Platformy ESG: rozwiązanie, a nie problem
5 lutego, 2024Na co warto zwrócić uwagę przy wyborze rozwiązania do raportowania ESG
28 marca, 2024AI i ESG: Przyszłość analizy danych
W kontekście narzędzi do zarządzania ESG, istnieje szerokie spektrum funkcjonalności, na które wszyscy zwracają uwagę:
- Analityka danych i wyciąganie wniosków: zdolność do przetwarzania i analizowania dużych zbiorów danych w celu generowania użytecznych informacji.
- Sztuczna inteligencja: wspieranie w analizie danych, przewidywaniu scenariuszy „co jeśli” i innych zaawansowanych funkcjonalności.
- Zarządzanie ryzykiem: identyfikacja, ocena i zarządzanie ryzykiem związanym z czynnikami ESG.
- Zarządzanie celami: określanie i monitorowanie postępów w realizacji założonych celów ESG.
Jednakże, aby te funkcje były skutecznie realizowane, kluczowe jest posiadanie odpowiedniej ilości, jakości i kompletności danych historycznych. Wyzwaniem jednak jest fakt, że dane ESG są rozproszone zarówno wewnątrz organizacji, jak i poza nią, na przykład w całym łańcuchu wartości. Panuje mylne przekonanie, że zbieranie danych ogranicza się wyłącznie do ich raportowania na najwyższym poziomie organizacyjnym, co jest dalekie od prawdy. Rzeczywistość pokazuje, że bez odpowiedniego narzędzia trudno jest zebrać dane historyczne na odpowiednim poziomie granularności.
Istotne elementy rzetelnych danych raportu ESG
Te dane są kluczowe nie tylko do wyliczania wskaźników ESG, ale także do identyfikacji obszarów, w których interwencje mogą przynieść znaczące korzyści. To podkreśla potrzebę zbierania danych na wszystkich poziomach organizacyjnych, aby dokładnie zrozumieć wpływ firmy na zrównoważony rozwój i skutecznie zarządzać tymi informacjami.
Aby to osiągnąć, należy:
- Zbierać wszystkie niezbędne dane jakościowe i ilościowe z całej organizacji na jak najniższym możliwym poziomie.
- W przypadku danych ilościowych, zbierać dane w wielkościach bezwzględnych (np. m³), nie w średnich czy procentach, aby umożliwić właściwą agregację danych.
- Upewnić się, że mamy wszystkie niezbędne dane, w odpowiednich jednostkach miary, wraz z ewidencją źródłową.
- W przypadku danych z różnych systemów biznesowych, zapewnić ich kompletność i aktualność.
- Dane zbierane od użytkowników, zarówno wewnętrznych jak i zewnętrznych, nie mogą być anonimowe – odpowiedzialność za podanie danych wpływa na ich jakość.
- Dane zbierane „od dołu” organizacji muszą być agregowane na wyższych poziomach poprzez workflow akceptacyjny.
- Zbierać dane historyczne z różną rozdzielczością czasową, nie tylko roczne, ale i miesięczne lub kwartalne, co umożliwia analizę zmian w czasie.