Χρήση μοντέλων εκτίμησης για τη βελτίωση της υποβολής εκθέσεων βιωσιμότητας
Η έλλειψη κάλυψης δεδομένων είναι ένα σημαντικό εμπόδιο που μπορεί να ξεπεραστεί με τη χρήση της μηχανικής μάθησης. Σήμερα, το 80% των εισηγμένων εταιρειών δεν αναφέρουν τα απαιτούμενα δεδομένα βιωσιμότητας. Αυτό σημαίνει ότι, ανεξάρτητα από τα ζητήματα αξιοπιστίας, μόνο το 20% των εισηγμένων στο χρηματιστήριο εταιρειών αναφέρουν ολοκληρωμένα δεδομένα σχετικά με τη βιωσιμότητα ως βάση. Πολλοί πάροχοι ενδέχεται στη συνέχεια να συσσωρεύουν μερική ή ελλιπή πληροφόρηση, καθιστώντας δύσκολη τη δημιουργία συνεπών βαθμολογιών μεταξύ των ομοτίμων και δυνητικά στρεβλώνοντας τις βαθμολογίες προς τις εταιρείες που δημοσιοποιούν επιλεκτικά, παραλείποντας δεδομένα για δείκτες για τους οποίους βρίσκονται πίσω. Γι' αυτό το λόγο το Clarity AI αξιοποιεί τις διαθέσιμες πληροφορίες για τις εταιρείες και τους αλγόριθμους μηχανικής μάθησης για να συμπληρώσει τα κενά πληροφοριών και να δώσει την πληρέστερη δυνατή εικόνα.
Από γεωγραφική άποψη, η Ευρώπη πρωτοστατεί με εθνικούς κανονισμούς για την υποβολή εκθέσεων σχετικά με την κλιματική αλλαγή για τις επιχειρήσεις, γεγονός που αποκρυσταλλώνεται στην υψηλότερη κάλυψη των εκθέσεων σχετικά με τα αέρια θερμοκηπίου μεταξύ των μεγάλων περιοχών του κόσμου. Εν τω μεταξύ, η Επιτροπή Κεφαλαιαγοράς των ΗΠΑ ετοιμάζει ειδικό κανονισμό για την υποβολή εκθέσεων σχετικά με το κλίμα για το 2022. Η προσδοκία είναι ότι η υποβολή εκθέσεων στη Βόρεια Αμερική θα φτάσει το ρυθμό στην Ευρώπη μέσα στα επόμενα δύο χρόνια.
Clarity AI's Μοντέλα εκτίμησης
Μια εφαρμογή της μηχανικής μάθησης είναι τα μοντέλα εκτίμησής μας. Η βασική αρχή των μοντέλων είναι να καταλάβουμε πώς οι μετρήσεις απόδοσης βιωσιμότητας μπορούν να προκύψουν από άλλα εταιρικά χαρακτηριστικά. Ένα ευρύ φάσμα πηγών δεδομένων και χαρακτηριστικών (πληροφορίες σχετικά με τον οργανισμό) χρησιμοποιούνται ως δεδομένα εισόδου για τα μοντέλα εκτίμησης, συμπεριλαμβανομένων, για παράδειγμα:
- Σε ποιον κλάδο βρίσκεστε;
- Τι είδους προϊόντα και υπηρεσίες πουλάτε;
- Είστε κατασκευαστής;
- Πού φτιάχνετε τα προϊόντα σας; • Πού πουλάτε τα προϊόντα σας;
- Ποιο είναι το κόστος εργασίας σας;
- Ποια είναι τα άλλα περιβαλλοντικά χαρακτηριστικά που μπορεί να συσχετίζονται με τη μέτρηση ενδιαφέροντος; (Αυτό εξαρτάται από τη μέτρηση.)
Βασικά στοιχεία που διαφοροποιούν τη μεθοδολογία του Clarity AIείναι η εκτίμηση της έντασης της μετρικής, η χρήση δεδομένων που δεν χρησιμοποιούνται για τον έλεγχο της προβλεπτικής ακρίβειας του μοντέλου και η συνεκτίμηση τόσο των μη γραμμικών επιδράσεων όσο και των επιδράσεων αλληλεπίδρασης. Αυτά είναι ζωτικής σημασίας για την εκτίμηση ορισμένων μετρικών βιωσιμότητας, όπως οι εκπομπές CO2.
