I mange sektorer er problemet, at data er spredt over afdelinger og systemer, men opstår inden for én organisation. I landbrugssektoren begynder fragmenteringen allerede før dette punkt. En stor del af de mest efterspurgte bæredygtighedsdata — jordanvendelse, vandforbrug, sædskifte, dyrefoder, emissioner fra gødning — opstår ikke hos den rapporterende virksomhed selv, men hos landmænd, leverandører og kooperativer, der ikke har nogen bogføringsmæssig eller digital rutine for dette. Hvor en kontororganisation kan finde data i et ERP-system, må en landbrugsvirksomhed ofte først forespørge hos en kæde af tredjeparter, der ikke selv ser spørgsmålet som deres problem.
Hertil kommer, at de data, der er internt tilgængelige, som regel er registreret pr. forretningsenhed eller pr. dyrkningssæson, ikke pr. rapporteringsperiode. Et regnskabsår følger ikke en høstcyklus, og en emissionsfaktor, der gælder i dag, kan allerede være ændret næste sæson på grund af en anden afgrøde eller anden jordbehandling. Størstedelen af den tid, der bruges på bæredygtighedsrapportering, går ikke til at udfylde tal, men til at finde ud af, hvem disse tal egentlig skal komme fra.
Det første sted er selve kæden. En stor del af scope 3-emissioner i landbrugssektoren ligger hos leverandører, der ikke fører bæredygtighedsrapportering, og hvis data — hvis den findes — eksisterer i et andet format, et andet sprog eller slet ikke er digitaliseret. Den, der her ønsker at koble et datapunkt til en kilde, opdager, at kilden nogle gange er en person, ikke et system.
Det andet sted er driften i den enkelte virksomhed: forbrug af vand, energi og plantebeskyttelsesmidler føres ofte på papir eller i løse Excel-oversigter pr. parcel eller stald. Disse data findes, men er ikke tildelt nogen som ansvar til rapporteringsformål — det er landmandens bogføring, ikke CSRD-bogføring, og de to passer sjældent sammen uden problemer.
Det tredje sted er omregningen til målbare enheder. Jordanvendelse og jordkulstof registreres på meget forskellige måder af forskellige aktører, og selve omregningen til en ensartet rapporteringsenhed er allerede en fejlkilde, hvis ingen registrerer, hvilken antagelse der er anvendt.
I it-sektoren findes bæredygtighedsdataen som regel i digitale systemer, der allerede eksisterer, og det handler primært om at frigøre dem. I energisektoren er meget data allerede målt, fordi målepligt og overvågning er en del af driften. Landbrugssektoren mangler oftere dette fundament: dataen er ikke gemt i et system, den er aldrig blevet systematisk registreret. Det gør ikke problemet større eller mindre end i den finansielle sektor eller ejendomssektoren, men det er af en anden karakter: dér er problemet som regel integration mellem systemer, her handler det ofte først om registrering ved kilden.
Fristelsen er stor til at købe en softwarepakke, der automatiserer rapportering for landbrugssektoren. Men et værktøj, der henter data fra systemer, som ikke indeholder de rigtige data, giver kun en pænt formateret rapport baseret på de samme løse ender. Før et system kan lægge noget sammen, skal det være fastlagt, hvilket datapunkt der hører til hvilken kilde, hvem inden for eller uden for egen organisation der er ansvarlig for det, og hvilken kvalitetsregel der bestemmer, om et indtastet tal er plausibelt. Det er ikke et softwarespørgsmål, men et struktureringsspørgsmål, og det går forud for ethvert rapporteringssystem.
Data Readiness Scan registrerer for hvert datapunkt, hvor det kommer fra — fra egen drift, fra en landmand, fra et kooperativ eller fra en ekstern datakilde — og hvem i kæden der er ansvarlig for det. For en sektor, hvor meget data opstår uden for egne mure, er dette ejerskab ofte den manglende del: ikke tallet selv, men hvem der står bag det. For at afgøre hvilke datapunkter der faktisk er relevante for en landbrugsvirksomhed, og hvilke der bliver rapporteret uden at have en funktion, er den sondring, der drages i hvilke datapunkter du reelt har brug for, hvis der er flere business units, anvendelig, ligesom udgangspunktet, at et datapunkt ofte allerede findes hos en af de eksisterende business units, før det bliver indsamlet igen.
Så snart det er klart, hvilke datapunkter i landbrugskæden skal komme fra, og hvem der leverer dem, opstår et andet spørgsmål: hvor meget af arbejdet med at indsamle, kontrollere og spore disse data stadig kræver menneskelige handlinger, og hvilken del er repetitiv nok til at overlade til AI. Arbejdsscanningen fra FTE TO AI beregner dette pr. opgave, ikke baseret på et skøn for hele sektoren, men baseret på de opgaver, der faktisk udføres i en bestemt kæde. For en sektor, hvor meget tid går til at spore kilder i stedet for at tolke tal, er dette et udgangspunkt for at se, hvor automatisering giver noget, og hvor den ikke gør.
Scanningen, der kortlægger disse datapunkter, kilder og ejerskab for landbrugssektoren, er under udvikling. Den, der ønsker besked, når scanningen er tilgængelig, kan tilmelde sig ventelisten.
Vraag maar waar een datapunt vandaan komt. Dat is meestal de hele vraag.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.