Ieguvumi:
- Spēja noteikt tvērumu 3, piešķirot prioritāti piegādātājiem, pamatojoties uz tēriņu un riska līmeni, un nošķirot faktiskos datus un starpnieku aplēses
- Apzīmējot piegādātāja riska signālus ar mākslīgo intelektu, uzskatiet tos par “pārbaudāmajiem signāliem”, nevis kā pierādījumu
- Spēja pārvaldīt nopietnas cilvēktiesību/vides prasības, izmantojot uzticamības pārbaudes procesu, kam nepieciešama pārbaude uz vietas un juridisks apstiprinājums
Lielākajai daļai uzņēmumu lielākā daļa no to ilgtspējības ietekmes ir nevis viņu pašu rūpnīcā, bet gan piegādes ķēdē. Vairāk nekā 80 procentus no apģērbu zīmola oglekļa pēdas var radīt tā piegādātāji, sākot no audumu ražotājiem līdz piegādei. Tāpat vissmagākie sociālie riski, piemēram, bērnu darbs, piespiedu darbs un vides pārkāpumi, bieži rodas piegādes ķēdes dziļumos. Šajā nodaļā jūs uzzināsit, kā izmantot mākslīgo intelektu (AI), lai vāktu un novērtētu piegādes ķēdes datus un pārbaudītu riskus.
Precizēsim divus jēdzienus. 3. joma, kā mēs redzējām iepriekšējā vienībā, ir netiešās emisijas uzņēmuma vērtību ķēdē un parasti ir lielākā, bet visgrūtāk izmērāmā vienība. Due diligence ir cilvēktiesību un vides risku identificēšanas, novēršanas un novēršanas process uzņēmuma piegādes ķēdē. Tādi noteikumi kā ES CSDDD (Korporatīvās ilgtspējas uzticamības pārbaudes direktīva) nosaka, ka tas ir obligāts lielajiem uzņēmumiem.
Galvenais piegādes ķēdes datu izaicinājums
Jūs varat izmērīt savas iekārtas datus; Bet nevar tieši izmērīt simtiem piegādātāju datus, jāprasa viņiem. Tas rada trīs problēmas:
- Dati netiek saņemti vai ir nepilnīgi. Lielākā daļa mazāko piegādātāju neglabā datus par oglekļa dioksīda emisijām.
- Dati ir neuzticami. Ja piegādātājs pats sniedz ziņojumus, tas var būt pārāk liels vai nepietiekams.
- Ir nepieciešams minējums (starpniekserveris). Ja faktiskie dati nav pieejami, tiek izmantots nozares vidējais vai uz izdevumiem balstīts aprēķins.
Šeit mākslīgais intelekts palīdz divos veidos: (1) ātri sagatavojot aptaujas un papildu vēstules, kas jānosūta simtiem piegādātāju, (2) strukturējot izkliedētas atbildes un atzīmējot riska signālus. Bet neviens piegādātāja norādītais numurs netiek pārbaudīts, neviens riska signāls netiek noslēgts bez cilvēka pārbaudes.
3. darbības jomas kategorija (piemērs)
Datu avots
Tipiska metode
Iegādātas preces/pakalpojumi
Piegādātāju aptauja/tēriņi
Reāli dati > starpniekserveris
Piegāde un izplatīšana
Pārvadātāju ieraksti
Attālums × slodze × koeficients
biznesa ceļojumi
ceļojumu sistēma
Km/lidojums × koeficients
Pārdotās preces izmantošana
Produkta enerģijas dati
Lietošanas modelis
atkritumi
Atkritumu nodošanas dokumenti
Daudzums × koeficients
Padoms. 3. sfērā uz tēriņiem balstīta aplēse (tik daudz CO₂e uz 1000 ASV dolāriem) ir ātrs sākums, taču aptuvens. Kad piegādātājs sniedz reālus datus, izmantojiet tos; Uz tēriņiem balstītais aprēķins ir tikai provizorisks, ja nav faktisku datu, un pārskatā tas ir jāatzīmē kā "aprēķins/starpnieks".
Soli pa solim: piegādes ķēdes darbplūsma, izmantojot AI
1. Nosakiet piegādātāju prioritātes. Jūs nevarat vienādā dziļumā pārbaudīt visus simtus piegādātāju. Koncentrējieties uz tiem, kuriem ir liels tēriņu apjoms un risks (nozare, valsts). AI var izveidot saraksta melnrakstu ar šo prioritāti.
2. Aptaujas un pieprasījuma projekts. Pieprasiet AI skaidru, viegli aizpildāmu piegādātāju datu aptaujas izklāstu.
3. Konfigurējiet ienākošos datus. Salieciet atbildes dažādos formātos vienā tabulā; Atzīmējiet trūkstošās daļas.
4. Meklēt riska signālus. Lieciet AI atrast “sarkanā karoga” kandidātus publiskajās ziņās, pārkāpumu ierakstos un aptauju neatbilstībās; Bet cilvēki pārbauda katru signālu.
5. Darbība un vajāšana. Izveidot korektīvu darbību un pēcpārbaudes plānu augsta riska piegādātājiem; Dokumentējiet procesu.
Vāja uzvedne / spēcīga uzvedne
Vāja uzvedne:
Aprēķiniet mūsu piegādātāju oglekļa pēdas nospiedumu.
Nav datu avota, nav reāla/starpniekservera atšķirības un nav verifikācijas; AI veido piegādātāju numurus.
Spēcīga uzvedne:
Jūsu loma: piegādes ķēdes ilgtspējības analītiķis. Ievade: 15 piegādātāju nosaukumi, nozare, gada izdevumu summa un faktiskie emisiju dati (ja tādi ir). Uzdevums: 1) Tiem, kas sniedz reālus datus, izmantojiet šos datus. 2) Tiem, kam nav reālu datu, rakstiet "nepieciešams uz tēriņiem balstīts PROXY", NEATTIEC numuru; norādiet, kurš faktors jāiegūst no oficiālā avota.3) Izvirziet prioritāti piegādātājiem ar lieliem izdevumiem + augsta riska nozarē.Izvade: tabula (Piegādātājs | Nozare | Tēriņi | Datu tips[faktiskais/starpniekserveris] |Prioritāte | Piezīme). Pārskatā tiks atzīmēti starpniekserveru numuri.
Pieprasīt piegādātāja riska pārbaudi
Izveidojiet riska pārbaudes sastatnes tālāk norādītajam piegādātāju sarakstam. Novērtējiet par katru piegādātāju (tikai pamatojoties uz manis sniegto informāciju, publisks apgalvojums FAKE):- Iespējamais cilvēktiesību risks no valsts/nozares (augsts/vidējs/zems)- Iespējamais vides risks- Nekonsekvence aptaujas atbildē/sarkanie karodziņiNoteikums: katram riskam pievienojiet piezīmi “nepieciešama pārbaude — nav avota”; neizvirziet galīgas apsūdzības, vienkārši iesakiet signālus, ko izmeklēt.Saraksts: [PIEGĀDĀTĀJI]
Tālāk sniegtajā uzvednē ir uzrakstīts datu pieprasījuma apsekojums, kas jānosūta piegādātājiem.
Jūsu loma: ilgtspējības avotu speciālists. Uzdevums: sastādīt ESG datu aptauju, kurā ir ne vairāk kā 10 jautājumi, kurus mazie/vidējie piegādātāji var viegli aizpildīt. Iekļauts: enerģijas patēriņš, degvielas veids, atkritumi, darba drošības negadījumu skaits, piespiedu/bērnu darba veikšana. Tonis: vienkāršs, skaidrs, viegli izpildāms; Katram jautājumam pievienojiet vienības un piemērus.
Uzmanību: nelieciet AI pārbaudīt riska signālu par piegādātāju (piemēram, "bērnu darbs") un nekad neizmantojiet AI ģenerētu apgalvojumu kā pierādījumu. Šādas kapu pretenzijas apstiprina tikai uzticams avots, lauka apskate un tiesiskais process. AI rada tikai “pārbaudāmo signālu”; netiesā.
trīs mini futrāļi
1. gadījums — godīga starpniekservera izmantošana. Tikai 30 no viena mēbeļu ražotāja 200 piegādātājiem sniedza faktiskos oglekļa datus. Komanda izmantoja uz tēriņiem balstītu starpniekserveri atlikušajiem 170, taču ziņojumā ir skaidri norādīts: "65% no 3. jomas ir uz izdevumiem balstīts aprēķins." Revidents atzina šo godīgumu; ja tas būtu slēpts, garantija varētu būt liegta.
2. gadījums — prioritāšu noteikšana. Pārtikas uzņēmumam bija 480 piegādātāju. AI parādīja, ka 80% no izdevumiem tika koncentrēti 40 piegādātājiem. Komanda koncentrējās uz šiem 40; resursi netika izšķiesti un vislielākās ietekmes piegādātāji tika ziņoti ar reāliem datiem.
3. gadījums — nepatiesas apsūdzības risks. AI atzīmēja piegādātāju kā “iespējamu piespiedu darbu”; Iemesls bija tikai valsts vidējais rādītājs. Komanda to pieņēma kā "pārbaudāmo signālu", nevis pierādījumu, un pieprasīja pārbaudi uz vietas. Pārbaudē problēmas netika konstatētas; Ja mākslīgā intelekta signāls tiktu uzskatīts par pierādījumu, rastos negodīga apsūdzība un juridisks risks.
Biežas kļūdas
- Piegādātāja datu pieņemšana bez pārbaudes. Lai piegādātāju datus sniegtu paši, ir jāveic kontrolpārbaude.
- Starpniekservera slēpšana. Ir labi izmantot uz tēriņiem balstītu prognozēšanu; Neprecizēšana ir audita problēma.
- Visu piegādātāju pārbaude vienādi. Iegūšanai jākoncentrējas uz lieliem izdevumiem un augsta riska piegādātājiem.
- AI signāla maldināšana par pierādījumu. Pretenzijas par cilvēktiesību/vides pārkāpumiem pārbauda joma un tiesību akti, nevis AI.
- Pilnībā izlaižot 3. jomu. Vislielākā ietekme parasti ir šeit; To nevar ignorēt, pamatojoties uz to, ka to ir "grūti izmērīt".
Rezumējot
Piegādes ķēdē slēpjas lielākā daļa uzņēmumu lielākā ietekme uz vidi un sociālo jomu; Šeit ir koncentrēti 3. jomas emisiju un uzticamības pārbaudes riski. AI; Tas ir spēcīgs palīgs piegādātāju prioritāšu noteikšanā, aptaujas sastādīšanā, izkliedētu atbilžu strukturēšanā un riska signālu atzīmēšanā. Bet piegādātāju dati nav iekļauti ziņojumā, kamēr tie nav pārbaudīti, pilnvarotie ir skaidri norādīti un nopietni apgalvojumi nav apstiprināti lauka pārbaudē. AI ģenerē signālus; Cilvēks uzņemas spriedumu un atbildību.
Lietojumprogrammas uzdevums
Sagatavojiet 10 fiktīvu piegādātāju sarakstu ar nosaukumu, nozari un gada izdevumiem; Pievienojiet faktisko emisiju datus dažiem, atstājiet lielāko daļu tukšu. Jautājiet AI prioritāšu un datu veida tabulu, izmantojot iepriekš minēto jaudīgo uzvedni. Pēc tam: (1) pārbaudiet, vai piegādātāju skaits, kuriem nepieciešams pilnvarnieks, nav izveidots, (2) atlasiet 3 augstākās prioritātes piegādātājus ar pamatojumu, (3) izveidojiet īsu datu aptauju, ko viņiem nosūtīt.
kontrolsaraksts
- [ ] Es noteicu piegādātāju prioritāti, pamatojoties uz tēriņiem un riska līmeni.
- [ ] Es izmantoju reālus datus; Tiem, kam tā nav, es atzīmēju starpniekserveri.
- [ ] Piegādātāju datus novērtēju nevis tādus, kādi tie ir, bet gan ar kontrolpārbaudi.
- [ ] Riska signālus uzskatīju par "pārbaudāmiem" un neizmantoju tos kā pierādījumus.
- [ ] Es plānoju uz vietas audita/juridiskās pārbaudes soli nopietnu pretenziju gadījumā.
- [ ] Es neizlaidu 3. jomu; Pārskatā es norādīju darbības jomu un aplēses līmeni.
- [ ] Es ierakstīju visu procesu ar uzticamības pārbaudes dokumentu.