Paljudes sektorites on probleem see, et andmed on hajutatud osakondade ja süsteemide vahel, kuid tekivad siiski ühe organisatsiooni sees. Põllumajandussektoris algab killustatus juba enne seda punkti. Suur osa enimnõutud kestlikkusandmetest — mullakasutus, veetarbimine, külvikordadus, loomasööt, sõnnikust tulenevad heitmed — ei tekita rapporteeriv ettevõte ise, vaid kasvatajad, tarnijad ja ühistud, kellel ei ole selleks raamatupidamislikku või digitaalset rutiini. Kui kontoriorganisatsioon leiab andmed ERP-süsteemist, peab põllumajandusettevõte sageli esmalt pärima kolmandate osapoolte ahelalt, kes ei näe küsimust ise kui oma probleemi.
Lisaks on olemasolev sisemine andmestik enamasti fikseeritud ettevõtteosa või kasvuperioodi kaupa, mitte aruandeperioodi kaupa. Majandusaasta ei kattu saagikoristustsükliga, ja täna kehtiv heitefaktor võib järgmisel hooajal teistsuguse kultuuri või mullatöötluse tõttu juba muutunud olla. Suurem osa jätkusuutlikkuse aruandlusele kuluvast ajast ei kulu numbrite sisestamisele, vaid selle väljaselgitamisele, kellelt need numbrid tegelikult peaksid pärinema.
Esimene koht on tarneahel ise. Suur osa põllumajandussektori scope 3 heitmetest asub tarnijate juures, kes jätkusuutlikkuse aruandlust ei pea ja kelle andmed — kui need olemas on — eksisteerivad teises formaadis, teises keeles või pole üldse digiteeritud. Kes soovib siin sidusa andmepunkti allikaga, avastab, et allikaks on vahel isik, mitte süsteem.
Teine koht on tegevus ettevõtte sees: vee, energia ja taimekaitsevahendite tarbimist peetakse tihti paberil või eraldiseisvates Exceli tabelites põllu või lauda kaupa. Need andmed on olemas, kuid pole aruandluse eesmärgil kellelegi vastutusena omistatud — see on põllumajandusraamatupidamine, mitte CSRD-raamatupidamine, ja need kaks ei sobitu tihti sujuvalt kokku.
Kolmas koht on ümberarvutus mõõdetavatesse ühikutesse. Maakasutust ja mullasüsinikku registreerivad erinevad osalejad väga erinevalt, ja ümberarvutamine ühtsesse aruandlusühikusse on iseenesest veaallikas, kui kedagi ei kirjuta üles, millist eeldust selle juures kasutati.
IT-sektoris asuvad kestlikkusandmed tavaliselt juba olemasolevates digitaalsüsteemides, ja peamine küsimus on ligipääsu tagamine. Energiasektoris on palju andmeid juba mõõdetud, kuna mõõtmiskohustus ja jälgimine on osa ettevõtte tegevusest. Põllumajandussektoril puudub see alusbaas tihedamini: andmed ei peitu süsteemis, need pole kunagi süstemaatiliselt registreeritud. See ei muuda probleemi suuremaks ega väiksemaks kui finantsteenuste sektoris või kinnisvarasektoris, aga probleemi olemus on erinev: seal on probleem tavaliselt süsteemide vaheline integratsioon, siin on see sageli esmalt registreerimine allikas.
Suur on kiusatus ostada tarkvarapakett, mis automatiseerib põllumajandussektori aruandluse. Kuid tööriist, mis kogub andmeid süsteemidest, milles õigeid andmeid ei ole, annab tulemuseks üksnes korrektselt vormistatud aruande, mis põhineb samadel lahtistel otstel. Enne kui süsteem saab midagi kokku liita, peab olema fikseeritud, milline andmepunkt kuulub millise allika juurde, kes organisatsiooni sees või väljas selle eest vastutab, ja milline kvaliteedireegel määrab, kas sisestatud number on usutav. See ei ole tarkvaraküsimus, vaid korrastamise küsimus, ja see eelneb igale aruandlussüsteemile.
Data Readiness Scan fikseerib igale andmepunktile, kust see pärineb — ettevõtte enda tegevusest, kasvatajalt, ühistult või välisest andmeallikast — ja kes tarneahelas selle eest vastutab. Sektoris, kus suur osa andmeid tekib väljaspool ettevõtte enda seinu, on see omanikkuse küsimus sageli puuduv osa: mitte number ise, vaid see, kes selle eest vastutab. Selleks, et määrata, millised andmepunktid on põllumajandusettevõttele tegelikult olulised ja mis raporteeritakse ilma funktsioonita, on kasulik vahetegemine, mis on tehtud mis andmepunktid teil tegelikult vaja on, kui ettevõttel on mitu äriüksust, samuti lähtepunkt, et andmepunkt eksisteerib sageli juba mõne olemasoleva äriüksuse juures, enne kui see uuesti kogutakse.
Niipea kui on selge, millised andmepunktid põllumajanduslikus tarneahelas peavad pärinema ja kes need edastab, tekib teine küsimus: kui palju sellest töömahust, mis kulub nende andmete kogumisele, kontrollimisele ja allika tuvastamisele, vajab veel inimtegevust, ja milline osa on piisavalt korduv, et jätta see AI hooleks. FTE TO AI töömahuskaneerimine arvutab selle välja ülesande kaupa, mitte kogu sektori hinnangu põhjal, vaid selle põhjal, milliseid ülesandeid konkreetses tarneahelas tegelikult teostatakse. Sektoris, kus palju aega kulub allikate jälgimisele, mitte numbrite tõlgendamisele, on see lähtepunkt, mille abil näha, kus automatiseerimine annab tulemust ja kus mitte.
Skanneerimine, mis kaardistab need andmepunktid, allikad ja omanikkuse põllumajandussektori jaoks, on arendamisel. Kes soovib selle kohta teavet saada, kui skanneerimine on saadaval, saab liituda ootenimekirjaga.
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.