નફો:
- ખર્ચ અને જોખમ સ્તરના આધારે સપ્લાયર્સને પ્રાધાન્ય આપીને અને વાસ્તવિક ડેટા અને પ્રોક્સી અંદાજો વચ્ચે તફાવત કરીને સ્કોપ 3 સ્થાપિત કરવાની ક્ષમતા
- જ્યારે સપ્લાયર રિસ્ક સિગ્નલોને આર્ટિફિશિયલ ઈન્ટેલિજન્સ વડે ફ્લેગ કરે છે, ત્યારે તેમને પુરાવા તરીકે નહીં પણ 'તપાસ કરવાના સંકેતો' તરીકે ગણો.
- યોગ્ય ખંત પ્રક્રિયા દ્વારા ગંભીર માનવ અધિકાર/પર્યાવરણ દાવાઓનું સંચાલન કરવાની ક્ષમતા જેમાં ક્ષેત્ર નિરીક્ષણ અને કાનૂની પુષ્ટિ જરૂરી છે
મોટાભાગની કંપનીઓ માટે, તેમની ટકાઉપણાની અસરનો સૌથી મોટો ભાગ તેમની પોતાની ફેક્ટરીમાં નહીં પરંતુ તેમની સપ્લાય ચેઇનમાં રહેલો છે. કપડાંની બ્રાન્ડના 80 ટકાથી વધુ કાર્બન ફૂટપ્રિન્ટ તેના સપ્લાયર્સ પાસેથી આવી શકે છે, જેમાં ફેબ્રિક ઉત્પાદકોથી લઈને શિપિંગ સુધીનો સમાવેશ થાય છે. તેવી જ રીતે, સૌથી ગંભીર સામાજિક જોખમો, જેમ કે બાળ મજૂરી, બળજબરીથી મજૂરી અને પર્યાવરણીય ઉલ્લંઘનો, ઘણીવાર પુરવઠા શૃંખલામાં ઊંડે સુધી જોવા મળે છે. આ એકમમાં, તમે શીખી શકશો કે જોખમો માટે સપ્લાય ચેઇન ડેટા અને સ્ક્રીન એકત્રિત કરવા અને તેનું મૂલ્યાંકન કરવા માટે આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) નો ઉપયોગ કેવી રીતે કરવો.
ચાલો બે ખ્યાલો સ્પષ્ટ કરીએ. સ્કોપ 3, જેમ કે આપણે અગાઉના એકમમાં જોયું, તે કંપનીની મૂલ્ય સાંકળમાં પરોક્ષ ઉત્સર્જન છે અને તે સામાન્ય રીતે સૌથી મોટી પરંતુ સૌથી મુશ્કેલ વસ્તુ છે. ડ્યુ ડિલિજન્સ એ કંપનીની સપ્લાય ચેઇનમાં માનવ અધિકારો અને પર્યાવરણીય જોખમોને ઓળખવા, અટકાવવા અને સુધારવાની પ્રક્રિયા છે. EU ના CSDDD (કોર્પોરેટ સસ્ટેનેબિલિટી ડ્યુ ડિલિજન્સ ડાયરેક્ટિવ) જેવા નિયમો મોટી કંપનીઓ માટે આ ફરજિયાત બનાવે છે.
સપ્લાય ચેઇન ડેટાનો મુખ્ય પડકાર
તમે તમારી પોતાની સુવિધાનો ડેટા માપી શકો છો; પરંતુ તમે સેંકડો સપ્લાયર્સનો ડેટા સીધો માપી શકતા નથી, તમારે તેમને પૂછવું પડશે. આ ત્રણ સમસ્યાઓ બનાવે છે:
- ડેટા આવતો નથી અથવા અધૂરો છે. મોટાભાગના નાના સપ્લાયર્સ કાર્બન ડેટા રાખતા નથી.
- ડેટા અવિશ્વસનીય છે. જ્યારે સપ્લાયર સ્વ-અહેવાલ આપે છે, ત્યારે અતિશયોક્તિ અથવા ઓછા અહેવાલ હોઈ શકે છે.
- અનુમાન (પ્રોક્સી) જરૂરી છે. જો વાસ્તવિક ડેટા ઉપલબ્ધ ન હોય, તો ઉદ્યોગની સરેરાશ અથવા ખર્ચ-આધારિત અંદાજનો ઉપયોગ કરવામાં આવે છે.
આ તે છે જ્યાં AI બે રીતે મદદ કરે છે: (1) ઝડપથી સર્વેક્ષણોનો મુસદ્દો તૈયાર કરવો અને સેંકડો સપ્લાયરોને મોકલવા માટે ફોલો-અપ પત્રો, (2) છૂટાછવાયા પ્રતિસાદોની રચના કરવી અને જોખમ સંકેતોને ફ્લેગ કરવું. પરંતુ સપ્લાયર દ્વારા આપવામાં આવેલ કોઈપણ નંબરની ચકાસણી કરવામાં આવતી નથી, માનવીય સમીક્ષા વિના કોઈ જોખમ સંકેત નિષ્કર્ષ પર આવતો નથી.
સ્કોપ 3 કેટેગરી (ઉદાહરણ)
ડેટા સ્ત્રોત
લાક્ષણિક પદ્ધતિ
ખરીદેલ માલ/સેવાઓ
સપ્લાયર સર્વે / ખર્ચ
વાસ્તવિક ડેટા > પ્રોક્સી
શિપિંગ અને વિતરણ
વાહક રેકોર્ડ્સ
અંતર × ભાર × પરિબળ
વ્યવસાયિક મુસાફરી
મુસાફરી સિસ્ટમ
કિમી/ફ્લાઇટ × પરિબળ
વેચેલ ઉત્પાદનનો ઉપયોગ
ઉત્પાદન ઊર્જા ડેટા
ઉપયોગ મોડેલ
કચરો
વેસ્ટ ટ્રાન્સફર દસ્તાવેજો
જથ્થો × પરિબળ
ટીપ: સ્કોપ 3 માં, "ખર્ચ-આધારિત" અંદાજ (ખર્ચેલા $1,000 દીઠ આટલો CO₂e) એ ઝડપી શરૂઆત છે, પરંતુ એક અઘરી છે. જ્યારે સપ્લાયર વાસ્તવિક ડેટા પ્રદાન કરે છે, ત્યારે તેનો ઉપયોગ કરો; ખર્ચ-આધારિત અંદાજ માત્ર ત્યારે જ કામચલાઉ છે જો ત્યાં કોઈ વાસ્તવિક ડેટા ન હોય અને અહેવાલમાં "અંદાજ/પ્રોક્સી" તરીકે ચિહ્નિત થયેલ હોવું જોઈએ.
સ્ટેપ બાય સ્ટેપ: AI સાથે સપ્લાય ચેઈન વર્કફ્લો
1. સપ્લાયર્સને પ્રાધાન્ય આપો. તમે સમાન ઊંડાણમાં તમામ સેંકડો સપ્લાયર્સનું પરીક્ષણ કરી શકતા નથી. ઉચ્ચ ખર્ચ કદ અને જોખમ ધરાવતા લોકો પર ધ્યાન કેન્દ્રિત કરો (સેક્ટર, દેશ). AI આ પ્રાથમિકતા સાથે ડ્રાફ્ટ સૂચિ બનાવી શકે છે.
2. ડ્રાફ્ટ સર્વે અને વિનંતી. સપ્લાયર ડેટા સર્વેક્ષણ રૂપરેખા સ્પષ્ટ, સરળ-થી-ભરવા માટે AI ને પૂછો.
3. આવનારા ડેટાને ગોઠવો. એક ટેબલમાં વિવિધ ફોર્મેટમાં જવાબો મૂકો; ગુમ થયેલ ભાગોને ચિહ્નિત કરો.
4. જોખમ સંકેતો માટે સ્કેન કરો. AI ને સાર્વજનિક સમાચાર, ભંગ રેકોર્ડ અને સર્વેક્ષણ વિસંગતતાઓમાં "લાલ ધ્વજ" ઉમેદવારો શોધવા દો; પરંતુ મનુષ્ય દરેક સિગ્નલની ચકાસણી કરે છે.
5. ક્રિયા અને ધંધો. ઉચ્ચ-જોખમ સપ્લાયર્સ માટે સુધારાત્મક કાર્યવાહી અને ફોલો-અપ પ્લાન સ્થાપિત કરો; પ્રક્રિયાને દસ્તાવેજ કરો.
નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ
નબળા પ્રોમ્પ્ટ:
અમારા સપ્લાયર્સના કાર્બન ફૂટપ્રિન્ટની ગણતરી કરો.
કોઈ ડેટા સ્ત્રોત નથી, કોઈ વાસ્તવિક/પ્રોક્સી ભેદ નથી, અને કોઈ ચકાસણી નથી; AI સપ્લાયર નંબર બનાવે છે.
શક્તિશાળી પ્રોમ્પ્ટ:
તમારી ભૂમિકા: સપ્લાય ચેઇન સસ્ટેનેબિલિટી એનાલિસ્ટ. ઇનપુટ: 15 સપ્લાયર્સનાં નામ, ઉદ્યોગ, વાર્ષિક ખર્ચની રકમ અને વાસ્તવિક ઉત્સર્જન ડેટા તેઓ પ્રદાન કરે છે (જો કોઈ હોય તો). કાર્ય: 1) જેઓ વાસ્તવિક ડેટા પ્રદાન કરે છે, તે ડેટાનો ઉપયોગ કરો. 2) જેમની પાસે વાસ્તવિક ડેટા નથી, તેમના માટે "ખર્ચ-આધારિત પ્રોક્સી જરૂરી" લખો, નંબર ફીટ કરશો નહીં; સત્તાવાર સ્ત્રોતમાંથી કયું પરિબળ મેળવવું તે સ્પષ્ટ કરો.3) ઉચ્ચ ખર્ચ + ઉચ્ચ જોખમ ઉદ્યોગમાં સપ્લાયર્સને પ્રાધાન્ય આપો. આઉટપુટ: ટેબલ (સપ્લાયર | ઉદ્યોગ | ખર્ચ | ડેટા પ્રકાર[વાસ્તવિક/પ્રોક્સી] |પ્રાયોરિટી | નોંધ). રિપોર્ટમાં પ્રોક્સી નંબરો માર્ક કરવામાં આવશે.
સપ્લાયર જોખમ સ્ક્રિનિંગ માટે પ્રોમ્પ્ટ
સપ્લાયર્સની નીચેની સૂચિ માટે જોખમ સ્ક્રિનિંગ સ્કેફોલ્ડ સેટ કરો. દરેક સપ્લાયર માટે મૂલ્યાંકન કરો (માત્ર મેં પ્રદાન કરેલી માહિતીના આધારે, સાર્વજનિક દાવો ખોટો):- દેશ/ક્ષેત્ર (ઉચ્ચ/મધ્યમ/નીચું) તરફથી સંભવિત માનવાધિકાર જોખમ- સંભવિત પર્યાવરણીય જોખમ- સર્વેક્ષણ પ્રતિભાવ/લાલ ધ્વજમાં અસંગતતા નિયમ: દરેક જોખમ માટે નોંધ "ચકાસણી જરૂરી છે - કોઈ સ્ત્રોત નથી" ઉમેરો; ચોક્કસ આક્ષેપો ન કરો, માત્ર તપાસ માટે સંકેતો સૂચવો. સૂચિ: [સપ્લાયર્સ]
નીચેનો પ્રોમ્પ્ટ સપ્લાયરોને મોકલવા માટે ડેટા વિનંતી સર્વેક્ષણનો ડ્રાફ્ટ બનાવે છે.
તમારી ભૂમિકા: ટકાઉપણું સોર્સિંગ નિષ્ણાત. કાર્ય: નાના/મધ્યમ સપ્લાયર્સ સરળતાથી પૂર્ણ કરી શકે તેવા 10 થી વધુ પ્રશ્નોના ESG ડેટા સર્વેક્ષણનો મુસદ્દો તૈયાર કરો. શામેલ કરો: ઉર્જાનો વપરાશ, બળતણનો પ્રકાર, કચરો, વ્યવસાયિક સલામતી અકસ્માતોની સંખ્યા, બળજબરીપૂર્વક/બાળ મજૂરી માટે પ્રતિબદ્ધતા. સ્વર: સરળ, સ્પષ્ટ, પૂર્ણ કરવા માટે સરળ; દરેક પ્રશ્નમાં એકમો અને ઉદાહરણો ઉમેરો.
સાવધાન: AI પાસે સપ્લાયર (દા.ત. "બાળ મજૂરી") વિશે જોખમ સિગ્નલની ચકાસણી ન કરો અને પુરાવા તરીકે AI દ્વારા જનરેટ કરાયેલા દાવાનો ક્યારેય ઉપયોગ કરશો નહીં. આવા ગંભીર દાવાઓની પુષ્ટિ માત્ર વિશ્વસનીય સ્ત્રોત, ક્ષેત્ર નિરીક્ષણ અને કાનૂની પ્રક્રિયા દ્વારા કરવામાં આવે છે. AI માત્ર "તપાસ કરવાના સંકેત" ઉત્પન્ન કરે છે; ન્યાયાધીશ નથી.
ત્રણ નાના કેસો
કેસ 1 — પ્રોક્સીનો પ્રમાણિક ઉપયોગ. એક ફર્નિચર ઉત્પાદકના 200 સપ્લાયર્સમાંથી માત્ર 30 જ વાસ્તવિક કાર્બન ડેટા પ્રદાન કરે છે. ટીમે બાકીના 170 માટે ખર્ચ-આધારિત પ્રોક્સીનો ઉપયોગ કર્યો, પરંતુ અહેવાલ સ્પષ્ટપણે જણાવે છે કે, "સ્કોપ 3 નું 65% ખર્ચ-આધારિત અંદાજ છે." ઓડિટરે આ પ્રમાણિકતાનો સ્વીકાર કર્યો; જો તે છુપાવવામાં આવ્યું હોત, તો ખાતરી નકારી શકાઈ હોત.
કેસ 2 - પ્રાથમિકતા. એક ફૂડ કંપનીના 480 સપ્લાયર હતા. AI એ દર્શાવ્યું હતું કે 80% ખર્ચ 40 સપ્લાયર્સ પર કેન્દ્રિત હતો. ટીમે આ 40 પર ઊંડા ડાઇવ પર ધ્યાન કેન્દ્રિત કર્યું; સંસાધનો બગાડવામાં આવ્યા ન હતા અને સૌથી વધુ અસર સપ્લાયર્સ વાસ્તવિક ડેટા સાથે જાણ કરવામાં આવી હતી.
કેસ 3 - ખોટા આરોપનું જોખમ. AI એ સપ્લાયરને "શક્ય બળજબરીથી મજૂરી" તરીકે ધ્વજાંકિત કર્યું; કારણ માત્ર રાષ્ટ્રીય સરેરાશ હતી. ટીમે આને "તપાસ કરવાના સંકેત" તરીકે સ્વીકાર્યું, પુરાવા નહીં, અને ક્ષેત્ર નિરીક્ષણની વિનંતી કરી. નિરીક્ષણમાં કોઈ સમસ્યા મળી નથી; જો AI ના સંકેતને પુરાવા તરીકે લેવામાં આવશે, તો અયોગ્ય આરોપ અને કાનૂની જોખમ ઊભું થશે.
સામાન્ય ભૂલો
- સપ્લાયરનો ડેટા ચકાસ્યા વિના સ્વીકારવો. સ્વ-રિપોર્ટિંગ સપ્લાયર ડેટાને ક્રોસ-ચેકિંગની જરૂર છે.
- પ્રોક્સી છુપાવી. ખર્ચ-આધારિત આગાહીનો ઉપયોગ કરવો સારું છે; સ્પષ્ટ ન કરવું એ ઓડિટીંગમાં સમસ્યા છે.
- બધા સપ્લાયરો સમાન રીતે તપાસો. સોર્સિંગ દ્વારા ઊંચા ખર્ચ અને ઊંચા જોખમ સપ્લાયર્સ પર ધ્યાન કેન્દ્રિત કરવું જોઈએ.
- પુરાવા માટે AI સિગ્નલની ભૂલ કરવી. માનવ અધિકાર/પર્યાવરણીય ઉલ્લંઘનના દાવા ક્ષેત્ર અને કાયદા દ્વારા ચકાસવામાં આવે છે, AI દ્વારા નહીં.
- અવકાશ 3 ને સંપૂર્ણપણે છોડવું. સૌથી મોટી અસર સામાન્ય રીતે અહીં થાય છે; તે "માપવું મુશ્કેલ" છે તે આધાર પર તેને અવગણી શકાય નહીં.
સારાંશમાં
સપ્લાય ચેઇન એ છે જ્યાં મોટાભાગની કંપનીઓની સૌથી મોટી પર્યાવરણીય અને સામાજિક અસર છુપાવે છે; સ્કોપ 3 ઉત્સર્જન અને યોગ્ય ખંતના જોખમો અહીં કેન્દ્રિત છે. AI; તે સપ્લાયરની પ્રાથમિકતા, સર્વેક્ષણ ડ્રાફ્ટિંગ, સ્કેટર્ડ રિસ્પોન્સનું માળખું અને રિસ્ક સિગ્નલ ફ્લેગિંગમાં શક્તિશાળી સહાય છે. પરંતુ સપ્લાયર ડેટા જ્યાં સુધી ચકાસવામાં ન આવે, પ્રોક્સીઓ સ્પષ્ટપણે જણાવવામાં ન આવે અને ગંભીર આરોપોની ફિલ્ડ ઇન્સ્પેક્શન દ્વારા પુષ્ટિ ન થાય ત્યાં સુધી તેનો રિપોર્ટમાં સમાવેશ થતો નથી. AI સિગ્નલો જનરેટ કરે છે; મનુષ્ય ચુકાદો અને જવાબદારી ધારે છે.
એપ્લિકેશન કાર્ય
નામ, ઉદ્યોગ અને વાર્ષિક ખર્ચ સાથે 10 કાલ્પનિક સપ્લાયર્સની યાદી તૈયાર કરો; કેટલાકમાં વાસ્તવિક ઉત્સર્જન ડેટા ઉમેરો, મોટા ભાગનો ખાલી છોડો. ઉપરના શક્તિશાળી પ્રોમ્પ્ટ દ્વારા AI ને પ્રાથમિકતા અને ડેટા પ્રકારનું ટેબલ પૂછો. પછી: (1) ચકાસો કે પ્રોક્સીની જરૂર હોય તેવા સપ્લાયર્સની સંખ્યા બનેલી નથી, (2) 3 સર્વોચ્ચ પ્રાધાન્યતા સપ્લાયરોને વાજબીતા સાથે પસંદ કરો, (3) તેમને મોકલવા માટે ટૂંકા ડેટા સર્વેક્ષણનો મુસદ્દો તૈયાર કરો.
ચેકલિસ્ટ
- [ ] મેં ખર્ચ અને જોખમના સ્તરના આધારે સપ્લાયર્સને પ્રાધાન્ય આપ્યું છે.
- [ ] મેં વાસ્તવિક ડેટાનો ઉપયોગ કર્યો; જેની પાસે તે નથી, મેં પ્રોક્સીને ચિહ્નિત કર્યું છે.
- [ ] મેં સપ્લાયર ડેટાનું મૂલ્યાંકન કર્યું છે તે પ્રમાણે નથી, પરંતુ ક્રોસ-ચેકિંગ દ્વારા.
- [ ] મેં જોખમના સંકેતોને "તપાસ કરવા યોગ્ય" ગણ્યા અને પુરાવા તરીકે તેનો ઉપયોગ કર્યો નથી.
- [ ] મેં ગંભીર દાવાઓ માટે ફીલ્ડ ઓડિટ/કાનૂની ચકાસણી પગલાંનું આયોજન કર્યું છે.
- [ ] મેં અવકાશ 3 છોડ્યો નથી; મેં રિપોર્ટમાં અવકાશ અને અંદાજ દર જણાવ્યું છે.
- [ ] મેં આખી પ્રક્રિયાને યોગ્ય ખંતના દસ્તાવેજ સાથે રેકોર્ડ કરી છે.