Wie maschinelles Lernen die Abdeckung von Nachhaltigkeitsdaten erweitern kann
Verwendung von Schätzungsmodellen zur Verbesserung der Nachhaltigkeitsberichterstattung
Die mangelnde Datenabdeckung ist eine große Hürde, die durch den Einsatz von maschinellem Lernen überwunden werden kann. Heute melden 80 % der börsennotierten Unternehmen nicht die erforderlichen Nachhaltigkeitsdaten. Das bedeutet, dass ungeachtet der Probleme mit der Verlässlichkeit nur 20 % der börsennotierten Unternehmen umfassende Daten zur Nachhaltigkeit als Grundlage melden. Viele Anbieter können dann unvollständige oder fehlende Informationen nachliefern, was es schwierig macht, konsistente Bewertungen für alle Unternehmen zu erstellen, und möglicherweise zu einer Verzerrung der Bewertungen zugunsten von Unternehmen führt, die selektiv Daten offenlegen, indem sie Daten zu Indikatoren weglassen, bei denen sie im Rückstand sind. Aus diesem Grund nutzt Clarity AI verfügbare Unternehmensinformationen und Algorithmen des maschinellen Lernens, um die Informationslücken zu schließen und ein möglichst vollständiges Bild zu erhalten.
Geografisch gesehen ist Europa führend bei den nationalen Vorschriften zur Berichterstattung über den Klimawandel für Unternehmen, was sich in der höchsten Abdeckung der THG-Berichterstattung unter den großen Weltregionen niederschlägt. In der Zwischenzeit bereitet die US-Börsenaufsichtsbehörde (Securities and Exchange Commission) eine spezielle Verordnung zur Klimaberichterstattung für das Jahr 2022 vor. Es ist zu erwarten, dass die Berichterstattung in Nordamerika in den nächsten Jahren zu der in Europa aufschließen wird.
Clarity AISchätzungsmodelle
Eine Anwendung des maschinellen Lernens sind unsere Schätzungsmodelle. Das den Modellen zugrunde liegende Prinzip besteht darin, herauszufinden, wie Nachhaltigkeitsleistungskennzahlen aus anderen Unternehmensmerkmalen abgeleitet werden können. Eine breite Palette von Datenquellen und Merkmalen (Informationen über die Organisation) wird als Input für die Schätzmodelle verwendet, darunter zum Beispiel:
- In welcher Branche sind Sie tätig?
- Welche Arten von Produkten und Dienstleistungen verkaufen Sie?
- Sind Sie ein Hersteller?
- Wo stellen Sie Ihre Produkte her? - Wo verkaufen Sie Ihre Produkte?
- Wie hoch sind Ihre Arbeitskosten?
- Welche anderen Umweltmerkmale können mit der interessierenden Kennzahl korreliert sein? (Dies hängt von der Metrik ab.)
Die wichtigsten Unterscheidungsmerkmale der Methodik von Clarity AIsind die Schätzung der Intensität der Kennzahl, die Verwendung von Holdout-Daten zur Prüfung der Vorhersagegenauigkeit des Modells und die Berücksichtigung von nichtlinearen Effekten und Wechselwirkungen. Diese sind entscheidend für die Schätzung bestimmter Nachhaltigkeitskennzahlen wie CO2-Emissionen.
