Pangongolekta ng Data ng ESG, Kalidad ng Data at Pamamahala ng Audit Trail — Artificial Intelligence sa Sustainability at ESG Management

Mga nadagdag:

Kakayahang magbigay ng tiyak na katumpakan sa pamamagitan ng pagbubuo ng dispersed ESG data at pagsasagawa ng unit conversion gamit ang executable code/formula sa halip na manu-mano
Kakayahang markahan ang mga gaps ng data bilang proxy (prediction) nang hindi umaangkop sa mga ito at lutasin ang binary counting at outlier sa pamamagitan ng pagbabalik sa pinagmulan
Kakayahang gawing masusubaybayan ang data sa pamamagitan ng pagtatatag ng audit trail na nag-uugnay sa bawat digital na item sa pinagmulan nito

Sa ilalim ng bawat ulat ng pagpapanatili ay mayroong isang tahimik ngunit napakalaking gawain: pangongolekta ng data. Kahit na ang isang medium-sized na kumpanya ay nangongolekta ng mga singil sa kuryente at natural na gas, mga resibo ng gasolina, mga dokumento sa paglilipat ng basura, data ng empleyado mula sa mga HR system, mga tugon sa survey mula sa mga supplier, at mga tala sa paglalakbay mula sa dose-dosenang mga pasilidad. Karamihan sa data na ito ay nakakalat, sa iba't ibang mga format, sa iba't ibang mga yunit, at kadalasang ipinasok nang manu-mano. Ang kalidad ng isang ulat ay nagmumula sa katumpakan ng hilaw na data na ito, hindi sa pinakamaliwanag na graph nito. Sa unit na ito, matututunan mo kung paano ligtas na gumamit ng artificial intelligence (AI) para kolektahin, linisin at pamahalaan ang magulong data na ito.

Una, isang konsepto: ang kalidad ng data ay nangangahulugan na ang data ay tumpak (na sumasalamin sa katotohanan), kumpleto (kumpleto), pare-pareho (hindi magkasalungat), napapanahon at nasusubaybayan (alam ang pinagmulan nito). Ang pinakakaraniwang problema sa kalidad sa ESG ay ang data ay hindi masusubaybayan sa halip na hindi tumpak: mayroong isang numero, ngunit "saan nagmula iyon?" Walang sagot sa tanong. Ito mismo ang tinatanong ng independent assurance auditor (ang panlabas na eksperto na nagbe-verify ng ulat). Kaya ang backbone ng unit na ito ay iisang konsepto: ang audit trail — ang hanay ng mga talaan na nagpapakita kung saang dokumento nanggaling ang bawat isyu, sa anong petsa, sa ilalim ng kung anong palagay.

Tatlong karaniwang problema sa data ng ESG

1. Unit na kaguluhan. Ang isang pasilidad ay nag-uulat ng kuryente sa kWh, isa pa sa MWh, at ang pangatlo sa GJ (gigajoules). Kung hindi lahat sila ay na-convert sa isang solong yunit bago idagdag, ang resulta ay walang kabuluhan. Dahil 1 MWh = 1,000 kWh, kung aalisin ang yunit, magkakaroon ng 1000 beses na error.

2. Data gap. Nawawala ang quarterly invoice ng property. Ang puwang ay pinupunan ng alinman sa totoong data o ng isang malinaw na nakasaad na pagtatantya (proxy): halimbawa, isang average mula sa mga katulad na buwan. Ang kritikal na bagay ay hindi itago ang hula; ay markahan ito bilang "tinantyang data" sa ulat.

3. Dobleng pagbibilang at hindi pagkakapare-pareho. Ang parehong gasolina ay kinokolekta ng dalawang beses kung ito ay binibilang sa parehong sasakyang-dagat at sa generator. Tumutulong ang AI sa paghuli sa mga naturang kontradiksyon ngunit hindi makagawa ng pangwakas na desisyon.

problema

sintomas

tamang diskarte

Ang gulo ng unit

halo-halong kWh/MWh/GJ

I-convert sa iisang unit, gawin ang conversion gamit ang code

data gap

Nawawalang buwan/pasilidad

Gumamit ng proxy, markahan ito bilang "tinantiya"

binary count

Parehong panulat sa dalawang lugar

I-pin ang pinagmulan sa iisang punto

untraceability

bilang ng hindi kilalang pinanggalingan

Link sa audit trail table

Tip: Golden rule sa paglilinis ng data: "Huwag hawakan ang raw data; gumawa ng kopya." Ang mga orihinal na invoice at talaan ay pinananatiling hindi nagbabago; Ang lahat ng mga pagwawasto at conversion ay ginawa sa isang hiwalay na gumaganang file, na may katwiran. Sa ganitong paraan, palaging makakabalik ang auditor sa orihinal na katotohanan.

Hakbang-hakbang: Secure na data workflow gamit ang AI

1. Kolektahin ang data at panatilihin ito bilang ay. Kolektahin ang mga invoice at talaan sa kanilang orihinal na anyo sa isang lugar; ito ang “tanging pinagmumulan ng katotohanan.”

2. I-configure. Pagbukud-bukurin ang magulo na data sa isang organisadong talahanayan (halaman, panahon, item, halaga, yunit, pinagmulan). Ang AI ay mahusay sa paglalagay ng libreng text o PDF na nilalaman sa template ng talahanayan na ito.

3. Isalin ang mga unit na may executable code. Huwag hayaang gawin ng AI ang conversion ng unit at mano-mano; i-print ito ng isang spreadsheet formula o isang maliit na code at pinapatakbo mo ang code. Kaya, ang resulta ay deterministic (pareho at nabe-verify sa bawat oras).

4. Magsagawa ng kontrol sa kalidad. Ipa-flag sa kanila ang mga outlier (tulad ng pagkonsumo ng pasilidad na biglang tumaas ng 10 beses), mga pagtanggal, at mga kontradiksyon. Ngunit kumpirmahin ang bawat tanda gamit ang mga mata ng tao.

5. Itatag ang audit trail. Kumpletuhin ang talahanayan na nagkokonekta sa bawat numerical na item sa pinagmulan nito. Ang talahanayan na ito ay ang gulugod ng ulat.

Mahinang prompt / Malakas na prompt

Mahinang prompt:

Kolektahin ang data ng pasilidad na ito at sabihin sa iyo ang kabuuang pagkonsumo ng enerhiya.

Walang mga panuntunan sa yunit, pinagmulan at espasyo; Maaaring mag-skim at mangolekta ng iba't ibang unit ang AI at tahimik na bumawi sa mga nawawala.

Napakahusay na prompt:

Ang iyong tungkulin: ESG data analyst.Input: facility-period-value-unit table sa ibaba.Gawain:1) I-convert ang lahat ng halaga ng enerhiya sa kWh; ipakita ang mga kadahilanan ng conversion sa magkahiwalay na column.2) Manu-manong paggawa ng kabuuang; Sumulat ng formula ng spreadsheet na magagamit ko.3) Markahan ang mga item na lumalabas na nawawala o zero bilang "MISSING — check", huwag mong punan ang mga ito sa iyong sarili.4) Ilista ang mga posibleng binary count kung saan dalawang beses na lumalabas ang parehong item. Output: nilinis na talahanayan + column ng conversion + listahan ng babala.

Bakit kritikal na ilagay ang data sa code?

Ang AI ay isang text generator; Maaaring magkamali kapag nangongolekta ng mahahabang listahan ng mga numero sa isip. Sa kabaligtaran, kung hihilingin mo itong bumuo ng isang formula o code, tatakbo ito sa pagkalkula nang tumpak sa iyong kapaligiran at makakakuha ng parehong resulta sa bawat oras. Ito ang pagkakaiba sa pagitan ng "numero na sinasabi ng AI" at "nakokontrol na pagkalkula".

Sumulat ng isang set ng mga formula ng Excel/Google Sheets para sa sumusunod na talahanayan ng data ng emissions.Kailangan:- Sa bawat row: value × conversion factor = kWh- Kabuuan ng lahat ng kWhs- Magdagdag ng mga nawawalang cell (blangko) bilang NUMBER; magbilang ng hiwalay na "nawawalang bilang"Ipaliwanag ang mga formula na may mga cell reference para mailapat ko ang mga ito nang manu-mano. Istraktura ng talahanayan: A=pasilidad, B=panahon, C=value, D=unit

Mag-ingat: Bigyang-pansin ang mga numerong "binabasa" ng AI mula sa PDF o imahe. Ang mga error gaya ng 1.100 vs 11.00, o comma-dot confusion (1.100 vs 1.100) ay karaniwan sa panahon ng optical reading. Biswal na ihambing ang hindi bababa sa ilang mga halimbawa sa pinagmulang dokumento.

tatlong mini case

Case 1 — Unit trap. Kinolekta ng isang holding company ang data ng enerhiya ng 8 pasilidad. 7 pasilidad ang iniulat kWh, 1 pasilidad ang iniulat MWh. Ginawa ng AI ang kabuuan sa pamamagitan ng pagkawala ng mga unit sa unang pagsubok at hindi nabilang ang pasilidad na iyon sa isang kadahilanan na 1000; Ang kabuuan ay naging 3,201 MWh, noong ito ay talagang 4,200 MWh. Ang error ay nahuli at naayos sa pamamagitan ng code-based na pagbabago.

Kaso 2 — Lihim na hula. Nawawala ang invoice ng Marso ng isang pasilidad. Sinabi ng analyst sa AI na "punan ang blangko"; Inilagay ng AI ang average ng mga kalapit na buwan ngunit hindi ito tinukoy. Nagtatanong ang auditor "sa aling invoice ang numerong ito?" Nang tanungin, hindi mahanap ang pinagmulan. Ang proseso ay naayos na: ang hula ay malinaw na minarkahan bilang "proxy — Pebrero/Abril average" sa ulat.

Kaso 3 — Dobleng pagbibilang. Sa isang pabrika, ang generator fuel ay ipinasok sa ilalim ng parehong "stationary burning" at "backup energy" na mga item. Na-flag ng AI ang pag-uulit na ito sa pag-scan ng kontradiksyon nito; kinumpirma ng analyst at inalis ang double counting ng 6 na tonelada ng CO₂e. Nasa analyst na markahan ang kontribusyon ng AI at gawin ang desisyon.

Mga senyas ng kontrol sa kalidad

Magsagawa ng pagsusuri sa kalidad sa talahanayan ng data ng ESG sa ibaba. Tuklasin (ngunit HUWAG itama ito sa iyong sarili, markahan lamang):1) Mga Outlier (mga item na lumilihis ng higit sa 50% mula sa nakaraang panahon)2) Mga pagkakaiba sa unit3) Walang laman/nawawalang mga cell4) Mga posibleng duplicate kung saan lumilitaw ang parehong item nang maraming besesIlista ang bawat alerto na may "bakit ito ay kahina-hinala: [" TABLE.

Ang sumusunod na prompt ay nagse-set up ng isang audit-ready na monitoring table skeleton.

Mga karaniwang pagkakamali

Pagbabago ng raw data. Ang paggawa ng mga pagwawasto nang hindi pinapanatili ang mga orihinal na rekord ay sumisira sa audit trail.
Ang pagkakaroon ng AI ay manu-manong gawin ang conversion ng unit. Ang mental na karagdagan sa mahabang listahan ay madaling kapitan ng pagkakamali; Gumamit ng code/formula.
Itago ang hula. Ang paggamit ng proxy data ay walang problema; Ang hindi pagtukoy nito ay isang malaking problema sa pag-audit.
Tahimik na tinatanggal ang outlier. Ang pagdodoble ng pagkonsumo ng isang pasilidad ay maaaring isang pagkakamali o hindi; Hindi ito matatanggal nang hindi sinisiyasat.
Blindly accepting the number read from the PDF/image. Ang sample na kontrol laban sa optical reading error ay mahalaga.

Sa buod

Ang tunay na halaga ng isang ulat ng ESG ay nakasalalay sa katumpakan at kakayahang masubaybayan ng data nito. AI; Ito ay isang malakas na tulong sa pagbubuo ng mga nakakalat na data, pagbuo ng mga formula para sa conversion ng unit, at pagmamarka ng mga outlier at kontradiksyon. Ngunit ang pinakamalaking panganib ay hindi na ang data ay mali, ito ay na ito ay hindi masusubaybayan. Panatilihin ang raw data, gawin ang pagbabago sa code, malinaw na markahan ang hula, at itali ang bawat numero sa isang audit trail. "Mukhang tama ang numero" ay hindi sapat; "I can trace this number to its source" dapat kailanganin.

Gawain ng aplikasyon

Maghanda ng maliit na sample table na may data sa hindi bababa sa tatlong magkakaibang unit (hal. kWh, MWh, litro); Iwanang blangko ang isa o dalawang cell nang sinasadya. Tanungin ang AI gamit ang malakas na prompt sa itaas para sa isang hanay ng mga formula na nagko-convert sa talahanayang ito sa isang unit at isang listahan ng mga alerto sa kalidad. Pagkatapos: (1) suriin ang mga kadahilanan ng conversion, (2) i-verify na ang mga puwang ay hindi binubuo, (3) magsulat ng isang maliit na linya ng audit trail para sa bawat item.

checklist

[ ] Iningatan ko ang raw data sa orihinal nitong anyo, nagtrabaho sa kopya.
[ ] Na-convert ko ang lahat ng unit sa isang unit na may code/formula.
[ ] Hindi ko ginawa ang nawawalang data; Minarkahan ko ang mga hula bilang "proxy".
[ ] Inimbestigahan ko ang mga outlier bago tanggalin ang mga ito.
[ ] Nalutas ko ang mga posibleng binary count sa pamamagitan ng pagpunta sa pinagmulan.
[ ] Biswal kong na-verify ang mga numerong nabasa mula sa PDF/image na may sample.
[ ] Iniugnay ko ang bawat numerong item sa isang talaan ng audit trail.