Valmistava teollisuus poikkeaa palvelusektoreista pisteessä, joka vaikuttaa suoraan kestävyysdataan: suurin osa ympäristövaikutuksesta ei syn omassa toimitilassa, vaan sitä edeltävässä ja seuraavassa ketjussa. Raaka-aineet, puolivalmisteet, energiaintensiiviset työvaiheet, kuljetukset tehtaiden välillä, jätevirrat tuotantotilassa — oma toiminta on usein vain pieni osa kokonaiskuvasta. Tämä tarkoittaa, että valmistavan teollisuuden organisaatio on merkittävän osan raportointivelvoitteestaan varassa datasta, joka syntyy jossain muualla: toimittajalla, kuljetusyrityksellä, energiantoimittajalla. Tämä riippuvuus on kuvioltaan verrattavissa siihen, mitä nähdään maataloussektorilla, jossa oman yrityksen edeltävä ja seuraava ketju määrittää myös suuren osan vaikutuksesta.
Omien seinien sisällä kestävyysdata on hajallaan järjestelmissä, joita ei ole suunniteltu tähän tarkoitukseen. Energiankulutus tuotantolinjaa kohden on kiinteistönhallintajärjestelmässä tai energiantoimittajalla, ei kytkettynä tuotantomääriin. Koneiden käyntiajat ja seisokit ovat MES-järjestelmässä tai työnjohtajan Excel-taulukossa. Jätevirrat — romu, jäännösmateriaali, kemikaalijäte — rekisteröidään usein painotositteina jätehuoltoyrityksen toimesta, erillään sisäisestä järjestelmästä. Vedenkulutus mitataan joskus keskitetysti koko alueelle, jaottelematta prosessikohtaisesti. Sille, joka tarvitsee päästöluvun tuotantolinjaa kohden, tämä tarkoittaa etsimistä useiden mittausjärjestelmien läpi, joilla kullakin on oma logiikkansa ja aikataulunsa.
ERP-järjestelmä sisältää ostomäärät, materiaalivirrat ja joskus toimittajatiedot, mutta harvoin päästökertoimia. MES-järjestelmä tuntee konetunnit ja tuotoksen, mutta ei kytke sitä automaattisesti energian- tai materiaalinkulutukseen tuoteyksikköä kohden. Näiden kahden järjestelmän välissä on usein manuaalinen vaihe: joku hakee määrät ERP-järjestelmästä, yhdistää konedatan MES-järjestelmästä, ja päätyy erillisen laskentataulukon avulla päästölukuun. Se laskentataulukko — ja siihen sisältyvät oletukset — on juuri se kohta, jossa jäljitettävyys katoaa, jos kukaan ei kirjaa, mikä lähde, mikä kerroin ja mikä oletus on käytetty.
Scope 3:n osalta valmistava teollisuus on vahvasti riippuvainen siitä, mitä toimittajat toimittavat. Yksi toimittaja lähettää laajan kestävyysraportin, toinen arvion laskulla, kolmas ei mitään. Osa yrityksistä käyttää yleisiä toimialan keskiarvoja, koska toimittajadata puuttuu; toisilla on primaaridataa muutamalta suurelta toimittajalta, mutta ei muulta ketjulta. Tämä datalähteiden sekoitus — primaari, sekundaarinen, arvioitu — täytyy kirjata jonnekin merkinnällä alkuperästä, muuten jälkikäteen ei ole enää mahdollista jäljittää, mikä luku perustuu mihin oletukseen.
Monilla valmistavilla yrityksillä on jo käynnissä sertifiointeja, kuten ISO 14001, tai energiakatselmuksia. Näistä prosesseista syntyy arvokasta dataa — energiankulutus, kehityssuunnitelmat, todennetut luvut — mutta tulokset päätyvät usein laatuosaston erilliseen arkistoon, erillään kestävyysraportoinnista. Luku, jonka auditoija on jo todentanut, kerätään sitten uudelleen ja erillisenä kestävyysraporttia varten, riskinä että kaksi lukua eivät enää täsmää.
Kuka on vastuussa tuotantolaitoksen energialuvusta: tuotantopäällikkö, kiinteistöpäällikkö vai pääkonttorin kestävyyskoordinaattori? Kuka hallinnoi kuljetusdataan sovellettavia päästökertoimia: hankinta, logistiikka vai talous? Monissa valmistavissa yrityksissä tätä vastuuta ei ole koskaan nimenomaisesti osoitettu. Dataomistajuus syntyy implisiittisesti sille, jolla sattuu olemaan pääsy järjestelmään, ei sille, joka tuntee sisällön parhaiten tai voi sitä valvoa.
Houkutus on suuri ostaa ohjelmisto, joka kytkeytyy automaattisesti ERP- ja MES-järjestelmiin ja tuottaa siisteiltä näyttäviä kojetauluja. Mutta työkalu, joka rakennetaan järjestäytymättömälle perustalle, tuottaa ennen kaikkea nopeampia ja vakuuttavamman näköisiä versioita samoista epävarmoista luvuista. Ennen kuin järjestelmä voi hakea tietoja, on oltava tiedossa, mikä datapiste tulee mistä lähteestä, kuka on sen omistaja ja mikä laatusääntö siihen liittyy. Tämä pätee valmistavaan teollisuuteen yhtä lailla kuin toimialoihin, joilla on aivan erilainen ketjurakenne, kuten kuljetusalalla tai vähittäiskaupassa, joissa datalähteet ovat eri paikoissa mutta jäsentämisongelma on sama.
Data Readiness Scan laatii valmistavalle teollisuudelle datapisterekisterin: päästölähteittäin, tuotantolinjoittain, ketjun lenkeittäin määritetään, mikä datapiste tarvitaan, missä se syntyy — kone, ERP, energiantoimittaja, jätehuoltoyritys, toimittaja — ja mitä reittiä se kulkee lopulliseen raportointipisteeseen. Tähän liittyy omistaja per datapiste ja laatusääntö, joka määrittää, milloin luku on käyttökelpoinen ja milloin ei. Se ei ole raportti eikä täytetty kyselylomake, vaan taustalla oleva rakenne, joka mahdollistaa luvun jäljittämisen sen lähteeseen milloin tahansa. Tämä rakenne on verrattavissa siihen, mitä tarvitaan liike-elämän palveluissa, joissa data on myös hajallaan erillisissä järjestelmissä ja taulukkolaskennoissa, vaikka ketju näyttää siellä erilaiselta.
Työkalu, joka suorittaa tämän skannauksen, on rakenteilla. Se, joka haluaa valmistaa organisaationsa tähän, voi ilmoittautua jonotuslistalle.
Kun on selvää, mitkä datapisteet ovat olemassa, missä ne syntyvät ja kuka niitä hallinnoi, näkyy myös, kuinka paljon manuaalista työtä näiden tietojen keräämiseen, tarkistamiseen ja uudelleenkirjoittamiseen kuluu. Tämä työ — datan hakeminen useista järjestelmistä, lukujen jäljittäminen lähteeseen, laatutarkastusten suorittaminen — koostuu erillisistä tehtävistä, jotka eivät kaikki vaadi yhtä paljon ihmistyötä. FTE TO AI:n työskannaus laskee tehtäväkohtaisesti, kuinka suuren osan siitä AI voi ottaa hoitaakseen, jotta käy selväksi, missä automatisointi tuottaa suurimman ajansäästön ja missä tarvitaan edelleen inhimillistä valvontaa.
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.