Riflettori puntati: Qualità dei dati - Dimensione 7, Point in Time

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 7 - Punto nel tempo

Clarity AIÁngel Agudo, vicepresidente del prodotto, Patricia Pina, responsabile della ricerca e dell'innovazione del prodotto, Juan Diego Martin, responsabile della strategia dei dati e Ron Potok, responsabile della scienza dei dati, discutono con Chris Ciompi, direttore marketing di Clarity AI, la dimensione critica del punto nel tempo e la sua relazione con la qualità dei dati. 

Chris Ciompi: Grazie ancora a tutti per averci dedicato del tempo per parlare di un'altra dimensione della qualità dei dati. La prossima è il punto nel tempo. Ángel, potresti definire il punto nel tempo in relazione alla qualità dei dati.

Ángel Agudo: Point in time è la capacità di vedere i diversi valori che forniamo nel tempo per metriche, organizzazioni, governi... e la loro evoluzione. La nostra piattaforma fornisce aggiornamenti che avvengono in tempo reale. Ad esempio, le notizie identificate sulle aziende possono arrivare frequentemente, influenzando la percezione e l'analisi dell'azienda. Le informazioni puntuali consentono di vedere quali sono le fluttuazioni dell'azienda che potrebbero verificarsi a causa di questi eventi in tempo reale.

Chris Ciompi: Stai parlando di fluttuazioni in tempo reale e di giustapposizione con un punto nel tempo, puoi spiegarlo di nuovo?

Ángel Agudo: Certo. Definiamo punto nel tempo la combinazione di informazioni che si verifica ogni singolo momento in cui aggiorniamo le informazioni. Forniamo i dati che abbiamo sulle organizzazioni, che possono avere una frequenza molto bassa, come gli aggiornamenti annuali delle informazioni riportate dall'azienda, o una frequenza elevata che può provenire da altre fonti di informazione che non sono necessariamente fornite dall'azienda, come le notizie provenienti dalle ONG. Tutte queste informazioni motivano cambiamenti nell'azienda su singole metriche o nella percezione generale dell'azienda.

Chris Ciompi: Grazie. Ok, Patricia. Perché il punto nel tempo è importante per i consumatori di dati sulla sostenibilità?

Patricia Pina: Per i nostri clienti è fondamentale comprendere il percorso di sostenibilità che le aziende stanno compiendo e la loro posizione in diversi momenti. Se ci concentriamo, ad esempio, sulla necessità di decarbonizzare la nostra economia, non è sufficiente capire quali aziende hanno oggi basse emissioni di carbonio. La vera domanda interessante riguarda le aziende ad alte emissioni che stanno iniziando il loro percorso di decarbonizzazione e stanno guadagnando slancio. Per decarbonizzare l'economia reale è necessario identificare e sostenere queste aziende ad alte emissioni nella loro transizione; solo valutando l'evoluzione della traiettoria delle emissioni delle aziende in diversi momenti è possibile farlo. Allo stesso modo, il point in time permette ai nostri clienti di identificare le aziende che non si stanno ancora decarbonizzando, in modo da poter creare strategie di coinvolgimento.

Chris Ciompi: Grazie, Patricia. Juan Diego, come fa Clarity AI a garantire che i suoi dati incorporino il punto nel tempo come dimensione della qualità dei dati?

Juan Diego Martín: Per capire cosa era disponibile in un momento diverso del passato, dobbiamo combinare due cose: dati e processi. Per quanto riguarda i dati, tutto deve essere collegato a un timestamp, a una firma e al momento in cui questi dati sono stati pubblicati, ricercati, elaborati ed esposti al cliente. Questo combina diverse frequenze di dati, dove le notizie possono cambiare istantaneamente e la capitalizzazione del mercato può cambiare ogni giorno o minuto, mentre le informazioni su politiche e regolamenti possono richiedere più tempo per essere aggiornate. L'altro elemento che prendiamo in considerazione è la presenza di processi robusti nei confronti di eventi che potrebbero compromettere la capacità di ricostruire questo quadro nel passato. Ad esempio, se un'azienda cambia nome o si verificano fusioni, dobbiamo essere pronti a combinare le informazioni e a fornire una visione accurata di ciò che era disponibile in un determinato momento.

Chris Ciompi: Ok, analizziamo questo esempio. Lei ha appena parlato di un dato riportato e poi, un anno dopo, quel dato viene rideterminato. Come funziona il nostro sistema, come funziona il punto nel tempo in questo scenario?

Juan Diego Martín: Quindi, se guardiamo alla visione storica rispetto a quella puntuale, dovremmo utilizzare le informazioni rideterminate perché forniscono la visione più accurata del risultato di quella società in quel preciso momento. Ma se guardiamo al momento storico, quello che cerchiamo di capire è quali informazioni erano disponibili in un determinato momento, e quindi dobbiamo utilizzare le informazioni non ristrette per dare un senso alle informazioni pubblicate originariamente.

Chris Ciompi: Grazie. Ok, Ron, in che modo il punto nel tempo di Clarity AI è influenzato dall'intelligenza artificiale?

Ron Potok: Utilizziamo un esempio chiaro e specifico, come le emissioni dell'Ambito 3. Perché l'ambito 3 è speciale? È speciale perché è molto difficile da rendicontare. Il suo reporting non è ancora standardizzato. Molte aziende non riportano tutti i campi dello Scope 3 che sono estremamente rilevanti per il loro settore. Quindi la mancanza di standardizzazione e di maturità dell'ambito 3 ci costringe a fare un controllo supplementare. Usiamo la nostra stima dell'Ambito 3 e la confrontiamo con i dati riportati, e abbiamo la possibilità di sovrascrivere i dati riportati con la nostra stima a causa della mancanza di coerenza e di maturità dei dati riportati sull'Ambito 3. Quindi, credo che questo sia un punto a favore. Credo quindi che questo sia l'unico caso in cui il punto nel tempo ha una forte influenza sui nostri modelli di stima. Per il resto, come abbiamo discusso in un episodio precedente di questa serie, il programma di notizie incorpora i punti nel tempo per modificare i punteggi ESG.

Chris Ciompi: Puoi dire qualcosa di più?

Ron Potok: Permettiamo alle nuove controversie di influenzare le decisioni che prendete il prima possibile. Non appena troviamo i dati, li elaboriamo attraverso la nostra piattaforma in modo molto efficiente. In questo modo, non si riceve l'influenza di una controversia un mese dopo che questa si è verificata. Vogliamo che possiate sapere che i nostri punteggi ESG riflettono il vero rischio ESG o la sostenibilità associata all'azienda in quel momento.

Chris Ciompi: Capito. Grazie a tutti!