Em destaque: Qualidade dos dados - Dimensão 6, Consistência

Uma série de entrevistas com a equipa executiva do Clarity AI sobre as 8 dimensões da qualidade dos dados

Como é que Clarity AI garante que os seus dados são da mais elevada qualidade?

Clarity AI utiliza um quadro de 8 dimensões para garantir que os dados são da mais elevada qualidade. Essas dimensões são a cobertura, a atualidade , a exatidão, as actualizações de dados, a explicabilidade, a consistência, o ponto no tempo e o feedback. Nesta série de entrevistas com executivos da Clarity AI , cada uma destas dimensões é explorada e explicada. Clarity AIA equipa de especialistas da cria metodologias científicas e baseadas em evidências que, em seguida, utilizam inteligência artificial poderosa e escalável (por exemplo, aprendizagem automática) para recolher, limpar, analisar e expandir conjuntos de dados existentes para alimentar a sua plataforma tecnológica de sustentabilidade ou para integrar diretamente nos fluxos de trabalho existentes dos utilizadores.

Dimensão 6 - Coerência

Clarity AIÁngel Agudo, Diretor de Investigação e Inovação de Produtos, Patricia Pina, Diretor de Estratégia de Dados, Juan Diego Martin, e Ron Potok, Diretor de Ciência de Dados, debatem - com Chris Ciompi, Diretor de Marketing de Clarity AI- a dimensão crítica da consistência e a sua relação com a qualidade dos dados. 

Chris Ciompi: Olá a todos. Bem-vindos a mais um debate sobre a qualidade dos dados. Ángel, podes definir consistência no que diz respeito à qualidade dos dados?

Ángel Agudo: A consistência pode ser descrita de diferentes ângulos, mas, para nós, tem sobretudo a ver com o tratamento da informação da mesma forma ao longo do tempo e com a capacidade de fornecer imagens do desempenho das empresas. Também está relacionada com a capacidade de comparar, e um dos principais desafios da qualidade dos dados é comparar maçãs com maçãs. A precisão da definição da métrica deve ser exatamente a mesma para todas as empresas. O objetivo final é poder fazer comparações e ter consistência quando se lê a métrica em todas as empresas. Há também consistência na forma como agregamos toda a informação e como tratamos as empresas, as subsidiárias, os títulos... Assim, quando olhamos para uma carteira, tudo vai estar organizado e agregado de forma consistente nos diferentes títulos, empresas e fundos.

Juan Diego Martín: Absolutamente, concordo com o Ángel e, do ponto de vista do cliente, a consistência é crucial, porque os nossos clientes estão a olhar para o problema da sustentabilidade de diferentes perspectivas. Alguns estão a olhar para o ESG, outros estão a olhar para o impacto, ou a usar regulamentos. A consistência é essencial para combinar e agregar as carteiras de acções de diferentes empresas e extrair comparações, mas os clientes também querem cruzar diferentes perspectivas. Precisam de compreender as carteiras, os fundos e as empresas de diferentes perspectivas para terem uma melhor visão, pelo que precisam que toda esta consistência seja garantida e fornecida.

Chris Ciompi: Muito bem, ótimo. Patricia, porque é que a consistência é importante para os consumidores de dados de sustentabilidade?

Patrícia Pina: Quando falamos de consistência, há duas dimensões diferentes: em primeiro lugar, a consistência entre as análises relacionadas com a sustentabilidade e, em segundo lugar, a consistência temporal. Vamos concentrar-nos primeiro na primeira, que se refere ao facto de a mesma empresa ter um valor métrico ou uma pontuação que é diferente consoante o produto. Por exemplo, o cliente veria um valor diferente para a pontuação de carbono da empresa no produto climático e no produto de pontuação de risco ESG. E pode haver boas razões para esta discrepância: diferentes frequências de atualização de dados por produto, diferentes universos de cobertura por produto que conduzem a pontuações diferentes ao calcular as classificações relativas e as melhores pontuações da classe, ou diferentes lógicas de herança entre empresas-mãe e subsidiárias, dependendo do caso de utilização. No entanto, a primeira coisa que os clientes notarão é a inconsistência e rapidamente perderão a confiança nos dados. Além disso, os clientes estão muitas vezes a misturar análises de diferentes produtos para construir uma compreensão abrangente do percurso de sustentabilidade de uma empresa, as inconsistências entre produtos tornam muito difícil para eles saber qual é a verdade fundamental e como devem pensar sobre essa empresa em particular.

No que respeita à consistência temporal, os clientes debatem-se com grandes mudanças inesperadas entre anos; neste caso, trata-se de explicar e garantir que essas mudanças se justificam no contexto de uma série cronológica. Por outras palavras, trata-se de garantir que estas grandes alterações se devem a mudanças reais de comportamento e que não estão relacionadas com a alteração dos limites de reporte por parte da empresa ou com outras alterações metodológicas. A questão de as empresas reafirmarem os valores comunicados em anos anteriores é também outro desafio, porque resulta no facto de a empresa ter dois valores diferentes para a mesma métrica e ano, o que constitui outro tipo de incoerência. Estes casos têm de ser cuidadosamente avaliados para compreender o que está a motivar a reformulação e como deve ser tratada com base no caso de utilização.

Chris Ciompi: Obrigado, Patrícia. Juan Diego, como é que Clarity AI garante que os seus dados são consistentes?

Juan Diego Martín: Os nossos clientes têm de utilizar os mesmos dados e nós temos de nos certificar de que estamos a utilizar o mesmo mapeamento e a agregar a informação de uma forma que faça sentido. A interpretação precisa de ser consistente, porque a consistência tem a ver com o fornecimento de uma visão abrangente. Os clientes compreendem melhor as coisas e são capazes de tomar melhores decisões de investimento.

Chris Ciompi: Está bem, estou a perceber. Sobre "tomar melhores decisões de investimento", é exatamente isso que eles fazem...

Juan Diego Martín: Bem, esta é a sua magia.

Chris Ciompi: Penso que há aqui algo que devemos realçar. Estamos a falar de diferentes dimensões da qualidade dos dados, certo? A consistência dos dados pode ajudar a formar a sua convicção. Não estamos a falar de tomar decisões por eles. O que é que pensa sobre isso?

Juan Diego Martín: Não, é a confiança, não é? Esta convicção é também o que foi mencionado anteriormente sobre a criação de confiança. Este é um elemento adicional que os torna confiantes em relação à ferramenta Clarity AI e à informação nela contida, porque compreendem que há uma lógica por detrás de tudo.

Chris Ciompi: Muito bem, ótimo. Ron, vamos falar sobre consistência e IA. Como é que a consistência e Clarity AI são influenciadas pela inteligência artificial?

Ron Potok: Algo que vemos muito claramente nos dados de sustentabilidade é que, normalmente, não mudam muito de ano para ano, a menos que haja um evento que altere drasticamente o rumo da empresa. É um aspeto a que os investidores estão atentos. As empresas não mudam muito rapidamente, especialmente na indústria transformadora. Por isso, a expetativa é que, de ano para ano, uma empresa com pior desempenho demore algum tempo a evoluir para a melhor da sua classe. Aprendemos este padrão com a inteligência artificial e aplicamo-lo para garantir que as nossas pontuações se mantêm fiéis à natureza do negócio, que é frequentemente de mudança lenta. Também é possível observar estes padrões em empresas sociais e governamentais, onde os directores e a rotação de funcionários não mudam com muita frequência. Identificamos padrões e aplicamo-los aos dados e, quando vemos excepções, voltamos a analisar.

Chris Ciompi: Portanto, há uma combinação de IA e especialistas humanos a trabalhar em conjunto para identificar padrões e aplicá-los aos dados. Está correto?

Ron Potok: Sim, a IA identifica padrões e nós aplicamos esses padrões aos dados. Quando vemos excepções, damos outra vista de olhos.

Chris Ciompi: Muito bem, ótimo. Patricia, como é que a consistência ajuda a impulsionar a inovação de produtos em Clarity AI?

Patricia Pina: A procura de consistência levou-nos a criar uma plataforma que integra vários produtos, todos ligados a uma única fonte de verdade. Esta arquitetura permite-nos propagar rapidamente a inovação em todos os nossos produtos. Por exemplo, estamos atualmente a ingerir dados de satélite para estimar o nível de atividade dos activos que uma empresa possui, e estes dados estarão disponíveis para o nosso produto climático, bem como para o nosso produto de biodiversidade recentemente criado. No domínio do clima, utilizá-los-emos para estimar os dados relativos aos gases com efeito de estufa e, no domínio da biodiversidade, utilizá-los-emos para quantificar a parte das operações de uma empresa que está exposta a riscos relacionados com a natureza.

Chris Ciompi: Como é que a consistência dos dados em Clarity AI influencia as capacidades da aplicação de software?

Ron Potok: Uma das nossas propostas de valor é que fornecemos todas as suas necessidades de sustentabilidade num único local, o que tem um benefício significativo. Utilizamos os mesmos dados de base para todas as métricas de sustentabilidade em diferentes estruturas - por exemplo, as métricas de impacto da biodiversidade incluídas na nossa solução dedicada à biodiversidade utilizam os mesmos dados que as incluídas nas nossas soluções SFDR . Esta abordagem, associada a metodologias consistentes, garante um elevado nível de consistência global. Isto significa que, uma vez aprendida a forma como fazemos as coisas num módulo, como o Net Zero, SFDR, ou a Taxonomia da UE, é a mesma em todos os módulos. Esta pode ser uma proposta valiosa, especialmente para as pequenas e médias empresas. Em vez de terem de ir a vários sítios e preocuparem-se com diferentes coberturas, heranças e outras questões, podem confiar na nossa plataforma para todas as suas necessidades de sustentabilidade.

Ángel Agudo: A nossa plataforma proporciona rastreabilidade em todas as diferentes dimensões que mencionámos, garantindo que tudo funciona de forma consistente em todas elas. Deixem-me dar-vos um exemplo. Quando carregamos uma carteira, podemos ver como está dividida em organizações ou governos individuais que preenchem a visão global da carteira. Isto é distribuído por diferentes lentes e pode ver que todos esses universos são replicados nos diferentes módulos. É importante manter a rastreabilidade dos que foram incluídos ou excluídos em cada uma das diferentes lentes para compreender a informação apresentada. Também é importante ter boas ligações entre títulos e organizações. O nosso software proporciona total transparência sobre a forma como as diferentes peças estão ligadas e as definições das métricas são consistentes em todos os módulos. Por isso, pode confiar na informação que vê.

Chris Ciompi: Mais uma vez, obrigado a todos. Grande discussão!