Pleins feux sur la qualité des données : Qualité des données - Dimension 6, Cohérence

Une série d'entretiens avec l'équipe de direction de Clarity AI sur les 8 dimensions de la qualité des données

Comment Clarity AI s'assure-t-il que ses données sont de la plus haute qualité ?

Clarity AI utilise un cadre en huit dimensions pour garantir la qualité optimale des données. Ces dimensions sont la couverture, la fraîcheur / l'actualité, l' exactitude, la mise à jour des données, l'explicabilité, la cohérence, le point dans le temps et le retour d'information. Dans cette série d'entretiens avec des dirigeants de Clarity AI , chacune de ces dimensions est explorée et expliquée. Clarity AIL'équipe d'experts de l'entreprise crée des méthodologies scientifiques et factuelles qui s'appuient ensuite sur une intelligence artificielle puissante et évolutive (par exemple, l'apprentissage automatique) pour collecter, nettoyer, analyser et étendre les ensembles de données existants afin d'alimenter sa plateforme technologique de durabilité ou de l'intégrer directement dans les flux de travail existants des utilisateurs.

Dimension 6 - Cohérence

Clarity AIÁngel Agudo, vice-président chargé des produits, Patricia Pina, responsable de la recherche et de l'innovation en matière de produits, Juan Diego Martin, responsable de la stratégie des données, et Ron Potok, responsable de la science des données, discutent, avec Chris Ciompi, directeur général du marketing de Clarity AI, de la dimension essentielle de la cohérence et de sa relation avec la qualité des données. 

Chris Ciompi : Bonjour à tous. Nous sommes de retour pour une nouvelle discussion sur la qualité des données. Ángel, pouvez-vous définir la cohérence dans le cadre de la qualité des données ?

Ángel Agudo : La cohérence peut être décrite sous différents angles, mais pour nous, il s'agit principalement de traiter les informations de la même manière au fil du temps et d'être en mesure de fournir des images de la façon dont les entreprises se sont comportées. Elle est également liée à la capacité de comparaison, et l'un des principaux défis de la qualité des données est de comparer des pommes avec des pommes. La précision de la définition de la mesure doit être exactement la même pour chaque entreprise. L'objectif final est de pouvoir faire des comparaisons et d'avoir une cohérence lorsque vous lisez l'indicateur dans toutes les entreprises. Il y a également une cohérence dans la manière dont nous agrégeons toutes les informations et dont nous traitons les entreprises, les filiales, les titres... Ainsi, lorsque vous regardez un portefeuille, tout sera organisé et agrégé de manière cohérente entre les différents titres, entreprises et fonds.

Juan Diego Martín : Absolument, je suis d'accord avec Ángel, et du point de vue des clients, la cohérence est cruciale parce que nos clients envisagent le problème de la durabilité sous différents angles. Certains s'intéressent à l'ESG, d'autres à l'impact ou aux réglementations. La cohérence est essentielle pour combiner et agréger les portefeuilles d'actions de différentes entreprises et en extraire des comparaisons, mais les clients veulent aussi recouper les différentes perspectives. Ils ont besoin de comprendre les portefeuilles, les fonds et les entreprises sous différents angles pour avoir une meilleure vue d'ensemble, et ils ont donc besoin que toute cette cohérence soit accordée et fournie.

Chris Ciompi : D'accord, très bien. Patricia, pourquoi la cohérence est-elle importante pour les consommateurs de données sur le développement durable ?

Patricia Pina : Lorsque nous parlons de cohérence, il y a deux dimensions différentes : premièrement, la cohérence entre les analyses liées à la durabilité, et deuxièmement, la cohérence dans le temps. Concentrons-nous d'abord sur la première, qui fait référence au fait que la même entreprise a une valeur métrique ou un score qui diffère selon le produit. Par exemple, le client verra une valeur différente pour le score carbone de l'entreprise dans le produit climat et dans le produit score de risque ESG. Il peut y avoir de très bonnes raisons à cet écart : des fréquences de mise à jour des données différentes selon les produits, des univers de couverture différents selon les produits qui conduisent à des scores différents lors du calcul des classements relatifs et des scores "best-in-class", ou des logiques d'héritage différentes entre les sociétés mères et les filiales en fonction du cas d'utilisation. Cependant, la première chose que les clients remarqueront est l'incohérence et ils perdront très rapidement confiance dans les données. En outre, les clients mélangent souvent des analyses provenant de différents produits afin d'obtenir une compréhension globale du parcours d'une entreprise en matière de développement durable. Les incohérences entre les produits font qu'il est très difficile pour eux de savoir quelle est la vérité de base et comment ils doivent penser à cette entreprise en particulier.

En ce qui concerne la cohérence temporelle, les clients sont confrontés à d'importants changements inattendus entre les années ; dans ce cas, il s'agit d'expliquer ces changements et de s'assurer qu'ils sont justifiés dans le contexte d'une série chronologique. En d'autres termes, il s'agit de s'assurer que ces changements importants sont dus à des changements réels de comportement et qu'ils ne sont pas liés à une modification des limites de déclaration de l'entreprise ou à d'autres changements méthodologiques. La question du retraitement par les entreprises des valeurs déclarées les années précédentes constitue également un autre défi, car il en résulte deux valeurs différentes pour la même mesure et la même année, ce qui constitue un autre type d'incohérence. Ces cas doivent être soigneusement évalués pour comprendre ce qui motive le retraitement et comment il doit être traité en fonction du cas d'utilisation.

Chris Ciompi : Merci, Patricia. Juan Diego, comment Clarity AI s'assure-t-il de la cohérence de ses données ?

Juan Diego Martín : Nos clients doivent utiliser les mêmes données, et nous devons nous assurer que nous utilisons la même cartographie et que nous agrégeons les informations de manière logique. L'interprétation doit être cohérente, car la cohérence permet de fournir une vue d'ensemble. Ils comprennent mieux les choses et sont en mesure de prendre de meilleures décisions d'investissement.

Chris Ciompi : D'accord, je comprends. Pour ce qui est de "prendre de meilleures décisions d'investissement", c'est exactement ce qu'ils font...

Juan Diego Martín : C'est leur magie.

Chris Ciompi : Je pense qu'il y a un point sur lequel nous devons insister. Nous parlons de différentes dimensions autour de la qualité des données, n'est-ce pas ? La cohérence des données peut contribuer à forger leur conviction. Il ne s'agit pas de prendre des décisions à leur place. Qu'en pensez-vous ?

Juan Diego Martín : Non, c'est la confiance, n'est-ce pas ? Cette conviction correspond également à ce qui a été mentionné précédemment à propos de l'instauration de la confiance. C'est un élément supplémentaire qui les rend confiants dans l'outil Clarity AI et dans les informations qu'il contient, parce qu'ils comprennent qu'il y a une logique derrière tout cela.

Chris Ciompi : D'accord, très bien. Ron, parlons de la cohérence et de l'intelligence artificielle. Comment l'intelligence artificielle influence-t-elle la cohérence et le site Clarity AI ?

Ron Potok : Ce que nous voyons très clairement dans les données sur le développement durable, c'est qu'elles ne changent généralement pas beaucoup d'une année sur l'autre, à moins qu'un événement ne vienne modifier radicalement la trajectoire de l'entreprise. C'est une chose à laquelle les investisseurs sont attentifs. Les entreprises ne changent pas très vite, surtout dans le secteur manufacturier. Il faut donc s'attendre à ce que, d'une année sur l'autre, une entreprise moins performante mette un peu de temps à devenir la meilleure de sa catégorie. Nous avons appris ce modèle grâce à l'intelligence artificielle et nous l'appliquons pour nous assurer que nos notes restent fidèles à la nature de l'entreprise, qui évolue souvent lentement. Vous pouvez également observer ces schémas dans les entreprises sociales et gouvernementales, où le conseil d'administration et la rotation du personnel ne changent pas très souvent. Nous identifions des modèles et les appliquons aux données, et lorsque nous constatons des exceptions, nous réexaminons la situation.

Chris Ciompi : Il s'agit donc d'un mariage entre l'IA et des experts humains qui travaillent ensemble pour identifier des modèles et les appliquer aux données. Est-ce exact ?

Ron Potok : Oui, l'IA identifie des modèles et nous appliquons ces modèles aux données. Lorsque nous constatons des exceptions, nous réexaminons la situation.

Chris Ciompi : D'accord. Patricia, comment la cohérence aide-t-elle à stimuler l'innovation des produits sur Clarity AI?

Patricia Pina : La recherche de la cohérence nous a amenés à créer une plateforme qui intègre plusieurs produits, tous connectés à une source unique de vérité. Une telle architecture nous permet de propager rapidement l'innovation dans tous nos produits. Par exemple, nous sommes en train d'ingérer des données satellitaires pour estimer le niveau d'activité des actifs qu'une entreprise possède, et ces données seront disponibles pour notre produit sur le climat ainsi que pour notre produit sur la biodiversité nouvellement créé. Dans le domaine du climat, nous les utiliserons pour estimer les données relatives aux gaz à effet de serre, tandis que dans le domaine de la biodiversité, nous les utiliserons pour quantifier la part des activités d'une entreprise qui est exposée à des risques liés à la nature.

Chris Ciompi : Comment la cohérence des données sur Clarity AI influence-t-elle les capacités de l'application logicielle ?

Ron Potok : L'une de nos propositions de valeur est que nous fournissons tous vos besoins en matière de durabilité en un seul endroit, ce qui présente un avantage significatif. Nous utilisons les mêmes données de base pour toutes les mesures de durabilité dans différents cadres - par exemple, les mesures d'impact sur la biodiversité incluses dans notre solution dédiée à la biodiversité utilisent les mêmes données que celles incluses dans nos solutions SFDR . Cette approche, associée à des méthodologies cohérentes, garantit un niveau élevé de cohérence globale. Cela signifie qu'une fois que vous avez appris comment nous procédons dans un module, tel que Net Zero, SFDR ou EU Taxonomy, il en va de même dans tous les modules. Cela pourrait être une proposition intéressante, en particulier pour les petites et moyennes entreprises. Au lieu de devoir se rendre à plusieurs endroits et de s'inquiéter des différentes couvertures, des héritages et d'autres questions, elles peuvent s'appuyer sur notre plateforme pour tous leurs besoins en matière de durabilité.

Ángel Agudo : Notre plateforme assure la traçabilité de toutes les dimensions que nous avons mentionnées, en veillant à ce que tout fonctionne de manière cohérente. Permettez-moi de vous donner un exemple. Lorsque vous téléchargez un portefeuille, vous pouvez voir comment il est décomposé en organisations ou gouvernements individuels qui alimentent la vue d'ensemble du portefeuille. Ce dernier est réparti entre différents objectifs, et vous pouvez voir que tous ces univers sont reproduits dans les différents modules. Il est important d'assurer la traçabilité de ceux qui sont inclus ou exclus dans chacun des différents objectifs afin de comprendre les informations affichées. Il est également important d'avoir de bons liens entre les titres et les organisations. Notre logiciel offre une transparence totale sur la manière dont les différents éléments sont connectés, et les définitions des mesures sont cohérentes entre les modules. Vous pouvez donc faire confiance aux informations que vous voyez.

Chris Ciompi : Merci encore à tous. Excellente discussion !