Spotlight: Datenqualität - Dimension 6, Konsistenz

Datenqualität
Veröffentlicht: Juni 22, 2023
Aktualisiert: September 9, 2024
Spotlight: Datenqualität - Dimension 6, Konsistenz

Eine Interviewreihe mit dem Clarity AI Executive Team über die 8 Dimensionen der Datenqualität

Wie wird sichergestellt, dass die Daten von Clarity AI von höchster Qualität sind?

Clarity AI verwendet einen achtdimensionalen Rahmen, um sicherzustellen, dass die Daten von höchster Qualität sind. Diese Dimensionen sind Erfassungsgrad, Frische / Aktualität, Genauigkeit, Datenaktualisierung, Erklärbarkeit, Konsistenz, Zeitpunkt und Feedback. In dieser Reihe von Interviews mit Führungskräften von Clarity AI wird jede dieser Dimensionen erforscht und erläutert. Clarity AIDas Expertenteam des Unternehmens entwickelt wissenschaftliche und evidenzbasierte Methoden, die dann leistungsstarke, skalierbare künstliche Intelligenz (z. B. maschinelles Lernen) nutzen, um bestehende Datensätze zu sammeln, zu bereinigen, zu analysieren und zu erweitern, um die Sustainability-Tech-Plattform zu betreiben oder direkt in die bestehenden Arbeitsabläufe der Nutzer zu integrieren.

Dimension 6 - Konsistenz

Clarity AIÁngel Agudo, VP of Product, Patricia Pina, Head of Product Research & Innovation, Juan Diego Martin, Head of Data Strategy, und Ron Potok, Head of Data Science, diskutieren mit Chris Ciompi, Chief Marketing Officer von Clarity AI, über die entscheidende Dimension der Konsistenz und deren Beziehung zur Datenqualität. 

Chris Ciompi: Hallo, zusammen. Willkommen zurück zu einer weiteren Diskussion über Datenqualität. Ángel, können Sie bitte definieren, was Konsistenz im Zusammenhang mit Datenqualität bedeutet?

Ángel Agudo: Konsistenz kann aus verschiedenen Blickwinkeln beschrieben werden, aber für uns geht es in erster Linie darum, Informationen im Laufe der Zeit auf die gleiche Weise zu behandeln und in der Lage zu sein, visuell darzustellen, wie sich Unternehmen entwickelt haben. Es geht auch um die Fähigkeit zu vergleichen, und eine der größten Herausforderungen bei der Datenqualität ist es, Äpfel mit Äpfeln zu vergleichen. Die Genauigkeit der Definition der Kennzahl sollte für jedes einzelne Unternehmen genau gleich sein. Das Ziel besteht darin, Vergleiche anstellen zu können und beim Ablesen der Kennzahl in allen Unternehmen Konsistenz zu gewährleisten. Konsistenz besteht auch in der Art und Weise, wie wir alle Informationen zusammenfassen und wie wir Unternehmen, Tochtergesellschaften, Wertpapiere behandeln... Wenn Sie sich also ein Portfolio ansehen, wird alles auf konsistente Weise über die verschiedenen Wertpapiere, Unternehmen und Fonds hinweg organisiert und zusammengefasst.

Juan Diego Martín: Absolut, ich stimme Ángel zu, und aus Kundensicht ist Konsistenz entscheidend, weil unsere Kunden das Nachhaltigkeitsproblem aus verschiedenen Blickwinkeln betrachten. Einige schauen auf ESG, andere auf impact oder auf Vorschriften. Konsistenz ist wichtig, um die Aktienportfolios verschiedener Unternehmen zu kombinieren und zu aggregieren und Vergleiche anzustellen, aber die Kunden wollen auch verschiedene Perspektiven miteinander vergleichen. Sie müssen Portfolios, Fonds und Unternehmen aus verschiedenen Blickwinkeln verstehen, um sich einen besseren Überblick zu verschaffen, und deshalb muss diese Konsistenz gewährleistet und bereitgestellt werden.

Chris Ciompi: Okay, sehr gut. Patricia, warum ist Konsistenz für die Verbraucher von Nachhaltigkeitsdaten wichtig?

Patricia Pina: Wenn wir von Konsistenz sprechen, gibt es zwei verschiedene Dimensionen: erstens die Konsistenz bei nachhaltigkeitsbezogenen Analysen und zweitens die zeitliche Konsistenz. Konzentrieren wir uns zunächst auf die erste Dimension. Sie bezieht sich darauf, dass ein und dasselbe Unternehmen einen metrischen Wert oder eine Punktzahl hat, die je nach Produkt unterschiedlich ist. Zum Beispiel würde der Kunde im Klimaprodukt einen anderen Wert für den Kohlenstoffwert des Unternehmens sehen als im ESG-Risikoprodukt. Und es könnte sehr gute Gründe für diese Diskrepanz geben: unterschiedliche Datenaktualisierungshäufigkeiten je nach Produkt, unterschiedliche Erfassungsbereiche je nach Produkt, die zu unterschiedlichen Werten bei der Berechnung relativer Rankings und Best-in-Class-Scores führen, oder unterschiedliche Vererbungslogiken zwischen Mutter- und Tochterunternehmen je nach Anwendungsfall. Das erste, was den Kunden jedoch auffällt, ist die Inkonsistenz, und sie werden sehr schnell das Vertrauen in die Daten verlieren. Darüber hinaus mischen die Kunden oft Analysen aus verschiedenen Produkten, um ein umfassendes Verständnis der Nachhaltigkeitsentwicklung eines Unternehmens zu erlangen, und die Inkonsistenzen zwischen den Produkten machen es ihnen sehr schwer zu wissen, was die Grundwahrheit ist und wie sie über das jeweilige Unternehmen denken sollen.

Im Hinblick auf die zeitliche Konsistenz haben die Kunden mit großen unerwarteten Veränderungen zwischen den Jahren zu kämpfen; in diesem Fall geht es um die Erklärbarkeit und die Gewährleistung, dass diese Veränderungen im Kontext einer Zeitreihe gerechtfertigt sind. Mit anderen Worten, es muss sichergestellt werden, dass diese großen Veränderungen auf tatsächliche Verhaltensänderungen zurückzuführen sind und nicht darauf, dass das Unternehmen die Berichtsgrenzen oder andere methodische Änderungen geändert hat. Eine weitere Herausforderung ist die Tatsache, dass Unternehmen ihre gemeldeten Werte aus den Vorjahren anpassen, da dies dazu führt, dass das Unternehmen zwei verschiedene Werte für dieselbe Kennzahl und dasselbe Jahr angibt, was eine weitere Art von Inkonsistenz darstellt. Diese Fälle müssen sorgfältig geprüft werden, um zu verstehen, was der Grund für die Anpassung ist und wie sie je nach Anwendungsfall angegangen werden sollte.

Chris Ciompi: Vielen Dank, Patricia. Juan Diego, wie wird sichergestellt, dass die Daten von Clarity AI konsistent sind?

Juan Diego Martín: Unsere Kunden müssen dieselben Daten verwenden, und wir müssen sicherstellen, dass wir dieselbe Zuordnung verwenden und die Informationen auf eine sinnvolle Weise zusammenfassen. Die Interpretation muss konsistent sein, denn Konsistenz bedeutet, einen umfassenden Überblick zu erhalten. Sie verstehen die Dinge besser und sind in der Lage, bessere Investitionsentscheidungen zu treffen.

Chris Ciompi: Okay, ich verstehe. Wenn es darum geht, "bessere Investitionsentscheidungen zu treffen", ist das genau das, was sie tun...

Juan Diego Martín: Nun, das ist ihre Magie.

Chris Ciompi: Ich denke, wir sollten hier etwas betonen. Wir sprechen hier über verschiedene Dimensionen der Datenqualität, richtig? Die Konsistenz der Daten kann dazu beitragen, ihre Überzeugung zu formen. Wir sprechen nicht davon, Entscheidungen für sie zu treffen. Was denken Sie darüber?

Juan Diego Martín: Nein, es geht um Vertrauen, richtig? Diese Überzeugung ist auch das, was zuvor über den Aufbau von Vertrauen erwähnt wurde. Das ist ein zusätzliches Element, das sie in Bezug auf das Tool Clarity AI und die darin enthaltenen Informationen zuversichtlich macht, weil sie verstehen, dass hinter allem eine Logik steckt.

Chris Ciompi: Okay, großartig. Ron, lassen Sie uns über Konsistenz und KI sprechen. Wie wird Konsistenz und Clarity AI durch künstliche Intelligenz beeinflusst?

Ron Potok: Was wir bei den Nachhaltigkeitsdaten sehr deutlich sehen, ist, dass sie sich in der Regel von Jahr zu Jahr kaum verändern, es sei denn, es gibt ein Ereignis, das den Kurs des Unternehmens dramatisch verändert. Das ist eine Sache, auf die Investoren achten. Unternehmen ändern sich nicht so schnell, vor allem nicht im verarbeitenden Gewerbe. Man kann also davon ausgehen, dass es eine Weile dauert, bis sich ein Unternehmen, das im Jahresvergleich schlechter abschneidet, zum Klassenbesten entwickelt. Wir haben dieses Muster mit Hilfe der künstlichen Intelligenz erlernt und wenden es an, um sicherzustellen, dass unsere Bewertungen der Natur des Geschäfts entsprechen, das sich oft langsam verändert. Sie können diese Muster auch in sozialen und staatlichen Unternehmen beobachten, in denen sich die Vorstandsmitglieder und die Mitarbeiterfluktuation nicht so häufig ändern. Wir erkennen Muster und wenden sie auf die Daten an, und wenn wir Ausnahmen sehen, werfen wir einen weiteren Blick darauf.

Chris Ciompi: Hier arbeiten also KI und menschliche Experten zusammen, um Muster zu erkennen und sie auf die Daten anzuwenden. Ist das richtig?

Ron Potok: Ja, die KI erkennt Muster, und wir wenden diese Muster auf die Daten an. Wenn wir Ausnahmen sehen, werfen wir einen weiteren Blick darauf.

Chris Ciompi: Okay, gut. Patricia, wie trägt die Konsistenz dazu bei, die Produktinnovation bei Clarity AI voranzutreiben?

Patricia Pina: Das Streben nach Konsistenz hat uns dazu gebracht, eine Plattform zu schaffen, die mehrere Produkte integriert, die alle mit einer einzigen Quelle der Wahrheit verbunden sind. Eine solche Architektur ermöglicht es uns, Innovationen schnell über alle unsere Produkte hinweg zu verbreiten. Ein Beispiel, Wir nehmen derzeit Satellitendaten auf, um das Aktivitätsniveau der Vermögenswerte eines Unternehmens zu schätzen, und diese Daten werden sowohl für unser Klimaprodukt als auch für unser neu geschaffenes Biodiversitätsprodukt verfügbar sein. Im Bereich Klima werden wir diese Daten zur Schätzung der Treibhausgasemissionen verwenden, während wir sie im Bereich Biodiversität zur Quantifizierung des Anteils der Geschäftstätigkeit eines Unternehmens nutzen werden, der naturbezogenen Risiken ausgesetzt ist.

Chris Ciompi: Welchen Einfluss hat die Datenkonsistenz auf Clarity AI auf die Möglichkeiten der Software-App?

Ron Potok: Eines unserer Wertversprechen ist, dass wir alle Ihre Nachhaltigkeitsanforderungen an einem Ort erfüllen, was einen erheblichen Vorteil darstellt. Wir nutzen dieselben Basisdaten für alle Nachhaltigkeitsmetriken in den verschiedenen Rahmenwerken - so verwenden beispielsweise die Metriken zur Auswirkung auf die biologische Vielfalt, die in unserer speziellen Biodiversitätslösung enthalten sind, dieselben Daten wie die, die in unseren SFDR Lösungen enthalten sind. Dieser Ansatz, gepaart mit einheitlichen Methoden, garantiert ein hohes Maß an Konsistenz. Das bedeutet, dass Sie, wenn Sie einmal gelernt haben, wie wir in einem Modul vorgehen, z. B. Net Zero, SFDR oder EU-Taxonomie, dies in allen Modulen gleich ist. Dies könnte vor allem für kleine und mittlere Unternehmen von Vorteil sein. Anstatt sich an mehrere Stellen wenden zu müssen und sich über verschiedene Deckungen, Vererbungen und andere Fragen Gedanken zu machen, können sie sich auf unsere Plattform für alle ihre Nachhaltigkeitsbedürfnisse verlassen.

Ángel Agudo: Unsere Plattform bietet Rückverfolgbarkeit über all die verschiedenen Dimensionen, die wir erwähnt haben, und stellt sicher, dass alles einheitlich funktioniert. Lassen Sie mich Ihnen ein Beispiel geben. Wenn Sie ein Portfolio hochladen, können Sie sehen, wie es in einzelne Organisationen oder Regierungen aufgeteilt ist, die die umfassende Ansicht des Portfolios auffüllen. Dies ist über verschiedene Linsen verteilt, und Sie können sehen, dass alle diese Universen in den verschiedenen Modulen repliziert werden. Um die angezeigten Informationen zu verstehen, ist es wichtig, die in den verschiedenen Linsen enthaltenen oder ausgeschlossenen Organisationen nachzuvollziehen. Es ist auch wichtig, gute Verbindungen zwischen Wertpapieren und Organisationen zu haben. Unsere Software bietet volle Transparenz darüber, wie die verschiedenen Teile miteinander verbunden sind, und die Definitionen der Metriken sind in allen Modulen einheitlich. So können Sie den Informationen, die Sie sehen, vertrauen.

Chris Ciompi: Nochmals vielen Dank an alle. Tolle Diskussion!

Geben Sie Ihre E-Mail-Adresse ein, um mehr zu erfahren

Demo anfordern