Riflettori puntati: Qualità dei dati - Dimensione 6, coerenza

Qualità dei dati
Pubblicato: 22 giugno 2023
Aggiornato: 9 settembre 2024
Riflettori puntati: Qualità dei dati - Dimensione 6, coerenza

Una serie di interviste con il team esecutivo di Clarity AI sulle 8 dimensioni della qualità dei dati

Come fa Clarity AI a garantire che i suoi dati siano della massima qualità?

Clarity AI utilizza una struttura a 8 dimensioni per garantire la massima qualità dei dati. Tali dimensioni sono: copertura, freschezza / tempestività, accuratezza, aggiornamento dei dati, spiegabilità, coerenza, puntualità e feedback. In questa serie di interviste ai dirigenti di Clarity AI , ciascuna di queste dimensioni viene esplorata e spiegata. Clarity AIIl team di esperti di crea metodologie scientifiche e basate su prove che poi sfruttano un'intelligenza artificiale potente e scalabile (ad esempio, l'apprendimento automatico) per raccogliere, pulire, analizzare ed espandere i set di dati esistenti per alimentare la sua piattaforma tecnologica per la sostenibilità o per integrarla direttamente nei flussi di lavoro esistenti degli utenti.

Dimensione 6 - Coerenza

Clarity AIÁngel Agudo, VP Product, Patricia Pina, Head of Product Research & Innovation, Juan Diego Martin, Head of Data Strategy, e Ron Potok, Head of Data Science, discutono con Chris Ciompi, Chief Marketing Officer di Clarity AI, la dimensione critica della coerenza e la sua relazione con la qualità dei dati. 

Chris Ciompi: Salve a tutti. Bentornati per un'altra discussione sulla qualità dei dati. Ángel, potresti definire la coerenza in relazione alla qualità dei dati?

Ángel Agudo: La coerenza può essere descritta da diversi punti di vista, ma per noi si tratta principalmente di trattare le informazioni nello stesso modo nel tempo e di essere in grado di fornire immagini dell'andamento delle aziende. È anche legata alla capacità di confronto, e una delle sfide principali della qualità dei dati è quella di confrontare le mele con le mele. L'accuratezza della definizione della metrica dovrebbe essere esattamente la stessa per ogni singola azienda. L'obiettivo finale è quello di poter fare confronti e di avere una coerenza quando si legge la metrica in tutte le aziende. La coerenza riguarda anche il modo in cui aggreghiamo tutte le informazioni e il modo in cui trattiamo le società, le controllate, i titoli... Quindi, quando si guarda a un portafoglio, tutto sarà organizzato e aggregato in modo coerente tra i diversi titoli, società e fondi.

Juan Diego Martín: Assolutamente, sono d'accordo con Ángel e, dal punto di vista dei clienti, la coerenza è fondamentale perché i nostri clienti guardano al problema della sostenibilità da lenti diverse. Alcuni guardano all'ESG, altri all'impatto o alle normative. La coerenza è essenziale per combinare e aggregare i portafogli azionari di diverse società ed estrarre i confronti, ma i clienti vogliono anche effettuare un controllo incrociato delle diverse prospettive. Hanno bisogno di capire i portafogli, i fondi e le società da diverse prospettive per avere una visione migliore, quindi hanno bisogno che tutta questa coerenza sia garantita e fornita.

Chris Ciompi: Ok, molto bene. Patricia, perché la coerenza è importante per i consumatori di dati sulla sostenibilità?

Patricia Pina: Quando parliamo di coerenza, ci sono due dimensioni diverse: la prima è la coerenza tra le analisi relative alla sostenibilità e la seconda è la coerenza temporale. Concentriamoci innanzitutto sulla prima, che si riferisce al fatto che la stessa azienda ha un valore metrico o un punteggio diverso a seconda del prodotto. Ad esempio, il cliente vedrebbe un valore diverso per il carbon score della società nel prodotto clima e nel prodotto ESG Risk score. Le ragioni di questa discrepanza potrebbero essere molto valide: frequenze di aggiornamento dei dati diverse a seconda del prodotto, universi di copertura diversi a seconda del prodotto che portano a punteggi diversi nel calcolo delle classifiche relative e dei punteggi best-in-class, o logiche di ereditarietà diverse tra società madre e società figlia a seconda del caso d'uso. Tuttavia, la prima cosa che i clienti noteranno è l'incoerenza e perderanno molto rapidamente la fiducia nei dati. Inoltre, i clienti spesso mescolano analisi provenienti da prodotti diversi per costruire una comprensione completa del percorso di sostenibilità di un'azienda, e le incoerenze tra i prodotti rendono molto difficile per loro sapere qual è la verità di base e come dovrebbero pensare a quella particolare azienda.

Per quanto riguarda la coerenza temporale, i clienti si scontrano con grandi cambiamenti inattesi tra un anno e l'altro; in questo caso si tratta di spiegare e garantire che tali cambiamenti siano giustificati nel contesto di una serie temporale. In altre parole, è necessario assicurarsi che questi grandi cambiamenti siano dovuti a effettivi cambiamenti di comportamento e che non siano legati alla modifica dei confini di rendicontazione o ad altri cambiamenti metodologici da parte dell'azienda. Un'altra sfida è rappresentata dal fatto che le aziende hanno riesaminato i valori dichiarati negli anni precedenti, perché in questo modo l'azienda presenta due valori diversi per la stessa metrica e per lo stesso anno, il che rappresenta un altro tipo di incoerenza. Questi casi devono essere valutati attentamente per capire cosa determina la rideterminazione e come affrontarla in base al caso d'uso.

Chris Ciompi: Grazie, Patricia. Juan Diego, come fa Clarity AI a garantire la coerenza dei suoi dati?

Juan Diego Martín: I nostri clienti devono utilizzare gli stessi dati e noi dobbiamo assicurarci di utilizzare la stessa mappatura e di aggregare le informazioni in modo sensato. L'interpretazione deve essere coerente, perché la coerenza serve a fornire una visione completa. I clienti capiscono meglio le cose e sono in grado di prendere decisioni di investimento migliori.

Chris Ciompi: Ok, capisco. Per quanto riguarda il "prendere decisioni di investimento migliori", è proprio questa la cosa che fanno...

Juan Diego Martín: Beh, questa è la loro magia.

Chris Ciompi: Credo che ci sia qualcosa da sottolineare. Stiamo parlando di diverse dimensioni della qualità dei dati, giusto? La coerenza dei dati può contribuire a formare la loro convinzione. Non stiamo parlando di prendere decisioni al posto loro. Cosa ne pensa?

Juan Diego Martín: No, è la fiducia, giusto? Questa convinzione è anche ciò che è stato menzionato in precedenza sulla costruzione della fiducia. Questo è un ulteriore elemento che li rende fiduciosi nei confronti dello strumento Clarity AI e delle informazioni in esso contenute, perché capiscono che c'è una logica dietro a tutto questo.

Chris Ciompi: Ok, perfetto. Ron, parliamo di coerenza e intelligenza artificiale. In che modo la coerenza e Clarity AI sono influenzati dall'intelligenza artificiale?

Ron Potok: Una cosa che vediamo molto chiaramente nei dati sulla sostenibilità è che in genere non cambiano molto da un anno all'altro, a meno che non si verifichi un evento che cambi radicalmente il corso dell'azienda. Questo è un aspetto che gli investitori tengono ben presente. Le aziende non cambiano molto rapidamente, soprattutto nel settore manifatturiero. Quindi ci si aspetta che di anno in anno un'azienda che ha ottenuto risultati peggiori impieghi un po' di tempo per evolversi in una migliore della categoria. Abbiamo imparato questo modello con l'intelligenza artificiale e lo applichiamo per garantire che i nostri punteggi rimangano fedeli alla natura dell'azienda, che spesso cambia lentamente. Questi modelli si possono osservare anche nelle aziende sociali e governative, dove i consigli di amministrazione e il turnover dei dipendenti non cambiano molto spesso. Identifichiamo gli schemi e li applichiamo ai dati e, quando notiamo delle eccezioni, li esaminiamo nuovamente.

Chris Ciompi: Quindi c'è un connubio tra IA ed esperti umani che lavorano insieme per identificare i modelli e applicarli ai dati. È corretto?

Ron Potok: Sì, l'IA identifica i modelli e noi li applichiamo ai dati. Quando vediamo delle eccezioni, diamo un'altra occhiata.

Chris Ciompi: Ok, bene. Patricia, in che modo la coerenza aiuta a guidare l'innovazione dei prodotti in Clarity AI?

Patricia Pina: La ricerca della coerenza ci ha portato a creare una piattaforma che integra più prodotti, tutti collegati a un'unica fonte di verità. Questa architettura ci permette di diffondere rapidamente l'innovazione in tutti i nostri prodotti. Per esempio, attualmente stiamo ingerendo dati satellitari per stimare il livello di attività degli asset posseduti da un'azienda, e questi dati saranno disponibili per il nostro prodotto sul clima e per il nostro prodotto sulla biodiversità di recente creazione. Per quanto riguarda il clima, li utilizzeremo per stimare i dati relativi ai gas serra, mentre per la biodiversità li useremo per quantificare la quota di attività di un'azienda esposta ai rischi legati alla natura.

Chris Ciompi: In che modo la coerenza dei dati su Clarity AI influenza le capacità dell'applicazione software?

Ron Potok: Una delle nostre proposte di valore è che forniamo tutte le esigenze di sostenibilità in un unico luogo, il che comporta un vantaggio significativo. Sfruttiamo gli stessi dati di base per tutte le metriche di sostenibilità nei diversi framework: ad esempio, le metriche di impatto sulla biodiversità incluse nella nostra soluzione dedicata alla biodiversità utilizzano gli stessi dati di quelle incluse nelle nostre soluzioni SFDR . Questo approccio, unito a metodologie coerenti, garantisce un elevato livello di coerenza complessiva. Ciò significa che una volta appreso il metodo di lavoro di un modulo, come Net Zero, SFDR o EU Taxonomy, questo è uguale per tutti i moduli. Questa potrebbe essere una proposta preziosa, soprattutto per le piccole e medie imprese. Invece di doversi rivolgere a più sedi e preoccuparsi di coperture diverse, eredità e altre questioni, possono affidarsi alla nostra piattaforma per tutte le loro esigenze di sostenibilità.

Ángel Agudo: La nostra piattaforma fornisce la tracciabilità di tutte le diverse dimensioni che abbiamo menzionato, assicurando che tutto funzioni in modo coerente. Faccio un esempio. Quando si carica un portafoglio, si può vedere come viene suddiviso in singole organizzazioni o governi che popolano la visione globale del portafoglio. Questo è distribuito su diversi obiettivi e si può notare che tutti questi universi sono replicati nei diversi moduli. È importante mantenere la tracciabilità di quelli inclusi o esclusi all'interno di ciascuno dei diversi obiettivi per comprendere le informazioni visualizzate. È anche importante avere buoni collegamenti tra titoli e organizzazioni. Il nostro software offre una trasparenza totale su come sono collegati i diversi elementi e le definizioni delle metriche sono coerenti tra i vari moduli. In questo modo potete fidarvi delle informazioni che vedete.

Chris Ciompi: Grazie ancora a tutti. Grande discussione!

Inserisci il tuo indirizzo e-mail per saperne di più

Richiedi una demo