ESG 数据收集、数据质量和审计跟踪管理 — 可持续发展和 ESG 管理中的人工智能

收益：

能够通过构建分散的 ESG 数据并使用可执行代码/公式（而不是手动）执行单位转换来提供确定性准确性
能够将数据间隙标记为代理（预测）而不进行拟合，并通过返回源来解决二进制计数和异常值
能够通过建立将每个数字项目与其来源连接起来的审计跟踪来使数据可追溯

每份可持续发展报告背后都隐藏着一项安静但艰巨的任务：数据收集。即使是中型公司也会收集电费和天然气账单、燃料收据、废物转移文件、人力资源系统中的员工数据、供应商的调查回复以及数十个设施的旅行记录。大多数数据都是分散的，采用不同的格式、不同的单位，并且通常是手动输入的。报告的质量取决于原始数据的准确性，而不是最华丽的图表。在本单元中，您将学习如何安全地使用人工智能 (AI) 来收集、清理和管理这些混乱的数据。

首先，一个概念：数据质量是指数据准确（反映真相）、完整（完整）、一致（不矛盾）、及时、可追溯（已知其来源）。 ESG 中最常见的质量问题是数据无法追踪而不是不准确：有一个数字，但“它从哪里来？”这个问题没有答案。这正是独立鉴证审计师（验证报告的外部专家）所要求的。因此，这个单元的支柱是一个单一的概念：审计跟踪——显示每个问题来自哪个文档、在哪个日期、在什么假设下的记录链。

ESG数据的三个典型问题

1、单位混乱。一个设施以 kWh 为单位报告电量，另一个以 MWh 为单位，第三个以 GJ（千兆焦耳）为单位。如果在相加之前没有全部转换成一个单位，那么结果就毫无意义。由于1 MWh = 1,000 kWh，如果省略该单位，则会出现1000倍的误差。

2.数据差距。物业的季度发票丢失。该差距可以用真实数据或明确说明的估计（代理）来填补：例如，类似月份的平均值。关键是不要隐藏预测；就是在报告中将其标记为“估计数据”。

3. 重复计算和不一致。如果将车辆和发电机都计算在内，则相同的燃料会被收集两次。人工智能有助于捕捉此类矛盾，但无法做出最终决定。

问题

症状

正确的方法

单位混乱

kWh/MWh/GJ 混合

转换为单个单位，用代码进行转换

数据差距

缺少月份/设施

使用代理，将其标记为“估计”

二进制计数

同一支笔在两个地方

将源固定到单点

不可追踪性

来历不明的数量

审计跟踪表链接

提示：数据清理的黄金法则：“永远不要接触原始数据；处理副本。”原始发票和记录保持不变；所有更正和转换均在单独的工作文件中进行，并有合理理由。这样，审计人员总能回到最初的真相。

循序渐进：利用 AI 保护数据工作流程

1. 收集数据并保持原样。将原始形式的发票和记录收集到一处；它是“真理的唯一来源”。

2. 配置。将杂乱的数据整理到有组织的表格中（工厂、期间、项目、值、单位、来源）。 AI 擅长将自由文本或 PDF 内容放入此表格模板中。

3. 翻译具有可执行代码的单元。不用AI手动做单位换算和求和；将其打印为电子表格公式或小代码，然后运行代码。因此，结果是确定性的（每次都相同且可验证）。

4. 进行质量控制。让他们标记异常值（例如设施的消耗突然增加 10 倍）、遗漏和矛盾。但要用人眼确认每一个迹象。

5. 建立审计追踪。完成表格，将每个数字项与其来源连接起来。该表是报告的支柱。

弱提示/强提示

弱提示：

收集该设施数据并告诉您总能耗。

没有单位、来源和空间规则； AI可以浏览并收集不同的单位，并默默地弥补缺失的单位。

强力提示：

您的角色：ESG数据分析师。输入：下表中的设施-周期-值-单位。任务：1）将所有能源值转换为kWh；在单独的列中显示换算系数。2) 手动计算总计；编写一个我可以使用的电子表格公式。3）将出现缺失或零的项目标记为“缺失 - 检查”，切勿自行填写。4）列出同一项目出现两次的可能的二进制计数。输出：清理表+转换列+警告列表。

为什么将数据放入代码中至关重要？

AI是一个文本生成器；在头脑中收集一长串数字时可能会犯错误。相反，如果您要求它生成公式或代码，它会在您的环境中精确地运行计算，并且每次都会得到相同的结果。这就是“AI说的数”和“可控计算”的区别。

为以下排放数据表编写一组 Excel/Google Sheets 公式。需要：- 每行中：值 × 转换系数 = kWh- 所有 kWh 的总和- 添加缺失的单元格（空白）作为数字；计算单独的“缺失计数”用单元格引用解释公式，以便我可以手动应用它们。表结构：A=设施，B=周期，C=值，D=单位

注意：要特别注意 AI 从 PDF 或图像中“读取”的数字。在光学读取过程中，诸如 1.100 与 11.00 或逗号点混淆（1.100 与 1.100）之类的错误很常见。直观地将至少几个示例与源文档进行比较。

三个迷你箱子

案例 1 — 单位陷阱。一家控股公司收集了 8 个设施的能源数据。 7 个设施报告了千瓦时，1 个设施报告了兆瓦时。 AI 在第一次尝试时就漏掉了这些单位，从而得出了总数，并将该设施的计数少了 1000 倍；总电量为 3,201 MWh，而实际电量为 4,200 MWh。通过基于代码的转换捕获并修复了错误。

案例2——秘密预测。一家机构的 3 月份发票丢失。分析师告诉人工智能“填补空白”； AI 给出了相邻月份的平均值，但没有具体说明。审计员询问“这个号码来自哪张发票？”当询问时，找不到来源。该流程已修复：报告中将预测明确标记为“代理 — 2 月/4 月平均值”。

情况 3 — 重复计算。在一家工厂，发电机燃料被输入到“固定燃烧”和“备用能源”项目下。人工智能在其矛盾扫描中标记了这种重复；分析师证实，6 吨二氧化碳当量的重复计算已被删除。由分析师来标记人工智能的贡献并做出决定。

质量控制提示

对下面的 ESG 数据表执行质量检查。检测（但不要自行更正，只需标记）：1) 异常值（与上一周期偏差超过 50% 的项目）2) 单位差异 3) 空/缺失单元格 4) 同一项目多次出现的可能重复项列出每个警报，并附上“为什么可疑”的原因。表：[表]

以下提示设置审计就绪的监控表框架。

常见错误

修改原始数据。在不保留原始记录的情况下进行更正会破坏审计跟踪。
让AI手动进行单位转换。在长列表中进行心理加法很容易出错；使用代码/公式。
隐藏预测。使用代理数据没问题；不明确是审计中的一个大问题。
默默地删除异常值。设施消耗加倍可能是错误，也可能不是错误；未经调查，无法删除。
盲目接受从PDF/图像中读取的数字。针对光学读数错误的样品控制至关重要。

综上所述

ESG报告的真正价值在于其数据的准确性和可追溯性。人工智能;它对于构建分散数据、生成单位转换公式以及标记异常值和矛盾具有强大的帮助。但最大的风险不是数据错误，而是数据无法追踪。保留原始数据，在代码中进行转换，清楚地标记预测，并将每个数字与审计跟踪联系起来。 “数字看起来正确”是不够的；应该要求“我可以追踪这个号码的来源”。

应用任务

准备一个小样本表，其中包含至少三种不同单位的数据（例如千瓦时、兆瓦时、升）；故意将一两个单元格留空。向具有上述强大提示的 AI 询问一组公式，将该表转换为单个单位和质量警报列表。然后：(1) 检查换算系数，(2) 验证是否未弥补差距，(3) 为每个项目编写一个小的审计跟踪行。

清单

[ ] 我保留了原始数据的原始形式，并制作了副本。
[ ] 我用代码/公式将所有单位转换为单个单位。
[ ] 缺失的数据我没有补上；我将预测标记为“代理”。
[ ] 我在删除异常值之前对其进行了调查。
[ ] 我通过源码解决了可能的二进制计数问题。
[ ] 我通过示例目视验证了从 PDF/图像中读取的数字。
[ ] 我将每个数字项目链接到审计跟踪记录。