Zbieranie danych ESG, jakość danych i zarządzanie ścieżką audytu — Sztuczna inteligencja w zarządzaniu zrównoważonym rozwojem i ESG

Zyski:

Możliwość zapewnienia deterministycznej dokładności poprzez strukturyzowanie rozproszonych danych ESG i przeprowadzanie konwersji jednostek za pomocą wykonywalnego kodu/formuły, a nie ręcznie
Możliwość oznaczania luk w danych jako zastępczych (prognozowania) bez ich dopasowywania oraz rozwiązywania obliczeń binarnych i wartości odstających poprzez powrót do źródła
Możliwość zapewnienia identyfikowalności danych poprzez ustanowienie ścieżki audytu, która łączy każdy element cyfrowy z jego źródłem

Pod każdym raportem dotyczącym zrównoważonego rozwoju kryje się ciche, ale monumentalne zadanie: gromadzenie danych. Nawet średniej wielkości firma zbiera rachunki za prąd i gaz ziemny, rachunki za paliwo, dokumenty przekazania odpadów, dane pracowników z systemów HR, odpowiedzi na ankiety od dostawców i dokumentację podróży z kilkudziesięciu obiektów. Większość tych danych jest rozproszona, w różnych formatach, w różnych jednostkach i często wprowadzana ręcznie. Jakość raportu wynika z dokładności tych surowych danych, a nie z jego najbardziej błyskotliwego wykresu. W tym module dowiesz się, jak bezpiecznie wykorzystywać sztuczną inteligencję (AI) do gromadzenia, czyszczenia i zarządzania niechlujnymi danymi.

Po pierwsze, koncepcja: jakość danych oznacza, że dane są dokładne (odzwierciedlają prawdę), kompletne (kompletne), spójne (nie sprzeczne), aktualne i możliwe do prześledzenia (znane jest ich źródło). Najczęstszym problemem związanym z jakością w ESG jest to, że dane są raczej niemożliwe do wyśledzenia niż niedokładne: jest liczba, ale „skąd ona się wzięła?” Nie ma odpowiedzi na pytanie. O to właśnie pyta niezależny audytor atestacyjny (ekspert zewnętrzny weryfikujący raport). Zatem podstawą tej jednostki jest pojedyncza koncepcja: ścieżka audytu — łańcuch zapisów pokazujący, z jakiego dokumentu pochodzi każdy problem, kiedy i przy jakich założeniach.

Trzy typowe problemy z danymi ESG

1. Chaos jednostkowy. Jeden zakład podaje energię elektryczną w kWh, inny w MWh, a trzeci w GJ (gigadżulach). Jeśli przed dodaniem nie zostaną one wszystkie przeliczone na jedną jednostkę, wynik będzie bez znaczenia. Ponieważ 1 MWh = 1000 kWh, jeśli jednostka zostanie pominięta, wystąpi błąd 1000-krotny.

2. Luka w danych. Brak kwartalnej faktury za nieruchomość. Lukę uzupełniają albo rzeczywiste dane, albo jasno określony szacunek (proxy): np. średnia z podobnych miesięcy. Najważniejsze jest, aby nie ukrywać prognozy; jest oznaczenie ich w raporcie jako „dane szacunkowe”.

3. Podwójne liczenie i niespójność. To samo paliwo jest odbierane dwukrotnie, jeśli jest liczone zarówno we flocie pojazdów, jak i w generatorze. Sztuczna inteligencja pomaga wyłapać takie sprzeczności, ale nie może podjąć ostatecznej decyzji.

problemu

objaw

właściwe podejście

Jednostkowy chaos

kWh/MWh/GJ mieszane

Konwertuj na pojedynczą jednostkę, wykonaj konwersję za pomocą kodu

luka w danych

Brak miesiąca/obiektu

Użyj serwera proxy, oznacz go jako „szacowany”

liczba binarna

Ten sam długopis w dwóch miejscach

Przypnij źródło do jednego punktu

niewykrywalność

liczba niewiadomego pochodzenia

Link do tabeli ścieżki audytu

Wskazówka: Złota zasada czyszczenia danych: „Nigdy nie dotykaj surowych danych; pracuj na kopii”. Oryginały faktur i zapisów pozostają niezmienione; Wszelkie poprawki i konwersje dokonywane są w osobnym pliku roboczym, wraz z uzasadnieniem. W ten sposób audytor zawsze może wrócić do pierwotnej prawdy.

Krok po kroku: Bezpieczny przepływ danych dzięki sztucznej inteligencji

1. Zbierz dane i zachowaj je bez zmian. Gromadź faktury i dokumentację w ich oryginalnej formie w jednym miejscu; jest to „jedyne źródło prawdy”.

2. Skonfiguruj. Sortuj niechlujne dane w zorganizowanej tabeli (roślina, okres, pozycja, wartość, jednostka, źródło). Sztuczna inteligencja dobrze radzi sobie z dopasowywaniem dowolnego tekstu lub treści PDF do tego szablonu tabeli.

3. Przetłumacz jednostki za pomocą kodu wykonywalnego. Nie każ AI przeprowadzać ręcznego przeliczania i sumowania jednostek; wydrukuj formułę arkusza kalkulacyjnego lub mały kod i uruchom kod. Zatem wynik jest deterministyczny (taki sam i sprawdzalny za każdym razem).

4. Przeprowadź kontrolę jakości. Niech zgłaszają przypadki odstające (takie jak nagle 10-krotny wzrost zużycia energii w obiekcie), pominięcia i sprzeczności. Ale potwierdź każdy znak ludzkimi oczami.

5. Ustal ścieżkę audytu. Uzupełnij tabelę, łącząc każdą pozycję liczbową z jej źródłem. Tabela ta stanowi podstawę raportu.

Słaba zachęta/silna zachęta

Słaba zachęta:

Zbierz dane tego obiektu i podaj całkowite zużycie energii.

Nie ma żadnych zasad dotyczących jednostek, źródeł i przestrzeni; Sztuczna inteligencja może przeglądać i zbierać różne jednostki oraz po cichu uzupełniać brakujące.

Potężny monit:

Twoja rola: Analityk danych ESG. Dane wejściowe: tabela jednostek wartości obiektu i okresu poniżej. Zadanie: 1) Przelicz wszystkie wartości energii na kWh; pokaż współczynniki przeliczeniowe w osobnej kolumnie.2) Dokonywanie sumy RĘCZNIE; Napisz formułę arkusza kalkulacyjnego, której będę mógł użyć.3) Oznacz elementy, których brakuje lub których brakuje, zaznacz jako „BRAK — sprawdź”. Nigdy nie wypełniaj ich samodzielnie.4) Wypisz możliwe liczniki binarne, gdy ten sam element pojawia się dwukrotnie. Wynik: wyczyszczona tabela + kolumna konwersji + lista ostrzeżeń.

Dlaczego umieszczanie danych w kodzie jest tak ważne?

AI to generator tekstu; Może popełniać błędy, gromadząc w myślach długie listy liczb. I odwrotnie, jeśli poprosisz go o wygenerowanie formuły lub kodu, przeprowadzi obliczenia dokładnie w Twoim środowisku i za każdym razem uzyska ten sam wynik. Oto różnica między „liczbą, którą podaje sztuczna inteligencja” a „kontrolowanymi obliczeniami”.

Napisz zestaw formuł Excel/Arkusze Google dla poniższej tabeli danych dotyczących emisji. Potrzeba: – W każdym wierszu: wartość × współczynnik konwersji = kWh – Suma wszystkich kWh – Dodaj brakujące komórki (puste) jako LICZBĘ; policz osobny „brakujący licznik”Wyjaśnij formuły odniesieniami do komórek, abym mógł je zastosować ręcznie.Struktura tabeli: A=obiekt, B=kropka, C=wartość, D=jednostka

Uwaga: zwróć szczególną uwagę na liczby, które sztuczna inteligencja „odczytuje” z pliku PDF lub obrazu. Błędy takie jak 1,100 w porównaniu z 11,00 lub pomieszanie przecinków (1,100 w porównaniu z 1,100) są częste podczas odczytu optycznego. Porównaj wizualnie przynajmniej kilka przykładów z dokumentem źródłowym.

trzy mini etui

Przypadek 1 — Pułapka na jednostki. Spółka holdingowa zebrała dane dotyczące energii z 8 obiektów. 7 obiektów zgłosiło kWh, 1 obiekt zgłosił MWh. Sztuczna inteligencja osiągnęła sumę, pomijając jednostki przy pierwszej próbie i zaniżając liczbę obiektów 1000 razy; Całość wyniosła 3201 MWh, podczas gdy w rzeczywistości było to 4200 MWh. Błąd został wychwycony i naprawiony przez transformację opartą na kodzie.

Przypadek 2 — Tajne przewidywanie. Brakowało faktury za marzec dla jednego obiektu. Analityk powiedział AI, aby „wypełniła lukę”; AI podała średnią z sąsiednich miesięcy, ale jej nie określiła. Audytor pyta „z której faktury pochodzi ten numer?” Na pytanie nie udało się znaleźć źródła. Proces został poprawiony: prognoza jest wyraźnie oznaczona w raporcie jako „zastępcza – średnia z lutego/kwietnia”.

Przypadek 3 – Podwójne liczenie. W fabryce paliwo generatorowe wpisano zarówno w pozycjach „spalanie stacjonarne”, jak i „energia rezerwowa”. Sztuczna inteligencja oznaczyła to powtórzenie w swoim skanie sprzeczności; analityk potwierdził i usunięto podwójne liczenie 6 ton CO₂e. Ocena wkładu sztucznej inteligencji i podjęcie decyzji należało do analityka.

Monity kontroli jakości

Wykonaj kontrolę jakości w poniższej tabeli danych ESG. Wykryj (ale NIE poprawiaj tego samodzielnie, po prostu zaznacz): 1) Wartości odstające (pozycje, które odbiegają o więcej niż 50% od poprzedniego okresu) 2) Rozbieżności w jednostkach 3) Puste/brakujące komórki 4) Możliwe duplikaty, gdy ten sam element pojawia się wiele razy Wymień każdy alert z powodem „dlaczego jest podejrzany”. Tabela: [TABELA]

Poniższy monit konfiguruje szkielet tabeli monitorowania gotowy do audytu.

Typowe błędy

Modyfikowanie surowych danych. Dokonywanie poprawek bez zachowania oryginalnych zapisów zakłóca ścieżkę audytu.
Zlecanie sztucznej inteligencji ręcznej konwersji jednostek. Dodawanie mentalne na długich listach jest podatne na błędy; Użyj kodu/formuły.
Ukryj prognozę. Korzystanie z danych proxy nie stanowi problemu; Nieokreślenie tego jest dużym problemem podczas audytu.
Ciche usuwanie wartości odstającej. Podwojenie zużycia w obiekcie może być błędem lub nie; Nie można go usunąć bez sprawdzenia.
Ślepo akceptując numer odczytany z pliku PDF/obrazu. Niezbędna jest kontrola próbki pod kątem optycznych błędów odczytu.

Podsumowując

Prawdziwa wartość raportu ESG leży w dokładności i identyfikowalności zawartych w nim danych. sztuczna inteligencja; Jest to potężna pomoc w strukturyzowaniu rozproszonych danych, generowaniu formuł do konwersji jednostek oraz zaznaczaniu wartości odstających i sprzeczności. Jednak największym ryzykiem nie jest to, że dane są błędne, ale to, że nie da się ich wyśledzić. Zachowaj surowe dane, wykonaj transformację w kodzie, wyraźnie zaznacz przewidywanie i powiąż każdą liczbę ze ścieżką audytu. „Liczba wygląda dobrze” nie wystarczy; Powinno być wymagane: „Mogę prześledzić ten numer aż do jego źródła”.

Zadanie aplikacji

Przygotuj małą przykładową tabelę zawierającą dane w co najmniej trzech różnych jednostkach (np. kWh, MWh, litr); Celowo zostaw jedną lub dwie komórki puste. Poproś sztuczną inteligencję za pomocą powyższego potężnego monitu o zestaw formuł, które przekonwertują tę tabelę na jedną jednostkę oraz listę alertów dotyczących jakości. Następnie: (1) sprawdź współczynniki konwersji, (2) sprawdź, czy nie uzupełniono luk, (3) napisz krótką ścieżkę audytu dla każdej pozycji.

lista kontrolna

[ ] Surowe dane zachowałem w oryginalnej formie, pracowałem na kopii.
[ ] Przekonwertowałem wszystkie jednostki na jedną jednostkę za pomocą kodu/formuły.
[ ] Nie uzupełniłem brakujących danych; Oznaczyłem prognozy jako „proxy”.
[ ] Sprawdziłem wartości odstające przed ich usunięciem.
[ ] Rozwiązałem możliwe liczniki binarne, przechodząc do źródła.
[ ] Sprawdziłem wizualnie liczby odczytane z pliku PDF/obrazu za pomocą próbki.
[ ] Powiązałem każdy element liczbowy z zapisem ścieżki audytu.