كيف يمكن للتعلم الآلي توسيع نطاق تغطية بيانات الاستدامة
استخدام نماذج التقدير لتحسين تقارير الاستدامة
يعد نقص تغطية البيانات عقبة رئيسية يمكن التغلب عليها من خلال استخدام التعلم الآلي. اليوم ، 80٪ من الشركات المدرجة لا تبلغ عن بيانات الاستدامة المطلوبة. وهذا يعني أنه بغض النظر عن قضايا الموثوقية، فإن 20٪ فقط من الشركات المدرجة في البورصة تبلغ عن بيانات شاملة حول الاستدامة كخط أساس. قد يقوم العديد من مقدمي الخدمات بعد ذلك بتكديس المعلومات الجزئية أو المفقودة ، مما يجعل من الصعب إنشاء درجات متسقة عبر أقرانهم وربما انحراف الدرجات نحو الشركات التي تكشف بشكل انتقائي عن طريق ترك البيانات حول المؤشرات التي تأخروا عنها. هذا هو السبب Clarity AI يستفيد من معلومات الشركة المتاحة وخوارزميات التعلم الآلي لملء فجوات المعلومات لإعطاء أكمل صورة متاحة.
ومن الناحية الجغرافية، كانت أوروبا تقود الطريق من خلال اللوائح الوطنية المتعلقة بالإبلاغ عن تغير المناخ للشركات، والتي تتبلور في أعلى تغطية للإبلاغ عن غازات الدفيئة بين مناطق العالم الرئيسية. وفي الوقت نفسه ، تعد لجنة الأوراق المالية والبورصات الأمريكية لائحة محددة للإبلاغ عن المناخ لعام 2022. ومن المتوقع أن يلحق الإبلاغ في أمريكا الشمالية بالمعدل في أوروبا في غضون العامين المقبلين.
Clarity AIنماذج التقدير
أحد تطبيقات التعلم الآلي هو نماذج التقدير الخاصة بنا. المبدأ الأساسي للنماذج هو معرفة كيف يمكن اشتقاق مقاييس أداء الاستدامة من سمات الشركات الأخرى. يتم استخدام مجموعة واسعة من مصادر البيانات والميزات (معلومات حول المؤسسة) كمدخلات لنماذج التقدير، بما في ذلك، على سبيل المثال:
- ما هي الصناعة التي تعمل فيها؟
- ما هي أنواع المنتجات والخدمات التي تبيعونها؟
- هل أنت شركة مصنعة؟
- أين تصنع منتجاتك؟ • أين تبيع منتجاتك؟
- ما هي تكاليف العمالة الخاصة بك؟
- ما هي الميزات البيئية الأخرى التي قد تكون مرتبطة بمقياس الاهتمام؟ (يعتمد هذا على المقياس.)
عوامل التفاضل الرئيسية ل Clarity AIهي تقدير شدة المقياس، واستخدام بيانات الاستبعاد لاختبار الدقة التنبؤية للنموذج، وحساب كل من التأثيرات غير الخطية والتفاعلية. هذه ضرورية لتقدير بعض مقاييس الاستدامة مثل انبعاثات CO2.
