Come l'apprendimento automatico può ampliare la copertura dei dati sulla sostenibilità
Utilizzo di modelli di stima per migliorare il reporting di sostenibilità
La mancanza di copertura dei dati è un ostacolo importante che può essere superato attraverso l'uso del machine learning. Oggi, l'80% delle società quotate in borsa non riporta i dati di sostenibilità richiesti. Ciò significa che, a prescindere dai problemi di affidabilità, solo il 20% delle società quotate in borsa riporta dati completi sulla sostenibilità come base di partenza. Molti fornitori possono quindi accumulare informazioni parziali o mancanti, rendendo difficile la creazione di punteggi coerenti tra i vari peer e potenzialmente influenzando i punteggi verso le aziende che divulgano in modo selettivo, tralasciando i dati sugli indicatori per i quali sono in ritardo. Ecco perché Clarity AI sfrutta le informazioni aziendali disponibili e gli algoritmi di apprendimento automatico per colmare le lacune informative e fornire il quadro più completo possibile.
Dal punto di vista geografico, l'Europa è stata all'avanguardia con le normative nazionali sulla rendicontazione dei cambiamenti climatici per le aziende, che si traduce nella più alta copertura di rendicontazione dei gas serra tra le principali regioni del mondo. Nel frattempo, la Securities and Exchange Commission statunitense sta preparando una normativa specifica sul reporting climatico per il 2022. Si prevede che il tasso di rendicontazione in Nord America raggiungerà quello europeo entro i prossimi due anni.
Clarity AIModelli di stima
Un'applicazione dell'apprendimento automatico è rappresentata dai nostri modelli di stima. Il principio alla base dei modelli è capire come le metriche di performance della sostenibilità possano essere derivate da altri attributi aziendali. Come input per i modelli di stima viene utilizzata un'ampia gamma di fonti di dati e caratteristiche (informazioni sull'organizzazione), tra cui, ad esempio:
- In quale settore lavorate?
- Quali tipi di prodotti e servizi vendete?
- Siete un produttore?
- Dove si producono i prodotti? - Dove vendete i vostri prodotti?
- Quali sono i costi della manodopera?
- Quali sono le altre caratteristiche ambientali che possono essere correlate alla metrica di interesse? (Questo dipende dalla metrica).
I principali elementi di differenziazione della metodologia di Clarity AIsono la stima dell'intensità della metrica, l'uso di dati di attesa per testare l'accuratezza predittiva del modello e la considerazione di effetti non lineari e di interazione. Questi ultimi sono fondamentali per la stima di alcune metriche di sostenibilità come le emissioni di CO2.
