Spotlight: Datenqualität - Dimension 8, Feedback

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 8 - Rückmeldung

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 kritische Dimension des Feedbacks und dessen Beziehung zur Datenqualität. 

Chris Ciompi: Hallo nochmal, Team. Wir sprechen heute über Feedback im Zusammenhang mit der Datenqualität. Ángel, kannst du uns bitte die Beziehung zwischen Feedback und Datenqualität erklären?

Ángel Agudo: Ja, natürlich. Die Verbesserung der Datenqualität ist ein iterativer Prozess, und wir müssen sicherstellen, dass wir jedes potenzielle Feedback zu unseren Daten erfassen. Es ist wichtig, einen offenen Kanal mit unseren Kunden aufrechtzuerhalten, damit sie zusätzliche Informationen liefern oder Bedenken zu einem Datenpunkt äußern können. Auf diese Weise können wir von ihnen lernen und zusätzliche Erklärungen liefern oder etwaige Probleme schnell beheben.

Chris Ciompi: Ich verstehe. Könnten Sie das Verfahren für den Erhalt von Feedback erklären?

Ángel Agudo: Sicher, in unserem Tool gibt es für jeden Datenpunkt die Möglichkeit, Feedback zu geben. Die Nutzer können eine vorgegebene Antwort auswählen oder ihre eigene Nachricht einfügen, um Bedenken zu äußern oder zusätzliche Informationen zu liefern. Sobald wir ein Feedback vom Kunden erhalten, setzen wir unsere internen Prozesse in Gang, um darauf zu reagieren oder dem Nutzer eine Erklärung zu geben, damit er die Daten besser versteht. Wenn wir einen Fehler feststellen, reagieren wir sofort und korrigieren den Datenpunkt.

Chris Ciompi: Ich danke Ihnen für die Klarstellung. Patricia, warum ist Feedback für die Verbraucher von Nachhaltigkeitsdaten wichtig?

Patricia Pina: Wie bereits in früheren Interviews erwähnt, müssen die Verbraucher von Nachhaltigkeitsdaten den Daten vertrauen, damit sie sie für ihre Entscheidungsfindung nutzen können. In der Vermögensverwaltungsbranche zum Beispiel sprechen wir oft mit Analysten, die sich mit den Unternehmen, die wir betreuen, bestens auskennen. Sie vergleichen unsere Daten mit ihren Vorannahmen über das jeweilige Unternehmen und stellen alles in Frage, was ihnen nicht richtig erscheint. Es ist wichtig, dass sie einen leicht zugänglichen Kanal haben, über den sie ihre Fragen stellen und Antworten erhalten können. In einigen Fällen stoßen wir auf unterschiedliche Definitionen von Nachhaltigkeitskonzepten durch die Kunden. Nehmen wir das Beispiel des Ausschlusskriterien: Sind Unternehmen in typischerweise umstrittene Aktivitäten wie Tabak, Alkohol oder fossile Brennstoffe involviert? Verschiedene Kunden definieren unterschiedlich, was ein Engagement ist, wenn es sich um Finanztöchter, operative Tochtergesellschaften oder Minderheitsbeteiligungen handelt. Diese Nuancen werden oft aufgedeckt, wenn bestimmte Daten für bestimmte Unternehmen durch die Feedback-Mechanismen in Frage gestellt werden. Diese Diskussionen helfen uns, sicherzustellen, dass unsere Produkte den Bedürfnissen der Kunden entsprechen. Das Ergebnis dieser Gespräche ist oft eine Erweiterung und zusätzliche Flexibilität und Anpassung unserer Produkte.

Chris Ciompi: Großartig. Juan Diego, können Sie erklären, wie Clarity AI sicherstellt, dass die Daten das Feedback berücksichtigen?

Juan Diego Martín: Ja, zusätzlich zu Kanälen wie unserem Kundenbeirat und laufenden Gesprächen mit unseren Kunden haben wir eine Funktion, die sofortiges Feedback zu fehlenden Daten oder Datenabweichungen ermöglicht. Wir gehen sofort auf alle Probleme ein und stellen oft fest, dass sie auf unterschiedliche methodische Ansätze zurückzuführen sind. Wir setzen uns mit unseren Kunden zusammen, um die Übereinstimmung zu gewährleisten, und wir lernen aus jedem Feedback, das wir erhalten.

Chris Ciompi: Können Sie mir ein Beispiel für etwas nennen, das in letzter Zeit aufgetaucht ist und das irgendwie illustriert, was Sie gerade gesagt haben?

Juan Diego Martín: Ja, es gibt Fälle, in denen unser Kunde z. B. einen anderen Anbieter nutzt und Unstimmigkeiten in den Daten feststellt. Wir konnten feststellen, dass die Daten aus einem früheren Jahr stammen und dem aktuellen Jahr zugeordnet wurden, ohne dass wir dies bemerkten oder erklärten. Oder die Daten wurden zwar für den gesamten CO2-Ausstoß gemeldet, aber die Aufteilung zwischen Scope 1 und Scope 2 wurde nicht angegeben. In diesem Fall war der andere Anbieter nicht transparent, während wir sicherstellen, dass dies ausdrücklich erwähnt wird. Einmal haben wir uns an einen bekannten Datenlieferanten gewandt und 400 Datenpunkte identifiziert, die methodische Fehler aufwiesen. Das ist etwas, das ständig passiert. Um auf mein Beispiel mit den Daten zurückzukommen, die als global gemeldet wurden, bei denen aber die Emissionen fehlten: Das ist eine große Sache und hat impact auf das Ergebnis dieses Unternehmens. Ich würde sagen, dass wir diese Diskussion jede Woche führen.

Chris Ciompi: Großartig, perfekt. Ich danke Ihnen. Ron übergibt an Sie. Wie beeinflusst das Feedback, das wir zur Datenqualität erhalten, die KI, oder wie beeinflusst die KI das?

Ron Potok: Erstens denke ich, dass es sinnvoll sein könnte, Feedback als Reaktionsfähigkeit zu bezeichnen. Wie schnell reagieren wir in meinen Augen auf eine Anfrage oder eine Änderung im Vergleich zu unseren Wettbewerbern und zu den Branchenstandards? Wir haben einige Kanäle für die Reaktion, und wir haben ein wenig über die Möglichkeit gesprochen, bestimmte Datenpunkte zu hinterfragen oder Fragen zu stellen. Das liegt daran, dass man in unserer Web-App auf die damit verbundenen Rohdaten zugreifen und sie in Frage stellen kann. Diese Abfragen sind sehr schnell. Einzigartig ist zum Beispiel, dass wir in unserer Nachrichtenmaschine für Kontroversen sehr schnell auf Kontroversen reagieren, die übersehen oder falsch klassifiziert wurden. Diese Beispiele verbessern tatsächlich unser Modell. Wir verwenden diese Beispiele also so, dass das Modell sie nicht nur sofort durch Menschen korrigiert, sondern auch aus diesen Beispielen lernt und denselben Fehler nicht noch einmal macht. Das ist ein sehr wichtiges Beispiel dafür, wie wir Kunden-, Benutzer- und menschliches Feedback in die Verbesserung einbeziehen, damit das Modell beim nächsten Mal etwas mehr über die Kontroverse lernt. Wie schwerwiegend ist die Kontroverse? Wie wird sie zugeschrieben? Ein weiteres Beispiel für Reaktionsfähigkeit ist unser Vorteil bei der Reaktion auf gesetzliche Änderungen. Das nur am Rande, aber etwas, das Clarity AI sehr gut beherrscht, ist das Schritthalten mit den neuesten Änderungen in der Gesetzgebung, und ein Beispiel dafür ist unser Produkt SFDR .

Chris Ciompi: Lassen Sie uns über das Feedback sprechen, das von den Regulierungsbehörden kommt, und über das Feedback, das sich nicht direkt auf unsere Daten bezieht, sondern auf das Ökosystem, in dem wir tätig sind. Wie funktioniert unser System in diesem Bereich?

Ron Potok: Ich denke, es gibt viele Möglichkeiten, dies zu betrachten. Ich beginne damit, wie wir es tun. Einige der SFDR PAIs [Principal Adverse Impact], zum Beispiel, standen im Zusammenhang mit Kontroversen von Unternehmen, die zum Beispiel Bestechung, Korruption oder eine Gefährdung der biologischen Vielfalt betreiben. Das sind gute Beispiele für Indikatoren für die wichtigsten negativen impact, bei denen die Regulierungsbehörde sagte: "Ja, Nachrichten können Informationen über Unternehmen liefern, die gegen diese PAI verstoßen." Aber die Formulierung der Verstöße war sehr spezifisch, oder? Die Aufsichtsbehörden haben die Definition von Bestechung und Korruption nicht genau auf Clarity AIübertragen, sondern eine sehr spezifische Sprache verwendet. Anstatt Tausende von Analysten zu schulen, die alle Artikel im Zusammenhang mit diesen Vorfällen erneut lesen und kennzeichnen müssen, ob es sich um einen PAI-Verstoß handelt oder nicht, haben wir das Modell neu geschult, um die Artikel entsprechend zu kennzeichnen, und zwar in Übereinstimmung mit den neuesten regulatorischen Richtlinien. Darüber hinaus mussten wir den Grad des Verstoßes bewerten. Wir waren in der Lage, dies sehr schnell zu tun und in kürzester Zeit eine sehr hohe Abdeckung und sehr zeitnahe Informationen zu liefern.

Chris Ciompi: Das ist ein wirklich interessanter Blickwinkel auf das Feedback, und ich glaube nicht, dass uns das sofort in den Sinn kommt, wenn wir Feedback hören. Wir denken eher, dass es von Person zu Person geht, als dass sich das Ökosystem tatsächlich verändert und uns Feedback dazu gibt, was wir tun müssen. Okay, gibt es noch andere Möglichkeiten, wie das Kundenfeedback die Softwareplattform selbst beeinflussen könnte?

Ángel Agudo: Ich glaube, die deutlichste Verbindung besteht in dem Prozess, den ich zuvor beschrieben habe. Wir erfassen das Feedback all unserer Kunden zu jeder einzelnen Funktion, das in unseren Prozess der Produktvalidierung, der Entdeckung neuer Funktionen und schließlich der Einbindung neuer Funktionalitäten einfließt.

Chris Ciompi: Gibt es irgendetwas über das Feedback in einem Modul innerhalb der Plattform, das sich auf alle Module auswirken kann?

Ángel Agudo: Ich komme zurück auf den Punkt der KonsistenzIch glaube, es ist klar, dass wir zum Beispiel bei einer Dimension, die vom Feedback betroffen ist, sofort die notwendigen Änderungen in allen Modulen vornehmen. Das kann sich auf die Daten an sich beziehen, auf die Methodik...

Chris Ciompi: Was ich höre, ist, dass es aus Kundensicht die Gewissheit gibt, dass, wenn ein Modul geändert wird, es ziemlich schnell, wenn nicht sogar sofort, mit anderen Modulen abgeglichen wird. Hätten wir dagegen verschiedene menschliche Teams, die jedes Modul oder Teile davon bearbeiten, würde sich das aus Sicht der Governance vielleicht erst im nächsten Quartal ergeben. Alles klar. Ich möchte dazu noch eine Frage stellen. Es geht um den Umfang, nicht wahr? Egal, ob es sich um das Feedback eines einzelnen Kunden handelt oder um das Feedback aus dem Ökosystem, wenn sich die Vorschriften ändern. Wie kann unsere Plattform all diese Dinge in großem Umfang abdecken?

Ángel Agudo: Wir können das in zwei Teile aufteilen. Einer ist der operative Teil. Wenn wir verschiedene Ansichten erfassen, z. B. wenn wir mit Kunden sprechen, können wir Feedback von mehreren Kunden zur gleichen Zeit und zum gleichen Thema erhalten. Wir setzen Technologie ein, um alles so effizient wie möglich zusammenzustellen, die Informationen zu bündeln und die verschiedenen Standpunkte zu bewerten, damit wir zeitnah eine Entscheidung treffen können. Aus der Sicht des Prozesses geht es darum, dieses Feedback konsequent in das Tool zu übertragen. Wir haben das Tool so aufgebaut, dass alle Teile miteinander verbunden sind, und die Technologie hilft uns, das Feedback sofort an jeder einzelnen Stelle zu integrieren, an der dieser spezifische Datenpunkt, diese Kennzahl oder dieses Unternehmen in der Plattform zu finden ist.

Chris Ciompi: Vielen Dank für die Einblicke, Leute!