Em destaque: Qualidade dos dados - Dimensão 7, Ponto no tempo

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 7 - Ponto no tempo

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 do momento e a sua relação com a qualidade dos dados. 

Chris Ciompi: Mais uma vez, obrigado a todos por dedicarem o vosso tempo a conversar sobre outra dimensão da qualidade dos dados. A próxima é o ponto no tempo. Ángel, podes definir ponto no tempo no que diz respeito à qualidade dos dados?

Ángel Agudo: Point in time é a capacidade de ver os diferentes valores que fornecemos ao longo do tempo para métricas, organizações, governos... e como estão a evoluir. A nossa plataforma fornece actualizações que acontecem em tempo real. Por exemplo, as notícias identificadas sobre as empresas podem surgir com frequência, o que afecta a perceção e a análise da empresa. A informação pontual permite-lhe ver quais são as flutuações na empresa que podem estar a acontecer devido a esses eventos em tempo real.

Chris Ciompi: Está a falar de flutuações em tempo real e a justapô-las a um ponto no tempo, pode explicar isso novamente?

Ángel Agudo: Claro. Definimos "point in time" como a combinação de informação que acontece em cada momento em que actualizamos a informação. Fornecemos os dados que temos sobre as organizações, que podem vir com uma frequência muito baixa, como actualizações anuais das informações comunicadas pela empresa, ou com uma frequência elevada, que pode vir de outras fontes de informação que não são necessariamente fornecidas pela empresa, como relatórios de notícias provenientes de ONG. Todas elas motivarão mudanças na empresa em termos de métricas individuais ou na perceção geral da empresa.

Chris Ciompi: Obrigado. Muito bem, Patrícia. Porque é que o momento é importante para os consumidores de dados de sustentabilidade?

Patricia Pina: Compreender o percurso de sustentabilidade que as empresas estão a fazer e em que ponto se encontram em diferentes momentos é fundamental para os nossos clientes. Se nos centrarmos, por exemplo, na necessidade de descarbonizar a nossa economia, não é suficiente compreender quais as empresas que têm baixas emissões de carbono atualmente. A verdadeira questão interessante é saber quais são as empresas com emissões elevadas que estão a iniciar a sua jornada de descarbonização e que estão a ganhar ímpeto. A descarbonização da economia real exige a identificação e o apoio a estas empresas com emissões elevadas na sua transição; só através da avaliação da evolução da trajetória de emissões das empresas em diferentes momentos é que o podemos fazer. Da mesma forma, a análise pontual permite aos nossos clientes identificar as empresas que ainda não estão a descarbonizar, para que possam criar estratégias de envolvimento.

Chris Ciompi: Obrigado, Patrícia. Juan Diego, como é que Clarity AI assegura que os seus dados incorporam o momento como uma dimensão da qualidade dos dados?

Juan Diego Martín: Para compreender o que estava disponível num momento diferente no passado, precisamos de combinar duas coisas: dados e processos. No caso dos dados, tudo tem de estar associado a um carimbo de data/hora, a uma assinatura e ao momento em que esses dados foram publicados, pesquisados, processados e expostos ao cliente. Isto combina diferentes frequências de dados, em que as notícias podem mudar instantaneamente e a capitalização do mercado pode mudar todos os dias ou minutos, enquanto as informações sobre políticas e regulamentos podem demorar mais tempo a ser actualizadas. O outro elemento que temos em conta é a existência de processos que sejam robustos em relação a aspectos que possam afetar a capacidade de reconstruir esta imagem no passado. Por exemplo, se uma empresa mudar de nome ou se ocorrerem fusões, temos de estar preparados para combinar as informações e fornecer uma visão exacta do que estava disponível num determinado momento.

Chris Ciompi: Muito bem, vamos lá ver esse exemplo. Acabou de mencionar que um ponto de dados é comunicado e, um ano mais tarde, esse ponto de dados é reafirmado. Como é que o nosso sistema, como é que o ponto no tempo funciona nesse cenário?

Juan Diego Martín: Então, se olharmos para a visão histórica em oposição ao ponto no tempo, devemos usar as informações reformuladas porque elas fornecem a visão mais precisa da pontuação dessa empresa naquele momento preciso. Mas se olharmos para o ponto no tempo, o que estamos a tentar compreender é que informação estava disponível num determinado momento, e então precisamos de usar a informação sem restrições para que a informação que foi originalmente publicada faça sentido.

Chris Ciompi: Obrigado. Muito bem, Ron, como é que o ponto no tempo em Clarity AI é influenciado pela inteligência artificial?

Ron Potok: Vamos utilizar um exemplo claro e específico, como as emissões de âmbito 3. Porque é que o âmbito 3 é especial? É especial porque é muito difícil de reportar. A sua comunicação ainda não está normalizada. Muitas empresas não comunicam todos os campos do âmbito 3 que são extremamente relevantes para as suas indústrias. Assim, a falta de normalização e a falta de maturidade do Âmbito 3 obriga-nos a fazer uma verificação adicional, e qual é a verificação adicional? Utilizamos a nossa estimativa do âmbito 3 e comparamo-la com os dados comunicados, e temos a capacidade de substituir os dados comunicados pela nossa estimativa devido à falta de consistência e maturidade dos dados comunicados do âmbito 3. Por isso, penso que este é o único caso em que o momento tem uma grande influência nos nossos modelos de estimativa. Por outro lado, no que se refere ao momento, como discutimos num episódio anterior desta série, o programa de notícias incorpora o momento para alterar as pontuações ESG.

Chris Ciompi: Podes dizer mais alguma coisa?

Ron Potok: Permitimos que as novas controvérsias influenciem as decisões que estão a ser tomadas logo que possível. Assim que encontramos esses dados, processamo-los através da nossa plataforma de uma forma muito eficiente. Assim, não estamos a receber a influência de uma controvérsia um mês depois de a controvérsia ter acontecido. Queremos que possa saber que as nossas pontuações ESG reflectem o verdadeiro risco ESG ou a sustentabilidade associada à empresa na altura.

Chris Ciompi: Entendido. Obrigado a todos!