Thu thập dữ liệu ESG, chất lượng dữ liệu và quản lý quy trình kiểm tra — Trí tuệ nhân tạo trong quản lý bền vững và ESG

Lợi nhuận:

Khả năng cung cấp độ chính xác xác định bằng cách cấu trúc dữ liệu ESG phân tán và thực hiện chuyển đổi đơn vị bằng mã/công thức thực thi thay vì thủ công
Khả năng đánh dấu các khoảng trống dữ liệu dưới dạng proxy (dự đoán) mà không cần khớp chúng và giải quyết việc đếm nhị phân và các ngoại lệ bằng cách quay lại nguồn
Khả năng làm cho dữ liệu có thể theo dõi được bằng cách thiết lập một đường kiểm tra kết nối từng mục kỹ thuật số với nguồn của nó

Bên dưới mỗi báo cáo phát triển bền vững là một nhiệm vụ thầm lặng nhưng to lớn: thu thập dữ liệu. Ngay cả một công ty cỡ trung bình cũng thu thập hóa đơn điện và khí đốt tự nhiên, hóa đơn nhiên liệu, tài liệu chuyển chất thải, dữ liệu nhân viên từ hệ thống nhân sự, phản hồi khảo sát từ nhà cung cấp và hồ sơ di chuyển từ hàng chục cơ sở. Hầu hết dữ liệu này nằm rải rác, ở các định dạng khác nhau, ở các đơn vị khác nhau và thường được nhập thủ công. Chất lượng của một báo cáo đến từ tính chính xác của dữ liệu thô này chứ không phải từ biểu đồ hào nhoáng nhất của nó. Trong phần này, bạn sẽ học cách sử dụng trí tuệ nhân tạo (AI) một cách an toàn để thu thập, làm sạch và quản lý dữ liệu lộn xộn này.

Đầu tiên, một khái niệm: chất lượng dữ liệu có nghĩa là dữ liệu chính xác (phản ánh sự thật), đầy đủ (đầy đủ), nhất quán (không mâu thuẫn), kịp thời và có thể truy nguyên (biết nguồn của nó). Vấn đề chất lượng phổ biến nhất trong ESG là dữ liệu không thể theo dõi được chứ không phải là không chính xác: có một con số, nhưng “con số đó đến từ đâu?” Không có câu trả lời cho câu hỏi. Đây chính xác là điều mà kiểm toán viên đảm bảo độc lập (chuyên gia bên ngoài xác minh báo cáo) yêu cầu. Vì vậy, xương sống của đơn vị này là một khái niệm duy nhất: quy trình kiểm toán - chuỗi hồ sơ cho biết từng vấn đề đến từ tài liệu nào, vào ngày nào, theo giả định nào.

Ba vấn đề điển hình với dữ liệu ESG

1. Đơn vị hỗn loạn. Một cơ sở báo cáo điện năng tính bằng kWh, cơ sở khác tính bằng MWh và cơ sở thứ ba tính bằng GJ (gigajoules). Nếu tất cả chúng không được chuyển đổi thành một đơn vị trước khi cộng thì kết quả sẽ vô nghĩa. Vì 1 MWh = 1.000 kWh nên nếu bỏ qua đơn vị sẽ xảy ra sai số gấp 1000 lần.

2. Khoảng cách dữ liệu. Thiếu hóa đơn hàng quý của tài sản. Khoảng trống được lấp đầy bằng dữ liệu thực hoặc bằng ước tính (proxy) được nêu rõ ràng: ví dụ: mức trung bình từ các tháng tương tự. Điều quan trọng là không che giấu dự báo; là đánh dấu nó là "dữ liệu ước tính" trong báo cáo.

3. Tính trùng lặp và không nhất quán. Cùng một loại nhiên liệu được thu hai lần nếu tính cả trong đoàn xe và máy phát điện. AI giúp nắm bắt những mâu thuẫn như vậy nhưng không thể đưa ra quyết định cuối cùng.

vấn đề

triệu chứng

cách tiếp cận đúng

Đơn vị hỗn loạn

kWh/MWh/GJ hỗn hợp

Chuyển đổi thành đơn vị duy nhất, thực hiện chuyển đổi bằng mã

khoảng cách dữ liệu

Thiếu tháng/cơ sở

Sử dụng proxy, đánh dấu nó là "ước tính"

số nhị phân

Cùng một cây bút ở hai nơi

Ghim nguồn vào một điểm

không thể truy tìm được

số lượng không rõ nguồn gốc

Liên kết đến bảng theo dõi kiểm tra

Mẹo: Nguyên tắc vàng trong việc làm sạch dữ liệu: "Không bao giờ chạm vào dữ liệu thô; hãy làm việc trên một bản sao." Hoá đơn, chứng từ gốc được giữ nguyên không thay đổi; Tất cả các chỉnh sửa và chuyển đổi được thực hiện trong một tệp làm việc riêng biệt, có căn cứ. Bằng cách này, kiểm toán viên luôn có thể quay lại sự thật ban đầu.

Từng bước: Bảo mật quy trình làm việc dữ liệu với AI

1. Thu thập dữ liệu và giữ nguyên. Tập hợp các hóa đơn, hồ sơ ở dạng gốc vào một nơi; nó là “nguồn lẽ thật duy nhất”.

2. Cấu hình. Sắp xếp dữ liệu lộn xộn vào một bảng có tổ chức (nhà máy, thời kỳ, mục, giá trị, đơn vị, nguồn). AI rất giỏi trong việc đưa nội dung văn bản hoặc PDF miễn phí vào mẫu bảng này.

3. Dịch các đơn vị bằng mã thực thi. Không để AI thực hiện chuyển đổi đơn vị và tính tổng theo cách thủ công; in nó một công thức bảng tính hoặc một mã nhỏ và bạn chạy mã. Do đó, kết quả mang tính quyết định (giống nhau và có thể kiểm chứng mọi lúc).

4. Thực hiện kiểm soát chất lượng. Yêu cầu họ gắn cờ các ngoại lệ (chẳng hạn như mức tiêu thụ của cơ sở đột ngột tăng gấp 10 lần), thiếu sót và mâu thuẫn. Nhưng hãy xác nhận từng dấu hiệu bằng mắt người.

5. Thiết lập quá trình kiểm tra. Hoàn thành bảng kết nối mỗi mục số với nguồn của nó. Bảng này là xương sống của báo cáo.

Dấu nhắc yếu / Dấu nhắc mạnh

Dấu nhắc yếu:

Thu thập dữ liệu cơ sở này và cho bạn biết tổng mức tiêu thụ năng lượng.

Không có quy tắc đơn vị, nguồn và không gian; AI có thể lướt qua và thu thập các đơn vị khác nhau và âm thầm bù đắp những đơn vị còn thiếu.

Lời nhắc mạnh mẽ:

Vai trò của bạn: Nhà phân tích dữ liệu ESG. Đầu vào: bảng đơn vị giá trị theo chu kỳ cơ sở bên dưới. Nhiệm vụ:1) Chuyển đổi tất cả các giá trị năng lượng thành kWh; hiển thị hệ số quy đổi ở cột riêng. 2) Tính tổng THỦ CÔNG; Viết công thức bảng tính mà tôi có thể sử dụng.3) Đánh dấu các mục xuất hiện bị thiếu hoặc bằng 0 là "MISSING - kiểm tra", đừng bao giờ tự điền chúng vào.4) Liệt kê các số nhị phân có thể có trong đó cùng một mục xuất hiện hai lần. Kết quả: bảng đã được làm sạch + cột chuyển đổi + danh sách cảnh báo.

Tại sao việc đưa dữ liệu vào mã lại quan trọng?

AI là một trình tạo văn bản; Có thể mắc sai lầm khi thu thập trong đầu những danh sách dài các con số. Ngược lại, nếu bạn yêu cầu nó tạo công thức hoặc mã, nó sẽ chạy phép tính chính xác trong môi trường của bạn và luôn nhận được kết quả như nhau. Đây là sự khác biệt giữa “con số AI nói” và “tính toán có thể kiểm soát được”.

Viết bộ công thức Excel/Google Sheets cho bảng dữ liệu phát thải sau. Cần:- Trong mỗi hàng: giá trị × hệ số chuyển đổi = kWh- Tổng các kWh- Thêm các ô còn thiếu (để trống) thành SỐ; đếm một "số thiếu" riêng biệt Giải thích các công thức bằng tham chiếu ô để tôi có thể áp dụng chúng theo cách thủ công. Cấu trúc bảng: A=cơ sở, B=thời gian, C=giá trị, D=đơn vị

Thận trọng: Hãy chú ý hơn đến những con số mà AI "đọc" từ tệp PDF hoặc hình ảnh. Các lỗi như 1.100 so với 11.00 hoặc nhầm lẫn dấu phẩy (1.100 so với 1.100) là phổ biến trong quá trình đọc quang. So sánh trực quan ít nhất một vài ví dụ với tài liệu nguồn.

ba trường hợp nhỏ

Trường hợp 1 - Bẫy đơn vị. Một công ty cổ phần đã thu thập dữ liệu năng lượng của 8 cơ sở. 7 cơ sở báo cáo kWh, 1 cơ sở báo cáo MWh. AI đã thực hiện tổng số bằng cách thiếu các đơn vị trong lần thử đầu tiên và tính thiếu cơ sở đó với hệ số 1000; Tổng số hóa ra là 3.201 MWh, trong khi thực tế nó là 4.200 MWh. Lỗi đã được phát hiện và sửa bằng cách chuyển đổi dựa trên mã.

Trường hợp 2 - Dự đoán bí mật. Hóa đơn tháng 3 của một cơ sở bị thiếu. Nhà phân tích yêu cầu AI “điền vào chỗ trống”; AI đưa ra mức trung bình của các tháng lân cận nhưng không nêu rõ. Kiểm toán viên hỏi "số này lấy từ hóa đơn nào?" Hỏi thì không thấy nguồn. Quy trình đã được khắc phục: dự báo được đánh dấu rõ ràng là "proxy — mức trung bình tháng 2/tháng 4" trong báo cáo.

Trường hợp 3 - Đếm gấp đôi. Trong một nhà máy, nhiên liệu máy phát điện được nhập vào cả mục “đốt cố định” và “năng lượng dự phòng”. AI đã gắn cờ sự lặp lại này trong quá trình quét mâu thuẫn của nó; nhà phân tích xác nhận và việc đếm kép 6 tấn CO₂e đã được loại bỏ. Nhà phân tích có trách nhiệm đánh dấu sự đóng góp của AI và đưa ra quyết định.

Lời nhắc kiểm soát chất lượng

Thực hiện kiểm tra chất lượng trên bảng dữ liệu ESG bên dưới. Phát hiện (nhưng KHÔNG tự sửa mà chỉ đánh dấu):1) Ngoại lệ (các mục sai lệch hơn 50% so với kỳ trước)2) Sự khác biệt về đơn vị3) Ô trống/thiếu4) Các mục trùng lặp có thể xảy ra trong đó cùng một mục xuất hiện nhiều lầnLiệt kê từng cảnh báo với lý do "tại sao đáng ngờ". Bảng: [BẢNG]

Lời nhắc sau đây sẽ thiết lập khung bảng giám sát sẵn sàng cho việc kiểm tra.

Những lỗi thường gặp

Sửa đổi dữ liệu thô. Việc sửa chữa mà không bảo quản hồ sơ gốc sẽ phá vỡ quy trình kiểm tra.
Yêu cầu AI thực hiện chuyển đổi đơn vị theo cách thủ công. Việc bổ sung tinh thần trong danh sách dài dễ mắc lỗi; Sử dụng mã/công thức.
Ẩn dự báo Sử dụng dữ liệu proxy không có vấn đề gì; Không xác định rõ là một vấn đề lớn trong kiểm toán.
Âm thầm xóa ngoại lệ. Việc tăng gấp đôi mức tiêu thụ của một cơ sở có thể là một sai lầm hoặc không; Nó không thể bị xóa mà không được điều tra.
Chấp nhận một cách mù quáng con số đọc được từ PDF/hình ảnh. Kiểm soát mẫu chống lại các lỗi đọc quang học là điều cần thiết.

Tóm lại

Giá trị thực sự của báo cáo ESG nằm ở tính chính xác và khả năng truy xuất nguồn gốc của dữ liệu. AI; Nó là một công cụ hỗ trợ mạnh mẽ trong việc cấu trúc dữ liệu phân tán, tạo ra các công thức chuyển đổi đơn vị và đánh dấu các ngoại lệ và mâu thuẫn. Nhưng rủi ro lớn nhất không phải là dữ liệu sai mà là không thể theo dõi được. Bảo toàn dữ liệu thô, thực hiện chuyển đổi mã, đánh dấu dự đoán rõ ràng và gắn từng số vào một dấu vết kiểm tra. “Con số có vẻ đúng” là chưa đủ; "Tôi có thể truy tìm nguồn gốc của con số này" là bắt buộc.

Nhiệm vụ ứng dụng

Chuẩn bị một bảng mẫu nhỏ với dữ liệu ở ít nhất ba đơn vị khác nhau (ví dụ: kWh, MWh, lít); Cố ý để trống một hoặc hai ô. Hãy hỏi AI với lời nhắc mạnh mẽ ở trên để biết bộ công thức chuyển đổi bảng này thành một đơn vị duy nhất và danh sách cảnh báo chất lượng. Sau đó: (1) kiểm tra các hệ số chuyển đổi, (2) xác minh rằng các khoảng trống không được bù đắp, (3) viết một đường kiểm tra nhỏ cho từng mục.

danh sách kiểm tra

[ ] Tôi giữ dữ liệu thô ở dạng ban đầu và xử lý bản sao.
[ ] Tôi đã chuyển đổi tất cả các đơn vị thành một đơn vị duy nhất bằng mã/công thức.
[ ] Tôi không bổ sung những dữ liệu còn thiếu; Tôi đã đánh dấu các dự đoán là "proxy".
[ ] Tôi đã điều tra các ngoại lệ trước khi xóa chúng.
[ ] Tôi đã giải quyết số nhị phân có thể có bằng cách truy cập nguồn.
[ ] Tôi đã xác minh trực quan các con số đọc được từ tệp PDF/hình ảnh bằng một mẫu.
[ ] Tôi đã liên kết từng mục số với một bản ghi dấu vết kiểm tra.