ESG ડેટા કલેક્શન, ડેટા ક્વોલિટી અને ઓડિટ ટ્રેઇલ મેનેજમેન્ટ

નફો:

• વિખરાયેલા ESG ડેટાને સંરચિત કરીને અને જાતે કરવાને બદલે એક્ઝેક્યુટેબલ કોડ/ફોર્મ્યુલા સાથે એકમ રૂપાંતરણ કરીને નિર્ધારિત ચોકસાઈ પ્રદાન કરવાની ક્ષમતા
• ડેટા ગેપને ફીટ કર્યા વિના પ્રોક્સી (અનુમાન) તરીકે ચિહ્નિત કરવાની ક્ષમતા અને સ્ત્રોત પર પાછા જઈને દ્વિસંગી ગણતરી અને આઉટલાયર્સને ઉકેલવાની ક્ષમતા
• દરેક ડિજિટલ આઇટમને તેના સ્ત્રોત સાથે જોડતી ઓડિટ ટ્રેઇલની સ્થાપના કરીને ડેટાને શોધી શકાય તેવું બનાવવાની ક્ષમતા

દરેક ટકાઉપણાના અહેવાલની નીચે એક શાંત પરંતુ સ્મારક કાર્ય છે: ડેટા સંગ્રહ. મધ્યમ કદની કંપની પણ વીજળી અને કુદરતી ગેસના બિલો, બળતણની રસીદો, કચરાના સ્થાનાંતરણ દસ્તાવેજો, એચઆર સિસ્ટમ્સમાંથી કર્મચારીઓનો ડેટા, સપ્લાયરોના સર્વેક્ષણના જવાબો અને ડઝનેક સુવિધાઓમાંથી મુસાફરીના રેકોર્ડ્સ એકત્રિત કરે છે. આમાંનો મોટાભાગનો ડેટા વેરવિખેર છે, વિવિધ ફોર્મેટમાં, વિવિધ એકમોમાં, અને ઘણી વખત મેન્યુઅલી દાખલ કરવામાં આવે છે. રિપોર્ટની ગુણવત્તા આ કાચા ડેટાની ચોકસાઈથી આવે છે, તેના સૌથી આકર્ષક ગ્રાફથી નહીં. આ એકમમાં, તમે આ અવ્યવસ્થિત ડેટાને એકત્રિત કરવા, સાફ કરવા અને મેનેજ કરવા માટે આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) નો સુરક્ષિત રીતે ઉપયોગ કેવી રીતે કરવો તે શીખી શકશો.

પ્રથમ, એક ખ્યાલ: ડેટા ગુણવત્તાનો અર્થ એ છે કે ડેટા સચોટ છે (સત્યને પ્રતિબિંબિત કરે છે), સંપૂર્ણ (સંપૂર્ણ), સુસંગત (વિરોધાભાસી નથી), સમયસર અને શોધી શકાય છે (તેનો સ્ત્રોત જાણીતો છે). ESG માં સૌથી સામાન્ય ગુણવત્તાની સમસ્યા એ છે કે ડેટા અચોક્કસ હોવાને બદલે શોધી શકાતો નથી: ત્યાં એક નંબર છે, પરંતુ "તે ક્યાંથી આવ્યો?" પ્રશ્નનો કોઈ જવાબ નથી. સ્વતંત્ર ખાતરી ઓડિટર (બાહ્ય નિષ્ણાત જે અહેવાલની ચકાસણી કરે છે) આ જ પૂછે છે. તેથી આ એકમની કરોડરજ્જુ એક જ ખ્યાલ છે: ઓડિટ ટ્રેઇલ — રેકોર્ડ્સની સાંકળ જે દર્શાવે છે કે દરેક મુદ્દો કયા દસ્તાવેજમાંથી આવ્યો, કઈ તારીખે, કઈ ધારણા હેઠળ આવ્યો.

ESG ડેટા સાથે ત્રણ લાક્ષણિક સમસ્યાઓ

1. એકમ અરાજકતા. એક સુવિધા kWh માં, બીજી MWh માં અને ત્રીજી GJ (gigajoules) માં વીજળીનો અહેવાલ આપે છે. જો તે બધા ઉમેરતા પહેલા એક એકમમાં રૂપાંતરિત ન થાય, તો પરિણામ અર્થહીન છે. 1 MWh = 1,000 kWh થી, જો એકમ અવગણવામાં આવે, તો 1000 વખત ભૂલ થશે.

2. ડેટા ગેપ. મિલકતનું ત્રિમાસિક ઇન્વૉઇસ ખૂટે છે. આ ગેપ કાં તો વાસ્તવિક ડેટાથી અથવા સ્પષ્ટ રીતે જણાવેલ અંદાજ (પ્રોક્સી) સાથે ભરવામાં આવે છે: ઉદાહરણ તરીકે, સમાન મહિનાની સરેરાશ. નિર્ણાયક બાબત એ છે કે આગાહી છુપાવવી નહીં; રિપોર્ટમાં તેને "અંદાજિત ડેટા" તરીકે ચિહ્નિત કરવાનું છે.

3. ડબલ ગણતરી અને અસંગતતા. જો તે વાહનના કાફલા અને જનરેટર બંનેમાં ગણવામાં આવે તો તે જ ઇંધણ બે વાર એકત્રિત કરવામાં આવે છે. AI આવા વિરોધાભાસને પકડવામાં મદદ કરે છે પરંતુ અંતિમ નિર્ણય લઈ શકતું નથી.

સમસ્યા

લક્ષણ

યોગ્ય અભિગમ

એકમ અંધાધૂંધી

kWh/MWh/GJ મિશ્રિત

સિંગલ યુનિટમાં કન્વર્ટ કરો, કોડ વડે કન્વર્ઝન કરો

ડેટા ગેપ

મહિનો/સુવિધા ખૂટે છે

પ્રોક્સીનો ઉપયોગ કરો, તેને "અંદાજિત" તરીકે ચિહ્નિત કરો

દ્વિસંગી ગણતરી

બે જગ્યાએ એક જ પેન

સ્ત્રોતને સિંગલ પોઈન્ટ પર પિન કરો

શોધી શકાતું નથી

અજાણ્યા મૂળની સંખ્યા

ઓડિટ ટ્રેઇલ ટેબલની લિંક

ટીપ: ડેટા ક્લિનિંગમાં સુવર્ણ નિયમ: "કાચા ડેટાને ક્યારેય સ્પર્શ કરશો નહીં; નકલ પર કામ કરો." મૂળ ઇન્વૉઇસેસ અને રેકોર્ડ્સ યથાવત રાખવામાં આવે છે; તમામ સુધારાઓ અને રૂપાંતરણો એક અલગ કાર્યકારી ફાઇલમાં વાજબીતા સાથે કરવામાં આવે છે. આ રીતે, ઓડિટર હંમેશા મૂળ સત્ય પર પાછા જઈ શકે છે.

સ્ટેપ બાય સ્ટેપ: AI સાથે ડેટા વર્કફ્લો સુરક્ષિત કરો

1. ડેટા એકત્રિત કરો અને તેને જેમ છે તેમ રાખો. ઇન્વૉઇસેસ અને રેકોર્ડ્સ તેમના મૂળ સ્વરૂપમાં એક જગ્યાએ એકત્રિત કરો; તે "સત્યનો એકમાત્ર સ્ત્રોત" છે.

2. રૂપરેખાંકિત કરો. અવ્યવસ્થિત ડેટાને સંગઠિત કોષ્ટકમાં સૉર્ટ કરો (છોડ, અવધિ, વસ્તુ, મૂલ્ય, એકમ, સ્ત્રોત). AI આ ટેબલ ટેમ્પલેટમાં ફ્રી ટેક્સ્ટ અથવા પીડીએફ કન્ટેન્ટ ફીટ કરવામાં સારું છે.

3. એક્ઝિક્યુટેબલ કોડ સાથે એકમોનો અનુવાદ કરો. AI પાસે એકમ રૂપાંતર અને સરવાળો મેન્યુઅલી ન કરો; તેને સ્પ્રેડશીટ ફોર્મ્યુલા અથવા નાનો કોડ છાપો અને તમે કોડ ચલાવો. આમ, પરિણામ નિર્ણાયક છે (દર વખતે સમાન અને ચકાસી શકાય તેવું).

4. ગુણવત્તા નિયંત્રણ કરો. તેમને ફ્લેગ આઉટલીયર (જેમ કે સુવિધાનો વપરાશ અચાનક 10 ગણો વધી જાય છે), ભૂલો અને વિરોધાભાસ જણાવો. પરંતુ માનવ આંખો સાથે દરેક ચિહ્નની પુષ્ટિ કરો.

5. ઓડિટ ટ્રેઇલની સ્થાપના કરો. દરેક સંખ્યાત્મક આઇટમને તેના સ્ત્રોત સાથે જોડતા કોષ્ટકને પૂર્ણ કરો. આ ટેબલ રિપોર્ટની કરોડરજ્જુ છે.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

આ સુવિધાનો ડેટા એકત્રિત કરો અને તમને કુલ ઉર્જા વપરાશ જણાવો.

ત્યાં કોઈ એકમ, સ્ત્રોત અને જગ્યા નિયમો નથી; AI વિવિધ એકમોને સ્કિમ કરી શકે છે અને એકત્રિત કરી શકે છે અને ગુમ થયેલ એકમો માટે શાંતિપૂર્વક મેકઅપ કરી શકે છે.

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: ESG ડેટા વિશ્લેષક. ઇનપુટ: સુવિધા-અવધિ-મૂલ્ય-યુનિટ ટેબલ નીચે. કાર્ય:1) તમામ ઊર્જા મૂલ્યોને kWh માં કન્વર્ટ કરો; અલગ કૉલમમાં રૂપાંતરણ પરિબળો બતાવો. 2) કુલ જાતે બનાવવું; એક સ્પ્રેડશીટ ફોર્મ્યુલા લખો જેનો હું ઉપયોગ કરી શકું.3) ખૂટતી અથવા શૂન્ય દેખાતી વસ્તુઓને "મિસિંગ — ચેક" તરીકે ચિહ્નિત કરો, તેને તમારામાં ક્યારેય ભરો નહીં. 4) જ્યાં એક જ આઇટમ બે વાર દેખાય ત્યાં સંભવિત દ્વિસંગી ગણતરીઓની સૂચિ બનાવો. આઉટપુટ: સાફ કરેલ ટેબલ + રૂપાંતર કૉલમ + ચેતવણી સૂચિ.

કોડમાં ડેટા મૂકવો શા માટે મહત્વપૂર્ણ છે?

AI એ ટેક્સ્ટ જનરેટર છે; માનસિક રીતે સંખ્યાઓની લાંબી સૂચિ એકત્રિત કરતી વખતે ભૂલો થઈ શકે છે. તેનાથી વિપરિત, જો તમે તેને ફોર્મ્યુલા અથવા કોડ જનરેટ કરવા માટે કહો છો, તો તે તમારા વાતાવરણમાં ચોક્કસ રીતે ગણતરી ચલાવશે અને દર વખતે સમાન પરિણામ મેળવશે. આ "એઆઈ કહે છે" અને "નિયંત્રિત ગણતરી" વચ્ચેનો તફાવત છે.

નીચેના ઉત્સર્જન ડેટા કોષ્ટક માટે Excel/Google શીટ્સ ફોર્મ્યુલાનો સમૂહ લખો. જરૂર છે:- દરેક પંક્તિમાં: મૂલ્ય × રૂપાંતરણ પરિબળ = kWh- બધા kWhs નો સરવાળો- NUMBER તરીકે ખૂટતા કોષો (ખાલી) ઉમેરો; એક અલગ "ગુમ થયેલ સંખ્યા" ગણો

સાવધાન: એઆઈ પીડીએફ અથવા ઈમેજમાંથી જે નંબરો "વાંચે છે" તેના પર વિશેષ ધ્યાન આપો. ઓપ્ટિકલ રીડિંગ દરમિયાન 1.100 vs 11.00, અથવા અલ્પવિરામ-ડોટ મૂંઝવણ (1.100 vs 1.100) જેવી ભૂલો સામાન્ય છે. સ્રોત દસ્તાવેજ સાથે ઓછામાં ઓછા થોડા ઉદાહરણોની દૃષ્ટિની તુલના કરો.

ત્રણ નાના કેસો

કેસ 1 - યુનિટ ટ્રેપ. એક હોલ્ડિંગ કંપનીએ 8 સુવિધાઓનો ઉર્જા ડેટા એકત્રિત કર્યો. 7 સુવિધાઓ kWh, 1 સુવિધા MWh નો અહેવાલ આપ્યો. AI એ પ્રથમ પ્રયાસમાં એકમોને ગુમાવીને કુલ કર્યું અને 1000 ના પરિબળ દ્વારા તે સુવિધાને ઓછી ગણાવી; કુલ 3,201 MWh હોવાનું બહાર આવ્યું, જ્યારે તે ખરેખર 4,200 MWh હતું. કોડ-આધારિત રૂપાંતરણ દ્વારા ભૂલ પકડવામાં આવી હતી અને તેને ઠીક કરવામાં આવી હતી.

કેસ 2 - ગુપ્ત આગાહી. એક સુવિધાનું માર્ચ ઇન્વોઇસ ખૂટતું હતું. વિશ્લેષકે AI ને "ખાલી જગ્યા ભરવા" કહ્યું; AI એ પડોશી મહિનાઓની સરેરાશ મૂકી પરંતુ તેનો ઉલ્લેખ કર્યો નથી. ઓડિટર પૂછે છે કે "આ નંબર કયા ઇન્વોઇસનો છે?" જ્યારે તેમને પૂછવામાં આવ્યું ત્યારે સ્ત્રોત મળી શક્યો ન હતો. પ્રક્રિયા નિશ્ચિત કરવામાં આવી છે: અહેવાલમાં આગાહી સ્પષ્ટપણે "પ્રોક્સી — ફેબ્રુઆરી/એપ્રિલ સરેરાશ" તરીકે ચિહ્નિત થયેલ છે.

કેસ 3 - ડબલ ગણતરી. ફેક્ટરીમાં, જનરેટર બળતણ "સ્થિર બર્નિંગ" અને "બેકઅપ એનર્જી" બંને વસ્તુઓ હેઠળ દાખલ કરવામાં આવ્યું હતું. AI એ તેના વિરોધાભાસ સ્કેનમાં આ પુનરાવર્તનને ફ્લેગ કર્યું છે; વિશ્લેષકે પુષ્ટિ કરી અને 6 ટન CO₂eની ડબલ ગણતરી દૂર કરવામાં આવી. AI ના યોગદાનને ચિહ્નિત કરવા અને નિર્ણય લેવાનું વિશ્લેષક પર હતું.

ગુણવત્તા નિયંત્રણ સંકેતો

નીચે આપેલા ESG ડેટા ટેબલ પર ગુણવત્તાની તપાસ કરો. શોધો (પરંતુ તેને જાતે સુધારશો નહીં, ફક્ત ચિહ્નિત કરો): 1) આઉટલિયર્સ (વસ્તુઓ જે અગાઉના સમયગાળા કરતા 50% થી વધુ વિચલિત થાય છે) 2) એકમ વિસંગતતાઓ3) ખાલી/ખુટતા કોષો4) સંભવિત ડુપ્લિકેટ્સ જ્યાં એક જ આઇટમ ઘણી વખત દેખાય છે. તે દરેક ચેતવણી સાથે સૂચિત કરો: "તેને યોગ્ય કારણસર સૂચિત કરો" [કોષ્ટક]

નીચેનો પ્રોમ્પ્ટ ઓડિટ-રેડી મોનિટરિંગ ટેબલ હાડપિંજર સેટ કરે છે.

તમારી ભૂમિકા: ESG ડેટા મેનેજર. કાર્ય: નીચેની વસ્તુઓ માટે ઓડિટ ટ્રેલ ટેબલ બનાવો. કૉલમ: આઇટમ | મૂલ્ય | એકમ | સ્ત્રોત દસ્તાવેજ પ્રકાર | દસ્તાવેજ નંબર/તારીખ | જવાબદાર | અનુમાન લગાવો (Y/N) | શું તે ચકાસાયેલ છે? દરેક લીટી પર "SOURCE REQUIRED" લખો જેનો સ્ત્રોત અજ્ઞાત છે. પેન્સિલ: [પેન્સિસ]

સામાન્ય ભૂલો

• કાચા ડેટામાં ફેરફાર. મૂળ રેકોર્ડ સાચવ્યા વિના સુધારાઓ કરવાથી ઓડિટ ટ્રેઇલ તૂટી જાય છે.
• AI પાસે યુનિટ કન્વર્ઝન મેન્યુઅલી કરવું. લાંબી સૂચિમાં માનસિક ઉમેરો ભૂલની સંભાવના છે; કોડ/ફોર્મ્યુલાનો ઉપયોગ કરો.
• આગાહી છુપાવો. પ્રોક્સી ડેટાનો ઉપયોગ કરવો કોઈ સમસ્યા નથી; તેનો ઉલ્લેખ ન કરવો એ ઓડિટીંગમાં મોટી સમસ્યા છે.
• આઉટલાયરને ચૂપચાપ કાઢી નાખવું. સુવિધાના વપરાશનું બમણું થવું એ ભૂલ હોઈ શકે કે ન પણ હોય; તપાસ કર્યા વિના તેને કાઢી ન શકાય.
• પીડીએફ/ઇમેજમાંથી વાંચેલા નંબરને આંખ બંધ કરીને સ્વીકારવું. ઓપ્ટિકલ વાંચન ભૂલો સામે નમૂના નિયંત્રણ આવશ્યક છે.

સારાંશમાં

ESG રિપોર્ટનું વાસ્તવિક મૂલ્ય તેના ડેટાની ચોકસાઈ અને ટ્રેસિબિલિટીમાં રહેલું છે. AI; તે વેરવિખેર ડેટાને સંરચિત કરવામાં, એકમ રૂપાંતરણ માટેના સૂત્રો જનરેટ કરવામાં અને આઉટલાયર અને વિરોધાભાસને ચિહ્નિત કરવામાં એક શક્તિશાળી સહાયક છે. પરંતુ સૌથી મોટું જોખમ એ નથી કે ડેટા ખોટો છે, તે એ છે કે તે શોધી શકાતો નથી. કાચો ડેટા સાચવો, કોડમાં રૂપાંતર કરો, આગાહીને સ્પષ્ટ રીતે ચિહ્નિત કરો અને દરેક નંબરને ઓડિટ ટ્રેઇલ સાથે જોડો. "નંબર યોગ્ય લાગે છે" પૂરતું નથી; "હું આ નંબરને તેના સ્ત્રોત પર શોધી શકું છું" આવશ્યક હોવું જોઈએ.

એપ્લિકેશન કાર્ય

ઓછામાં ઓછા ત્રણ અલગ અલગ એકમો (દા.ત. kWh, MWh, લિટર) માં ડેટા સાથે એક નાનું નમૂનાનું કોષ્ટક તૈયાર કરો; હેતુસર એક કે બે કોષો ખાલી છોડો. આ કોષ્ટકને એક એકમમાં રૂપાંતરિત કરતા સૂત્રોના સમૂહ અને ગુણવત્તા ચેતવણીઓની સૂચિ માટે ઉપરના શક્તિશાળી પ્રોમ્પ્ટ સાથે AI ને પૂછો. પછી: (1) રૂપાંતરણ પરિબળો તપાસો, (2) ચકાસો કે ગાબડાં નથી બન્યાં, (3) દરેક આઇટમ માટે એક નાની ઓડિટ ટ્રેઇલ લાઇન લખો.

ચેકલિસ્ટ

• [ ] મેં કાચો ડેટા તેના મૂળ સ્વરૂપમાં રાખ્યો, નકલ પર કામ કર્યું.
• [ ] મેં કોડ/સૂત્ર સાથે તમામ એકમોને એક એકમમાં રૂપાંતરિત કર્યા.
• [ ] મેં ગુમ થયેલ ડેટા બનાવ્યો નથી; મેં આગાહીઓને "પ્રોક્સી" તરીકે ચિહ્નિત કરી છે.
• [ ] મેં તેમને કાઢી નાખતા પહેલા બહારના લોકોની તપાસ કરી.
• [ ] મેં સ્ત્રોત પર જઈને સંભવિત દ્વિસંગી ગણતરીઓ ઉકેલી.
• [ ] મેં નમૂના સાથે PDF/ઇમેજમાંથી વાંચેલા નંબરોને દૃષ્ટિની રીતે ચકાસ્યા.
• [ ] મેં દરેક આંકડાકીય આઇટમને ઓડિટ ટ્રેઇલ રેકોર્ડ સાથે લિંક કરી છે.