت اطلاعات می‌پردازیم؛ بعد مسئله کیفیت، استانداردسازی و حکمرانی اطلاعات را بررسی می‌کنیم؛ و در نهایت، چالش‌ها و الزامات پیاده‌سازی موفق را تحلیل خواهیم کرد.

7.1.3. منطق فصل

حرکت این فصل از کلی به تخصصی است: از مفهوم داده و اطلاعات در HSE شروع می‌کنیم، به منابع و سیستم‌های جمع‌آوری می‌رسیم، سپس زیرساخت فنی و نهادی را بررسی می‌کنیم، و در پایان به حکمرانی، امنیت و چالش‌های عملیاتی می‌پردازیم. چنین ترتیبی کمک می‌کند خواننده مسیر تبدیل «رویداد» به «تصمیم» را به‌صورت نظام‌مند دنبال کند.

.

7.2. جایگاه داده و اطلاعات در معماری HSE

7.2.1. تفاوت داده، اطلاعات و دانش

در ادبیات مدیریت، داده به عناصر خام و ثبت‌نشده یا کم‌پردازش‌شده واقعیت اشاره دارد؛ اطلاعات، داده‌ای است که در زمینه‌ای معنادار قرار گرفته و تفسیرپذیر شده است؛ و دانش، فهمی است که از تحلیل اطلاعات و تجربه حرفه‌ای حاصل می‌شود (Nonaka & Takeuchi, 1995). در HSE این تمایز اهمیت مضاعف دارد، زیرا سازمان‌ها اغلب در سطح «ثبت داده» متوقف می‌شوند و به سطح «دانش قابل‌استفاده» نمی‌رسند.

برای مثال، ثبت تعداد حوادث، به‌تنهایی، اطلاعات کافی برای مدیریت نیست. این داده باید در بستر نوع فعالیت، شدت پیامد، الگوی زمانی، گروه شغلی، کنترل‌های موجود و شاخص‌های پیشرو تحلیل شود تا بتواند به تصمیم کمک کند. بنابراین، ارزش یک سیستم اطلاعاتی HSE فقط در جمع‌آوری نیست، بلکه در زمینه‌مند کردن داده‌هاست (Reason, 1997).

7.2.2. داده به‌عنوان زیرساخت تصمیم‌گیری

در سازمان‌های بالغ، داده‌های HSE صرفاً برای گزارش‌گری دوره‌ای استفاده نمی‌شوند؛ بلکه به‌عنوان ورودی تصمیم‌گیری در سطوح عملیاتی، تاکتیکی و راهبردی به‌کار می‌روند. این داده‌ها می‌توانند در تعیین اولویت‌های بازرسی، طراحی آموزش، تخصیص منابع، مدیریت تغییر، نگهداشت پیشگیرانه و ارزیابی ریسک نقش داشته باشند (Patterson et al., 2017).

در همین جا باید تأکید کنم که ارزش داده، بدون اتصال به فرایند تصمیم، کاهش می‌یابد. داده‌ای که فقط بایگانی می‌شود، یک دارایی بالقوه است نه بالفعل. به همین دلیل، معماری HSE باید از ابتدا به‌گونه‌ای طراحی شود که داده‌ها از «ثبت رویداد» تا «اقدام اصلاحی» قابل ردیابی باشند.

7.2.3. معماری اطلاعاتی HSE

معماری اطلاعاتی HSE مجموعه‌ای از اجزا و روابط است که چگونگی گردآوری، ذخیره، پردازش، اشتراک‌گذاری و استفاده از داده‌ها را تعریف می‌کند. این معماری معمولاً شامل لایه‌های زیر است:

• لایه تولید داده: بازرسی، گزارش حادثه، حسگر، نمونه‌برداری، ممیزی، پایش زیست‌محیطی
• لایه انتقال و تجمیع: شبکه، API، یکپارچه‌سازها، ETL
• لایه ذخیره‌سازی: پایگاه داده، انباره داده، مخزن ابری
• لایه پردازش و تحلیل: BI، آمار، مدل‌سازی، هوش مصنوعی
• لایه ارائه و تصمیم: داشبورد، گزارش، هشدار، توصیه مدیریتی

چنانچه این لایه‌ها به‌صورت منسجم طراحی نشوند، سازمان با «جزیره‌های داده» مواجه خواهد شد؛ یعنی واحدهای مختلف، اطلاعات جداگانه و ناهماهنگ تولید می‌کنند و در نتیجه تصویر واحدی از عملکرد HSE شکل نمی‌گیرد. این مسئله در پژوهش‌های تحول دیجیتال نیز بارها تأیید شده است (Kane et al., 2015; Vial, 2019).

.

7.3. منابع و انواع داده‌های HSE

7.3.1. داده‌های ایمنی

داده‌های ایمنی شامل اطلاعات مربوط به حوادث، شبه‌حوادث، رفتارهای ناایمن، شرایط ناایمن، بازرسی‌های ایمنی، مجوزهای کار، رویدادهای بحرانی، توقف‌های اضطراری و عملکرد کنترل‌های مهندسی است. این داده‌ها معمولاً از ترکیب گزارش‌های انسانی و ابزارهای فناورانه به‌دست می‌آیند. در سازمان‌های پیشرفته، داده‌های ایمنی همچنین شامل داده‌های رفتاری و زمینه‌ای هستند؛ مانند خستگی، تراکم کاری، ساعات اضافه‌کاری و فشار عملیاتی (Health and Safety Executive, 2023).

7.3.2. داده‌های بهداشت حرفه‌ای

در بهداشت حرفه‌ای، داده‌ها معمولاً به مواجهه‌های شیمیایی، فیزیکی، ارگونومیک و روان‌اجتماعی مربوط می‌شوند. نمونه‌برداری از هوا، پایش نویز، سنجش ارتعاش، ارزیابی گرما، داده‌های بیولوژیک و اطلاعات پزشکی-شغلی در این گروه قرار می‌گیرند. نکته مهم آن است که داده‌های بهداشت حرفه‌ای اغلب فردمحور هستند و بنابراین حساسیت بیشتری نسبت به محرمانگی و حکمرانی دارند (NIOSH, 2022).

7.3.3. داده‌های محیط‌زیستی

داده‌های محیط‌زیستی شامل انتشار آلاینده‌ها، پسماند، مصرف آب و انرژی، کیفیت هوا، کیفیت پساب، نشت‌ها، ردپای کربن، داده‌های تنوع زیستی و شاخص‌های انطباق با مجوزهای محیط‌زیستی است. این داده‌ها معمولاً از سامانه‌های پایش مستمر، نمونه‌برداری‌های آزمایشگاهی، داده‌های ماهواره‌ای و گزارش‌های عملیات به‌دست می‌آیند (UNEP, 2023).

7.3.4. داده‌های زمینه‌ای و مدیریتی

بسیاری از تحلیل‌های HSE بدون داده‌های زمینه‌ای ناقص می‌مانند. داده‌های زمینه‌ای شامل شیفت کاری، ترکیب نیروی انسانی، وضعیت آموزش، تجربه کاری، تغییرات فرایندی، تعمیرات، توقف تولید، پیمانکاران، شرایط آب‌وهوایی و تغییرات طراحی است. این داده‌ها کمک می‌کنند رخدادها صرفاً به‌عنوان حادثه یا انحراف دیده نشوند، بلکه در زمینه واقعی خود فهم شوند.

7.3.5. داده‌های کیفی و کمی

داده‌های HSE فقط کمی نیستند. گزارش‌های رویداد، روایت‌های میدانی، مصاحبه‌های ایمنی، نتایج ممیزی، تحلیل علل ریشه‌ای و مشاهدات کارشناسی، داده‌های کیفی مهمی هستند که بدون آن‌ها تصویر سازمانی ناقص می‌شود. بسیاری از خطاهای سیستمی در HSE دقیقاً از این‌جا ناشی می‌شوند که سازمان فقط اعداد را می‌بیند و تجربه زیسته کارکنان را نادیده می‌گیرد (Dekker, 2014).

.

7.4. سیستم‌های جمع‌آوری داده در HSE

7.4.1. جمع‌آوری داده دستی و نیمه‌دیجیتال

در بسیاری از سازمان‌ها، به‌ویژه در صنایع کوچک و متوسط، بخشی از داده‌های HSE هنوز به‌صورت دستی یا نیمه‌دیجیتال جمع‌آوری می‌شود. فرم‌های کاغذی، چک‌لیست‌های میدانی، ثبت‌های اکسل و گزارش‌های ایمیلی از این نوع‌اند. این روش‌ها در شرایطی که زیرساخت دیجیتال ضعیف است، هنوز کارکرد دارند؛ اما مشکلاتی مانند خطای ورود، تأخیر، دوباره‌کاری، دشواری جست‌وجو و ناتوانی در تحلیل یکپارچه را به‌همراه دارند (ISO, 2023).

7.4.2. سامانه‌های مبتنی بر وب و موبایل

یکی از تحولات مهم، استفاده از سامانه‌های مبتنی بر وب و موبایل برای ثبت رخدادها، بازرسی‌ها و مشاهدات HSE است. این سامانه‌ها امکان ثبت سریع، بارگذاری تصویر، تعیین موقعیت، زمان‌سنجی و پیگیری اقدامات اصلاحی را فراهم می‌کنند. مزیت اصلی آن‌ها در دسترس‌پذیری و سرعت است. با این حال، اگر طراحی رابط کاربری ضعیف باشد یا کاربران آموزش کافی نبینند، همین ابزارها به بار اضافی اداری تبدیل می‌شوند.

7.4.3. حسگرها، تلماتری و پایش خودکار

در بسیاری از محیط‌های پرخطر، جمع‌آوری داده از طریق حسگرها و تلماتری، از ثبت انسانی دقیق‌تر و قابل‌اعتمادتر است. حسگرهای محیطی می‌توانند داده‌ها را بدون مداخله مستقیم انسان ثبت کنند و در برخی موارد هشدار زودهنگام نیز بدهند. استفاده از این فناوری‌ها در صنایع فرایندی، معادن، تأسیسات انرژی و پروژه‌های عمرانی رو به افزایش است (Xu et al., 2022).

اما باید به یک نکته توجه کرد: داده خودکار لزوماً داده بهتر نیست. اگر حسگر در جای نامناسب نصب شده باشد، یا منطق نمونه‌برداری با فرایند واقعی هم‌خوانی نداشته باشد، خروجی آن می‌تواند گمراه‌کننده باشد. به بیان دیگر، خودکارسازی جایگزین طراحی خوب نمی‌شود.

7.4.4. سیستم‌های گزارش‌دهی رخداد و شبه‌رخداد

یکی از کلیدی‌ترین منابع داده در HSE، سامانه‌های گزارش‌دهی رخداد، حادثه، شبه‌حادثه و مشاهده ناایمن است. در سازمان‌های بالغ، این سامانه‌ها نه‌تنها برای ثبت حادثه، بلکه برای تقویت یادگیری سازمانی به‌کار می‌روند. وجود یک محیط امن برای گزارش، به‌ویژه در حوزه‌های حساس، اهمیت دارد؛ زیرا اگر کارکنان احساس کنند گزارش‌دهی پیامد تنبیهی دارد، داده‌ها ناقص و سوگیرانه خواهند شد (Leveson, 2011).

7.4.5. ممیزی‌ها و بازدیدهای ساختاریافته

ممیزی و بازرسی همچنان یکی از مهم‌ترین کانال‌های جمع‌آوری داده در HSE هستند. تفاوت آن‌ها با ثبت‌های عادی در ساختارمندی، قابلیت مقایسه و پیگیری است. داده‌های حاصل از ممیزی‌ها می‌توانند تصویر خوبی از انطباق سیستم، ضعف کنترل‌ها و الگوهای تکرارشونده بدهند. در اینجا، نرم‌افزارهای ممیزی و اپلیکیشن‌های بازرسی، در صورتی که درست طراحی شوند، باعث افزایش یکنواختی و کاهش خطای انسانی می‌شوند.

.

7.5. زیرساخت اطلاعات: از پایگاه داده تا پلتفرم یکپارچه

7.5.1. پایگاه داده و انباره داده

پایگاه داده، هسته ذخیره‌سازی اطلاعات در HSE است. اما برای تحلیل‌های چندمنظوره و تاریخی، معمولاً انباره داده (data warehouse) یا در برخی موارد مخزن داده (data lake) نیز لازم می‌شود. پایگاه داده برای ثبت ساخت‌یافته داده‌های جاری مناسب است؛ انباره داده برای تحلیل‌های روندی و مقایسه‌ای؛ و مخزن داده برای ذخیره‌سازی داده‌های نیمه‌ساخت‌یافته و حجیم، مانند تصویر، ویدئو یا فایل‌های حسگری (Kimball & Ross, 2013).

انتخاب میان این گزینه‌ها باید بر اساس نیاز تحلیلی، حجم داده، سرعت پردازش و سطح بلوغ سازمانی صورت گیرد. بسیاری از پروژه‌ها به این دلیل دچار مشکل می‌شوند که معماری ذخیره‌سازی آن‌ها با نوع داده‌ها و اهداف تحلیلی سازگار نیست.

7.5.2. یکپارچه‌سازی سامانه‌ها

در سازمان‌های پیچیده، داده‌های HSE معمولاً در سامانه‌های مختلف پراکنده‌اند: سیستم منابع انسانی، نگهداشت، تولید، آموزش، آزمایشگاه، محیط‌زیست، مدیریت دارایی و ERP. اگر این داده‌ها با یکدیگر یکپارچه نشوند، تحلیل علّی و تصمیم‌گیری کل‌نگر دشوار می‌شود. یکپارچه‌سازی می‌تواند از طریق API، ETL، استانداردهای تبادل داده و پلتفرم‌های میانی انجام شود (DAMA International, 2017).

نکته مهم آن است که یکپارچه‌سازی صرفاً اتصال فنی نیست؛ نیازمند هم‌تعریفی مفهومی نیز هست. مثلاً «حادثه» در یک سامانه ممکن است با «رویداد» در سامانه دیگر هم‌معنا نباشد. اگر این تعاریف هم‌راستا نشوند، داده‌ها در ظاهر متصل‌اند اما در عمل قابل‌مقایسه نیستند.

7.5.3. داشبوردها، درگاه‌ها و گزارش‌سازی

زیرساخت اطلاعات فقط به ذخیره‌سازی مربوط نیست؛ نمایش نیز بخشی از آن است. داشبوردهای HSE، درگاه‌های مدیریتی و سیستم‌های گزارش‌سازی باید بتوانند سطح مناسب جزئیات را برای هر مخاطب فراهم کنند. مدیر ارشد به خلاصه راهبردی نیاز دارد، کارشناس HSE به جزئیات، و سرپرست عملیاتی به هشدارهای لحظه‌ای و اقدام‌محور.

در این زمینه، طراحی اطلاعاتی ضعیف ممکن است به «خستگی هشدار» یا «اشباع داشبورد» منجر شود. بنابراین، اصل کمینه‌گرایی معنادار در طراحی اهمیت دارد: فقط آن‌قدر اطلاعات نمایش داده شود که به تصمیم کمک کند، نه آن‌قدر که تصمیم را مبهم سازد (Few, 2013).

.

7.6. کیفیت داده، استانداردسازی و حکمرانی اطلاعات

7.6.1. ابعاد کیفیت داده

کیفیت داده در HSE معمولاً در ابعادی مانند دقت، کامل‌بودن، بهنگام‌بودن، سازگاری، اعتبار، قابلیت ردیابی و قابلیت تفسیر بررسی می‌شود. داده‌ای که به‌موقع نباشد، برای اقدام فوری بی‌فایده است؛ داده‌ای که ناقص باشد، تحلیل را منحرف می‌کند؛ و داده‌ای که بدون فراداده مناسب ذخیره شده باشد، در آینده کم‌ارزش می‌شود (Redman, 2018).

7.6.2. استانداردسازی تعاریف و کدها

یکی از مشکلات مزمن در داده‌های HSE، ناهماهنگی در تعاریف است. برای مثال، «حادثه»، «شبه‌حادثه»، «نزدیک‌به‌حادثه»، «عدم انطباق»، «اقدام اصلاحی» یا «خطر باقیمانده» ممکن است در واحدهای مختلف به‌صورت متفاوتی فهم و ثبت شوند. این مسئله موجب ضعف در مقایسه و تحلیل می‌شود. استانداردسازی مفاهیم، کدها، طبقه‌بندی‌ها و فرایندهای ثبت، پیش‌شرط هر نوع تحلیل معتبر است (ISO, 2023).

7.6.3. حکمرانی داده و مالکیت اطلاعات

حکمرانی داده به مجموعه سیاست‌ها، نقش‌ها، مسئولیت‌ها و فرآیندهایی گفته می‌شود که تضمین می‌کنند داده‌ها به‌صورت منسجم، ایمن و قابل اعتماد مدیریت شوند. در HSE، حکمرانی داده باید مشخص کند چه کسی مالک داده است، چه کسی می‌تواند آن را ویرایش کند، چه کسانی به آن دسترسی دارند، داده‌ها تا چه مدت نگهداری می‌شوند و چگونه از آن‌ها نسخه پشتیبان گرفته می‌شود.

این موضوع در سازمان‌های بزرگ و چندپیمانکاری اهمیت ویژه‌ای دارد، زیرا اگر مالکیت و مسئولیت روشن نباشد، داده‌ها به‌سرعت دچار پراکندگی و تعارض می‌شوند. DAMA International (2017) تأکید می‌کند که حکمرانی داده بدون ساختار روشن تصمیم‌گیری، در عمل پایدار نمی‌ماند.

7.6.4. اعتبارسنجی و ممیزی داده

سازمان‌ها باید داده‌های HSE را به‌طور منظم ممیزی و اعتبارسنجی کنند. مقایسه داده‌های ثبت‌شده با منابع مرجع، بررسی داده‌های پرت، شناسایی داده‌های مفقود و ارزیابی الگوهای ثبت غیرعادی، از ابزارهای مهم این کار است. بدون اعتبارسنجی، ممکن است سیستم اطلاعاتی از نظر ظاهری منظم باشد اما در واقع خطاهای ساختاری را بازتولید کند.

.

7.7. ادغام داده‌های HSE با عملیات، نگهداشت و پایداری

7.7.1. همگرایی با داده‌های عملیاتی

داده‌های HSE زمانی بیشترین ارزش را دارند که با داده‌های عملیاتی پیوند بخورند. رخدادهای ایمنی، نوسانات فرایندی، توقف تجهیزات، کیفیت محصول و تغییرات بار کاری، اغلب به‌هم مرتبط‌اند. تحلیل جداگانه این حوزه‌ها، بسیاری از ریشه‌های سیستمی را پنهان می‌کند. در صنایع فرایندی، ادغام HSE با داده‌های عملیات می‌تواند به شناسایی زودهنگام انحراف‌ها و تنظیم بهتر کنترل‌ها کمک کند (Khan et al., 2021).

7.7.2. ارتباط با نگهداشت پیشگیرانه و قابلیت اطمینان

بخش مهمی از داده‌های HSE با نگهداشت و قابلیت اطمینان تجهیزات پیوند دارد. خرابی تجهیزات، نشتی، لرزش، دمای غیرعادی و توقف‌های ناگهانی می‌توانند هم از منظر ایمنی و هم از منظر عملکرد عملیاتی مهم باشند. بنابراین، سامانه‌های HSE و نگهداشت نباید به‌صورت جداگانه طراحی شوند. ادغام این دو حوزه، به‌ویژه در دارایی‌های بحرانی، از اولویت‌های مدیریت دارایی است (ISO 55000 framework; see also Moubray, 1997).

7.7.3. پیوند با پایداری و گزارش‌گری ESG

در سال‌های اخیر، مرز میان HSE و پایداری سازمانی نیز پررنگ‌تر شده است. داده‌های زیست‌محیطی، انرژی، آب، کربن، ضایعات و انطباق، نه‌تنها برای عملکرد HSE، بلکه برای گزارش‌گری ESG و پاسخ‌گویی به ذی‌نفعان اهمیت دارند. به همین دلیل، شرکت‌های بزرگ صنعتی به‌تدریج پلتفرم‌های یکپارچه اطلاعات پایداری را توسعه داده‌اند (Shell plc, 2023; UNEP, 2023).

با این حال، باید دقت کرد که همگرایی با ESG نباید به تضعیف دقت فنی HSE منجر شود. داده‌های پایداری اگر صرفاً برای گزارش بیرونی جمع‌آوری شوند و در کنترل داخلی به‌کار نروند، از نقش اصلی خود فاصله می‌گیرند.

.

7.8. امنیت، محرمانگی و ملاحظات اخلاقی

7.8.1. امنیت سایبری داده‌های HSE

با افزایش دیجیتالی‌شدن HSE، امنیت سایبری دیگر یک موضوع حاشیه‌ای نیست. نفوذ به سامانه‌های اطلاعاتی، دستکاری داده‌ها، حذف گزارش‌ها یا اختلال در هشدارها می‌تواند پیامدهای مستقیم ایمنی داشته باشد. از این‌رو، کنترل دسترسی، ثبت رویدادهای سیستمی، رمزنگاری، نسخه‌پشتیبان و سیاست‌های بازیابی، بخشی جدایی‌ناپذیر از زیرساخت اطلاعات HSE‌اند (NIST, 2024).

7.8.2. محرمانگی و حریم خصوصی کارکنان

داده‌های HSE گاه شامل اطلاعات بسیار حساس‌اند: داده‌های پزشکی، داده‌های فیزیولوژیک، موقعیت مکانی، الگوهای رفتاری و جزئیات رویدادهای فردی. استفاده از این داده‌ها نیازمند چارچوب اخلاقی روشن است. کارکنان باید بدانند داده برای چه هدفی جمع‌آوری می‌شود، چه کسانی به آن دسترسی دارند، چگونه محافظت می‌شود و تا چه حد امکان استفاده ثانویه دارد. نبود شفافیت در این زمینه می‌تواند اعتماد سازمانی را به‌شدت کاهش دهد (ILO, 2025).

7.8.3. عدالت اطلاعاتی

یکی از ابعاد کمتر دیده‌شده، عدالت اطلاعاتی است. اگر داده‌ها فقط از برخی گروه‌ها جمع‌آوری شوند یا دسترسی به تحلیل‌ها فقط در اختیار برخی واحدها باشد، تصمیم‌گیری ممکن است به‌طور ناعادلانه‌ای توزیع شود. بنابراین، زیرساخت اطلاعات HSE باید هم از نظر فنی و هم از نظر عدالت سازمانی طراحی شود.

.

7.9. چالش‌های پیاده‌سازی و عوامل موفقیت

7.9.1. مقاومت سازمانی

حتی بهترین سیستم اطلاعاتی نیز ممکن است با مقاومت کارکنان یا مدیران مواجه شود. این مقاومت گاه ناشی از ترس از کنترل، افزایش بار اداری، یا بی‌اعتمادی به کارکرد سیستم است. برای غلبه بر این مقاومت، مشارکت کاربران نهایی در طراحی، آموزش کافی و نشان دادن ارزش عملی سیستم ضروری است (Vial, 2019).

7.9.2. نبود بلوغ داده‌ای

بسیاری از سازمان‌ها از نظر فناوری آماده‌اند، اما از نظر بلوغ داده‌ای نه. یعنی هنوز تعریف داده، نقش‌ها، جریان‌ها و قواعد کیفیت به‌خوبی تثبیت نشده است. در چنین وضعی، خرید نرم‌افزار جدید مسئله را حل نمی‌کند؛ بلکه پیچیدگی را بیشتر می‌کند. بنابراین، پیش از دیجیتال‌سازی پیشرفته، باید بلوغ فرایندی و داده‌ای سازمان سنجیده شود.

7.9.3. آموزش و شایستگی تحلیلی

کار با سیستم‌های اطلاعاتی HSE فقط نیازمند مهارت فنی نیست؛ نیازمند سواد داده‌ای نیز هست. کارشناسان HSE باید بتوانند داده را بخوانند، محدودیت آن را بفهمند، خطاهای محتمل را تشخیص دهند و نتایج را در بستر عملیاتی تفسیر کنند. بدون این شایستگی، داده بسیار تولید می‌شود اما بینش اندک خواهد بود (Provost & Fawcett, 2013).

7.9.4. پایداری و نگهداشت سامانه

سیستم اطلاعاتی، همانند هر دارایی دیگر، نیازمند نگهداشت است. به‌روزرسانی نرم‌افزار، امنیت، سازگاری سخت‌افزار، پشتیبانی، مستندسازی و مدیریت تغییر از عوامل دوام سامانه‌اند. در نبود این مراقبت‌ها، حتی پروژه‌های موفق نیز به‌تدریج فرسوده می‌شوند.

.

7.10. جمع‌بندی تحلیلی

7.10.1. از ثبت رویداد تا هوشمندی سازمانی

نکته اصلی این فصل آن است که سیستم‌های جمع‌آوری داده و زیرساخت اطلاعات، زیربنای واقعی ارزیابی و پایش HSE هستند. سازمانی که داده را صرفاً برای گزارش‌دهی جمع می‌کند، هنوز وارد مرحله یادگیری نشده است. در مقابل، سازمانی که داده را در معماری منسجم، استاندارد، امن و تحلیلی سامان می‌دهد، می‌تواند به هوشمندی سازمانی نزدیک شود.

7.10.2. کیفیت مهم‌تر از کثرت

در HSE، داده بیشتر الزاماً به معنای فهم بیشتر نیست. گاهی داده کمتر اما دقیق‌تر، استانداردتر و قابل‌اعتمادتر، ارزش مدیریتی بیشتری دارد. بنابراین، هدف نباید انباشت داده باشد، بلکه باید تولید داده معتبر و قابل‌استفاده باشد.

7.10.3. پیام نهایی

اگر بخواهم جمع‌بندی را در یک جمله بیان کنم، می‌گویم: HSE بدون زیرساخت اطلاعاتی، فقط مجموعه‌ای از نیت‌های خوب است؛ اما HSE با داده‌های درست، معماری مناسب و حکمرانی مسئولانه، به یک نظام یادگیرنده و پیش‌نگر تبدیل می‌شود. این همان نقطه‌ای است که ارزیابی عملکرد از گزارش‌گری صرف فراتر می‌رود و به ابزار واقعی تصمیم‌سازی بدل می‌شود.

.

منابع

DAMA International. (2017). DAMA-DMBOK: Data management body of knowledge (2nd ed.). Technics Publications

Davenport, T. H., & Prusak, L. (1998). Working knowledge: How organizations manage what they know. Harvard Business School Press

Dekker, S. (2014). The field guide to understanding human error (3rd ed.). Ashgate

Few, S. (2013). Information dashboard design: The effective visual communication of data (2nd ed.). Analytics Press

Health and Safety Executive. (2023). Health and safety performance measurement: Guidance for organizations. HSE Books

International Organization for Standardization. (2023). ISO 45001:2018 occupational health and safety management systems — Requirements with guidance for use. ISO

Kane, G. C., Palmer, D., Phillips, A. N., Kiron, D., & Buckley, N. (2015). Strategy, not technology, drives digital transformation. MIT Sloan Management Review and Deloitte University Press

Khatib, S., Stedmon, A., & Salmon, P. M. (2023). Digital transformation in safety-critical industries: A socio-technical systems perspective. Safety Science, 161, 106046. https://doi.org/10.1016/j.ssci.2022.106046

Kimball, R., & Ross, M. (2013). The data warehouse toolkit: The definitive guide to dimensional modeling (3rd ed.). Wiley

Leveson, N. (2011). Engineering a safer world: Systems thinking applied to safety. MIT Press

Moubray, J. (1997). Reliability-centered maintenance (2nd ed.). Butterworth-Heinemann

.

National Institute for Occupational Safety and Health. (2022). Occupational exposure assessment and data systems: Guidance for modern practice. CDC/NIOSH

NIST. (2024). The NIST cybersecurity framework (CSF) 2.0. National Institute of Standards and Technology

Nonaka, I., & Takeuchi, H. (1995). The knowledge-creating company. Oxford University Press

Patterson, E. S., Cook, R. I., Render, M. L., & Woods, D. D. (2017). Systems in healthcare: The hazards of data fragmentation and the need for integrated safety management. CRC Press

Provost, F., & Fawcett, T. (2013). Data science for business. O’Reilly Media

Redman, T. C. (2018). If your data are bad, your decisions are bad. Harvard Business Review Press

Reason, J. (1997). Managing the risks of organizational accidents. Ashgate

Shell plc. (2023). Sustainability report 2023. Shell

UNEP. (2023). Environmental data, indicators, and digital monitoring in sustainability transitions. United Nations Environment Programme

Vial, G. (2019). Understanding digital transformation: A review and a research agenda. The Journal of Strategic Information Systems, 28(2), 118–144. https://doi.org/10.1016/j.jsis.2019.01.003

Xu, L. D., Xu, E. L., & Li, L. (2022). Industry 4.0: State of the art and future trends. International Journal of Production Research, 60(16), 4792–4828. https://doi.org/10.1080/00207543.2021.1930479