Uso de modelos de estimación para mejorar los informes de sostenibilidad
La falta de cobertura de datos es un obstáculo importante que puede superarse mediante el uso del aprendizaje automático. En la actualidad, el 80 % de las empresas que cotizan en bolsa no comunican los datos de sostenibilidad exigidos. Esto significa que, independientemente de los problemas de fiabilidad, solo el 20 % de las empresas que cotizan en bolsa comunican datos completos sobre sostenibilidad como referencia. Muchos proveedores pueden entonces acumular información parcial o faltante, dificultando la creación de puntuaciones coherentes entre pares y sesgando potencialmente las puntuaciones hacia empresas que divulgan selectivamente omitiendo datos sobre indicadores en los que están atrasadas. Por ello, Clarity AI aprovecha la información disponible sobre las empresas y los algoritmos de aprendizaje automático para rellenar las lagunas de información y ofrecer la imagen más completa posible.
Desde el punto de vista geográfico, Europa ha estado a la cabeza de las normativas nacionales sobre la presentación de informes sobre el cambio climático por parte de las empresas, lo que cristaliza en la mayor cobertura de informes sobre GEI entre las principales regiones del mundo. Mientras tanto, la Comisión de Valores de EE.UU. está preparando una normativa específica de información sobre el clima para 2022. Se espera que la información en Norteamérica alcance el ritmo de Europa en los próximos dos años.
Clarity AIModelos de estimación
Una de las aplicaciones del aprendizaje automático son nuestros modelos de estimación. El principio subyacente de los modelos es averiguar cómo se pueden derivar las métricas de rendimiento de sostenibilidad de otros atributos corporativos. Los modelos de estimación utilizan una amplia gama de fuentes de datos y características (información sobre la organización), por ejemplo:
- ¿A qué sector pertenece?
- ¿Qué tipos de productos y servicios vende?
- ¿Es usted un fabricante?
- ¿Dónde fabrica sus productos? - ¿Dónde vende sus productos?
- ¿Cuáles son sus costes laborales?
- ¿Qué otras características ambientales pueden estar correlacionadas con la métrica de interés? (Esto depende de la métrica).
Los principales elementos diferenciadores de la metodología de Clarity AIson la estimación de la intensidad de la métrica, el uso de datos retenidos para comprobar la precisión predictiva del modelo y la consideración de los efectos no lineales y de interacción. Estos son cruciales para estimar ciertas métricas de sostenibilidad como las emisiones de CO2.
