Koulutusorganisaatio ei ole tehdas eikä kauppaketju, mutta se on organisaatio, jolla on rakennuksia, energiasopimuksia, kuljetuksia, hankintoja ja suuri joukko ihmisiä, jotka eivät ole työntekijöitä tavanomaisessa merkityksessä. Opiskelijat ja oppilaat liikkuvat rakennuksissa, käyttävät tiloja ja synnyttävät matkoja, joutumatta koskaan minkään palkkalistan piiriin. Tämä suhde työntekijöiden ja rakennusten käyttäjien välillä on koulutusalalla erilainen kuin useimmilla toimialoilla, ja se näkyy datassa: suuri osa ympäristövaikutuksista liittyy käyttöasteeseen ja rakennusten käyttöön, ei tuotantoprosessiin tai myymälälattiaan.
Lisäksi organisaatio koostuu usein useista toimipaikoista, joskus hajautettuina ympäri kaupunkia tai aluetta, joilla kaikilla on omat mittarinsa, oma hallintonsa ja omat vuokrasopimuksensa. Koulutusalalla on myös vahva kausiluonteisuus: loma-ajat, väliaikainen tyhjäkäynti, iltakäyttö kolmansien osapuolten toimesta. Jos energiadataa lasketaan yhteen kuukausittain tuntemattaisen tätä rytmiä, on helppo tehdä väärä johtopäätös säästöistä, jotka todellisuudessa johtuvat loma-aikojen ajoittumisesta.
Useimmissa organisaatioissa rakennuskanta on suurin erä. Tämä data on hajautunut useisiin paikkoihin: kiinteistöpalvelulla on energiasopimukset ja mittarilukemat, usein rakennuskohtaisesti eikä keskitetysti koottuna. Suuremmissa organisaatioissa, joilla on omaa kiinteistöomaisuutta, tähän liittyy myös kiinteistöhallintajärjestelmä, jossa on kulutusdataa asennuskohtaisesti. Vuokratuissa toimipaikoissa osa vastuusta, ja siten osa datasta, on vuokranantajalla, joka ei aina ole halukas tai kykenevä jakamaan sitä tarvittavalla tasolla.
Peruskorjaukset, eristystoimenpiteet ja asennusten kestävyysparannukset kirjataan usein hankeasiakirjoihin kiinteistöpalvelussa tai ulkoisella toimijalla, erillään säännöllisestä energiahallinnosta. Jos halutaan nähdä tällaisen toimenpiteen vaikutus luvuissa, on yhdistettävä nämä kaksi lähdettä toisiinsa, ja tätä ei tapahdu automaattisesti.
Henkilöstön työmatkaliikenne kerätään, jos sitä ylipäätään mitataan, tavallisesti HR:n tai kulukorvausjärjestelmän kautta. Opiskelijoiden ja oppilaiden matkustustottumukset ovat eri asia: tätä dataa ei usein ole olemassa keskitetyssä järjestelmässä, korkeintaan arviona postinumeroalueiden perusteella tai muutama vuosi sitten tehdyn kyselyn tuloksena. Korkeakoulutuksessa mukaan tulee kansainvälinen matkustaminen, vaihto- tai tutkimustarkoituksessa, kirjattuna kansainvälisten toimistojen tai tutkimusosastojen erillisiin järjestelmiin, erillään henkilöstön säännöllisestä matkadatasta.
Jos näitä kahta ryhmää — työntekijöitä ja opiskelijoita — ei erotella datapisterekisterissä, on riski laskea yhteen keskenään vertailukelvottomia asioita: yksittäinen kokoaikainen työntekijä painaa datassa eri tavalla kuin opiskelija, joka käy kaksi päivää viikossa yhdessä rakennuksessa.
Hankinta koulutusorganisaatioissa kulkee usein keskitetyn hankintaosaston kautta suurten sopimusten osalta, mutta sen rinnalla on hajautettuja tilauksia tiedekuntien, osastojen tai yksittäisten tutkimusryhmien tekemänä. Laboratoriomateriaaleilla, kemikaaleilla ja erikoislaitteistolla on tutkimuslaitoksissa omat hankintaketjunsa omine toimittajineen, erillään tavanomaisesta toimistohankinnasta. Catering on tavallisesti ulkoistettu ulkopuoliselle toimijalle, mikä tarkoittaa, että data ruokahävikistä tai raaka-aineiden alkuperästä ei ole organisaation itsensä hallussa vaan tällä toimittajalla, jonka halukkuus jakaa lukuja vaihtelee.
Jäte on samankaltainen tarina: lajiteltu keräys järjestetään kiinteistöpalvelun tai ulkoisen jätehuoltoyhtiön toimesta, ja niistä saadut raportit eivät aina vastaa kestävyysraportointiin tarvittavaa jaottelua.
Ammattikorkeakouluissa ja yliopistoissa tutkimus tuo mukanaan kerroksen, jota muilla toimialoilla ei ole. Tutkimusryhmillä on usein omat budjettinsa, omat hankintansa ja joskus omat rakennuksensa tai laboratorionsa, joita rahoittavat ulkoiset tahot omine raportointivaatimuksineen. Tämä hajautettu autonomia on tutkimuksen kannalta toimiva ratkaisu, mutta se tarkoittaa, että keskitetyt datan omistajat eivät usein tiedä, mitä tietoa näissä ryhmissä on jo tallennettu, tai millä nimellä ja missä muodossa.
Monissa organisaatioissa kestävyysdatan käsittely aloitetaan raportointijärjestelmän hankinnalla. Tällainen järjestelmä tuottaa selkeitä näyttöjä, mutta taustalla oleva kysymys jää vastaamatta: tarkoittaako rakennuksen B mittarilukema toimistotilaa, liikuntasalia vai kolmannelle osapuolelle vuokrattua osaa, ja kuka organisaatiossa osaa vastata tähän kysymykseen. Ilman jäsenneltyä käsitystä siitä, missä jokainen datapiste syntyy, kuka siitä vastaa ja mitä laatusääntöjä siihen sovelletaan, työkalu tuottaa lähinnä siistimpiä esityksiä samoista epävarmoista luvuista.
Data Readiness Scan ei siis ole raportointityökalu, vaan rekisteri: kunkin datapisteen alkuperä, polku lähteestä raporttiin, omistaja organisaation sisällä ja säännöt, joita datan on noudatettava. Tämä rekisteri tekee näkyväksi esimerkiksi sen, missä opiskelijoiden matkat puuttuvat, missä kiinteistöpalvelu ja kiinteistönhallinta laskevat toisistaan erillään, ja missä ulkoisella cateringyhtiöllä tai jätehuoltoyhtiöllä ei vielä ole yhteyshenkilöä datan toimittamista varten.
Samat kysymykset toistuvat omin piirteineen vähittäiskaupassa, maataloussektorilla ja rahoituspalveluissa, joissa jako keskitetyn ja hajautetun välillä on aina erilainen.
Tämä skannaus on vielä kehitteillä. Organisaatiot, jotka haluavat tietää, mistä niiden kestävyysdata täsmälleen syntyy ja kenen hallussa se on, voivat ilmoittautua odotuslistalle ja saavat tiedon, kun skannaus on käytettävissä.
Kun on selvillä, mitä datapisteitä on olemassa, kuka niitä hallinnoi ja mitä polkua pitkin ne syntyvät, tulee näkyväksi myös se, mitä työtä niiden taustalla on: mittarilukemien käsin kirjaaminen, matkadatan poimiminen taulukoista, cateraajien laskujen tarkistaminen raaka-aineiden alkuperän suhteen. Suuri osa tästä työstä on toistuvaa ja sidottua kiinteisiin lähteisiin, mikä tekee siitä sopivaa arvioitavaksi automatisoinnin kannalta. FTE TO AI:n työskannaus laskee tehtävittäin, kuinka suuri osa työstä on siirrettävissä tekoälylle, samanlaisen tehtäväjaottelun pohjalta kuin datapisterekisterissä käytetään.
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.