Collecte de données ESG, qualité des données et gestion des pistes d'audit — Intelligence artificielle dans le développement durable et la gestion ESG

Gains :

Capacité à fournir une précision déterministe en structurant des données ESG dispersées et en effectuant une conversion d'unités avec un code/formule exécutable plutôt que manuellement
Possibilité de marquer les lacunes dans les données comme proxy (prédiction) sans les ajuster et de résoudre le comptage binaire et les valeurs aberrantes en revenant à la source
Possibilité de rendre les données traçables en établissant une piste d'audit qui relie chaque élément numérique à sa source

Derrière chaque rapport sur le développement durable se cache une tâche discrète mais monumentale : la collecte de données. Même une entreprise de taille moyenne collecte les factures d'électricité et de gaz naturel, les reçus de carburant, les documents de transfert de déchets, les données des employés provenant des systèmes RH, les réponses aux enquêtes des fournisseurs et les dossiers de déplacement de dizaines d'installations. La plupart de ces données sont dispersées, sous différents formats, dans différentes unités, et souvent saisies manuellement. La qualité d'un rapport vient de l'exactitude de ces données brutes, et non de son graphique le plus flashy. Dans cette unité, vous apprendrez à utiliser en toute sécurité l’intelligence artificielle (IA) pour collecter, nettoyer et gérer ces données désordonnées.

Tout d’abord, un concept : la qualité des données signifie que les données sont exactes (reflétant la vérité), complètes (complètes), cohérentes (non contradictoires), actuelles et traçables (sa source est connue). Le problème de qualité le plus courant en ESG est que les données sont intraçables plutôt qu’inexactes : il existe un chiffre, mais « d’où vient-il ? Il n’y a pas de réponse à la question. C’est exactement ce que demande l’auditeur d’assurance indépendant (l’expert externe qui vérifie le rapport). L’épine dorsale de cette unité est donc un concept unique : la piste d’audit – la chaîne d’enregistrements qui montre de quel document provient chaque problème, à quelle date et sous quelle hypothèse.

Trois problèmes typiques avec les données ESG

1. Chaos unitaire. Une installation déclare l'électricité en kWh, une autre en MWh et la troisième en GJ (gigajoules). S’ils ne sont pas tous convertis en une seule unité avant d’être ajoutés, le résultat n’a aucun sens. Puisque 1 MWh = 1 000 kWh, si l'unité est omise, une erreur de 1 000 fois se produira.

2. Lacune dans les données. La facture trimestrielle d'une propriété est manquante. L'écart est comblé soit par des données réelles, soit par une estimation clairement formulée (proxy) : par exemple, une moyenne sur des mois similaires. L’essentiel n’est pas de cacher les prévisions ; consiste à les marquer comme « données estimées » dans le rapport.

3. Double comptage et incohérence. Le même carburant est collecté deux fois s'il est comptabilisé à la fois dans le parc de véhicules et dans le groupe électrogène. L’IA aide à détecter de telles contradictions mais ne peut pas prendre la décision finale.

problème

symptôme

bonne approche

Chaos unitaire

kWh/MWh/GJ mixte

Convertissez en unité unique, effectuez la conversion avec le code

manque de données

Mois/établissement manquant

Utilisez un proxy, marquez-le comme "estimé"

compte binaire

Même stylo à deux endroits

Épingler la source à un seul point

intraçabilité

numéro d'origine inconnue

Lien vers le tableau des pistes d'audit

Astuce : Règle d'or en matière de nettoyage des données : "Ne touchez jamais aux données brutes ; travaillez sur une copie." Les factures et dossiers originaux restent inchangés ; Toutes les corrections et conversions sont effectuées dans un fichier de travail séparé, avec justification. De cette façon, l’auditeur peut toujours revenir à la vérité originelle.

Étape par étape : Sécuriser le flux de données avec l'IA

1. Collectez les données et conservez-les telles quelles. Recueillir les factures et les dossiers dans leur forme originale en un seul endroit ; c’est la « seule source de vérité ».

2. Configurez. Triez les données désordonnées dans un tableau organisé (usine, période, article, valeur, unité, source). L’IA est efficace pour intégrer du texte libre ou du contenu PDF dans ce modèle de tableau.

3. Traduisez les unités avec du code exécutable. Ne laissez pas l'IA effectuer la conversion des unités et la somme manuellement ; imprimez-le une formule de feuille de calcul ou un petit code et vous exécutez le code. Ainsi, le résultat est déterministe (le même et vérifiable à chaque fois).

4. Effectuer un contrôle qualité. Demandez-leur de signaler les valeurs aberrantes (comme la consommation d'une installation qui est soudainement multipliée par 10), les omissions et les contradictions. Mais confirmez chaque signe avec des yeux humains.

5. Établir la piste d'audit. Complétez le tableau reliant chaque élément numérique à sa source. Ce tableau constitue l'épine dorsale du rapport.

Invite faible/Invite forte

Invite faible :

Collectez ces données d’installation et indiquez la consommation totale d’énergie.

Il n'y a pas de règles d'unité, de source et d'espace ; L'IA peut parcourir et collecter différentes unités et compenser silencieusement celles manquantes.

Invite puissante :

Votre rôle : analyste de données ESG.Entrée : tableau des unités de valeur-période-installation ci-dessous.Tâche :1) Convertir toutes les valeurs énergétiques en kWh ; afficher les facteurs de conversion dans une colonne séparée.2) Faire le total MANUELLEMENT ; Écrivez une formule de feuille de calcul que je peux utiliser.3) Marquez les éléments qui semblent manquants ou nuls comme « MANQUANT — vérifiez », ne les remplissez jamais vous-même.4) Répertoriez les décomptes binaires possibles où le même élément apparaît deux fois. Sortie : table nettoyée + colonne de conversion + liste d'avertissement.

Pourquoi est-il essentiel de mettre les données dans le code ?

L'IA est un générateur de texte ; Peut faire des erreurs en collectant mentalement de longues listes de chiffres. A l’inverse, si vous lui demandez de générer une formule ou un code, il exécutera le calcul précisément dans votre environnement et obtiendra à chaque fois le même résultat. C'est la différence entre le « nombre dit par l'IA » et le « calcul contrôlable ».

Écrivez un ensemble de formules Excel/Google Sheets pour le tableau de données d'émissions suivant. Besoin : - Dans chaque ligne : valeur × facteur de conversion = kWh - Somme de tous les kWh - Ajoutez les cellules manquantes (vierges) sous forme de NOMBRE ; comptez un « compte manquant » distinct. Expliquez les formules avec des références de cellules afin que je puisse les appliquer manuellement. Structure du tableau : A = installation, B = période, C = valeur, D = unité

Attention : Portez une attention particulière aux nombres que l'IA "lit" à partir du PDF ou de l'image. Des erreurs telles que 1,100 contre 11,00 ou une confusion entre virgules (1,100 et 1,100) sont courantes lors de la lecture optique. Comparez visuellement au moins quelques exemples avec le document source.

trois mini-cases

Cas 1 — Piège unitaire. Une société holding a collecté les données énergétiques de 8 installations. 7 installations ont déclaré des kWh, 1 installation a déclaré des MWh. L'IA a fait le total en manquant les unités du premier coup et en sous-estimant cette installation d'un facteur 1000 ; Le total s’est avéré être de 3 201 MWh, alors qu’il était en réalité de 4 200 MWh. L'erreur a été détectée et corrigée par une transformation basée sur le code.

Cas 2 — Prédiction secrète. La facture de mars d'un établissement manquait. L’analyste a demandé à AI de « remplir le vide » ; AI a mis la moyenne des mois voisins mais ne l'a pas précisé. L'auditeur demande « de quelle facture provient ce numéro ? » Lorsqu'on lui a demandé, la source n'a pas pu être trouvée. Le processus a été corrigé : la prévision est clairement marquée comme « proxy — moyenne février/avril » dans le rapport.

Cas 3 — Double comptage. Dans une usine, le carburant du générateur était inscrit à la fois sous les rubriques « combustion stationnaire » et « énergie de secours ». L’IA a signalé cette répétition dans son analyse des contradictions ; » a confirmé l’analyste et le double comptage de 6 tonnes de CO₂e a été supprimé. C'était à l'analyste de marquer l'apport de l'IA et de prendre la décision.

Invites de contrôle qualité

Effectuez un contrôle de qualité sur le tableau de données ESG ci-dessous. Détectez (mais NE corrigez PAS vous-même, marquez simplement) : 1) Valeurs aberrantes (éléments qui s'écartent de plus de 50 % par rapport à la période précédente) 2) Écarts d'unité 3) Cellules vides/manquantes 4) Doublons possibles où le même élément apparaît plusieurs fois Listez chaque alerte avec une raison « pourquoi est-elle suspecte ». Tableau : [TABLE]

L'invite suivante configure un squelette de table de surveillance prêt pour l'audit.

Erreurs courantes

Modification des données brutes. Apporter des corrections sans conserver les enregistrements originaux interrompt la piste d'audit.
Demander à l'IA d'effectuer la conversion d'unité manuellement. L’addition mentale dans de longues listes est sujette aux erreurs ; Utilisez le code/formule.
Masquer les prévisions. L'utilisation de données proxy ne pose aucun problème ; Ne pas le préciser est un gros problème en matière d’audit.
Supprimer silencieusement la valeur aberrante. Doubler la consommation d'une installation peut être ou non une erreur ; Il ne peut pas être supprimé sans enquête.
Accepter aveuglément le numéro lu dans le PDF/l'image. Le contrôle des échantillons contre les erreurs de lecture optique est essentiel.

En résumé

La véritable valeur d’un rapport ESG réside dans l’exactitude et la traçabilité de ses données. IA ; Il s'agit d'une aide puissante pour structurer des données dispersées, générer des formules de conversion d'unités et marquer les valeurs aberrantes et les contradictions. Mais le plus grand risque n’est pas que les données soient erronées, mais qu’elles soient introuvables. Préservez les données brutes, effectuez la transformation dans le code, marquez clairement la prédiction et associez chaque numéro à une piste d'audit. « Le chiffre semble correct » ne suffit pas ; "Je peux retracer ce numéro jusqu'à sa source" devrait être requis.

Tâche de candidature

Préparez un petit exemple de tableau avec des données dans au moins trois unités différentes (par exemple kWh, MWh, litre) ; Laissez volontairement une ou deux cellules vides. Demandez à l'IA avec l'invite puissante ci-dessus un ensemble de formules qui convertissent ce tableau en une seule unité et une liste d'alertes de qualité. Ensuite : (1) vérifiez les facteurs de conversion, (2) vérifiez que les écarts ne sont pas comblés, (3) rédigez une petite ligne de piste d'audit pour chaque élément.

liste de contrôle

[ ] J'ai conservé les données brutes sous leur forme originale, j'ai travaillé sur la copie.
[ ] J'ai converti toutes les unités en une seule unité avec code/formule.
[ ] Je n'ai pas inventé les données manquantes ; J'ai marqué les prédictions comme "proxy".
[ ] J'ai étudié les valeurs aberrantes avant de les supprimer.
[ ] J'ai résolu les décomptes binaires possibles en accédant à la source.
[ ] J'ai vérifié visuellement les nombres lus à partir du PDF/de l'image avec un échantillon.
[ ] J'ai lié chaque élément numérique à un enregistrement de piste d'audit.