Sok szektorban az a probléma, hogy az adat osztályok és rendszerek között szétszórtan létezik, de mégis egyetlen szervezeten belül keletkezik. Az agrárszektorban a szétaprózódás már ezen a ponton túl kezdődik. A legtöbbet kért fenntarthatósági adat nagy része — talajhasználat, vízfelhasználás, vetésforgó, takarmány, trágyából származó kibocsátás — nem a jelentést készítő vállalatnál keletkezik, hanem termelőknél, beszállítóknál és szövetkezeteknél, amelyeknek nincs erre könyvelési vagy digitális rutinjuk. Ahol egy irodai szervezet visszakeresheti az adatot egy ERP-rendszerben, egy agrárvállalatnak gyakran előbb rá kell kérdeznie egy harmadik felekből álló láncban, amely maga nem is tekinti a kérdést saját problémájának.
Ehhez járul, hogy a belsőleg mégis elérhető adatot legtöbbször üzleti egységenként vagy termesztési szezononként rögzítik, nem jelentési időszakonként. Egy üzleti év nem esik egybe egy betakarítási ciklussal, és egy ma érvényes kibocsátási tényező a következő szezonban egy másik növény vagy más talajművelés miatt már megváltozhat. A fenntarthatósági jelentéskészítésre fordított idő nagy része nem a számok kitöltésére megy el, hanem annak felderítésére, hogy azok a számok tulajdonképpen kitől kellene, hogy származzanak.
Az első pont a lánc maga. A scope 3 kibocsátás nagy része az agrárszektorban olyan beszállítóknál keletkezik, akik nem vezetnek fenntarthatósági jelentést, és akiknek az adata — ha egyáltalán létezik — más formátumban, más nyelven vagy egyáltalán nem digitalizált formában létezik. Aki itt egy adatpontot próbál egy forráshoz kötni, azt fedezi fel, hogy a forrás néha egy személy, nem egy rendszer.
A második pont a saját üzemen belüli működés: a víz, energia és növényvédő szerek felhasználását gyakran papíron vagy külön Excel-táblázatokban tartják nyilván parcellánként vagy istállónkénti bontásban. Ez az adat létezik, de senkihez nincs hozzárendelve mint jelentési célú felelősség — ez gazdálkodói könyvelés, nem CSRD-könyvelés, és a kettő ritkán illik egymáshoz zökkenőmentesen.
A harmadik pont a mérhető egységekre való átfordítás. A területhasználatot és a talaj szénkészletét nagyon különböző módon rögzítik a különböző szereplők, és az egységes jelentési egységre való átszámítás önmagában is hibaforrás, ha senki nem rögzíti, milyen feltételezést használtak ehhez.
Az IT-szektorban a fenntarthatósági adat általában olyan digitális rendszerekben található, amelyek már léteznek, és a kérdés főleg a hozzáférhetőség. Az energiaszektorban sok adatot már mérnek, mert a mérési kötelezettség és a monitoring a működés része. Az agrárszektorban ez az alap gyakrabban hiányzik: az adat nincs elrejtve egy rendszerben, sosem rögzítették szisztematikusan. Ez a probléma nem nagyobb vagy kisebb, mint a pénzügyi szolgáltatási szektorban vagy az ingatlanszektorban, de más jellegű: ott a probléma többnyire a rendszerek közötti integráció, itt gyakran inkább a forrásnál történő rögzítés a kérdés.
Nagy a csábítás, hogy valaki vegyen egy szoftverpakettet, amely automatizálja az agrárszektor jelentéskészítését. De egy eszköz, amely olyan rendszerekből próbál adatot kinyerni, amelyek nem tartalmazzák a megfelelő adatot, csak egy szépen formázott jelentést eredményez ugyanazokból a laza szálakból. Mielőtt egy rendszer bármit összeadhatna, rögzíteni kell, melyik adatpont melyik forráshoz tartozik, ki felelős érte a saját szervezeten belül vagy azon kívül, és milyen minőségi szabály határozza meg, hogy egy beírt szám elfogadható-e. Ez nem szoftverkérdés, hanem rendszerezési kérdés, és ez minden jelentési rendszert megelőz.
A Data Readiness Scan minden adatpontnál rögzíti, honnan származik — a saját működésből, egy termelőtől, egy szövetkezettől vagy egy külső adatforrásból —, és ki tehető ezért felelőssé a láncon belül. Egy olyan szektorban, ahol sok adat a saját falakon kívül keletkezik, ez a tulajdonjog gyakran a hiányzó darab: nem a szám maga, hanem az, hogy ki áll érte jót. Annak megállapításához, hogy egy agrárvállalat számára mely adatpontok valóban relevánsak, és melyeket jelentenek anélkül, hogy funkciójuk lenne, hasznos az a megkülönböztetés, amelyet a milyen adatpontokra van valóban szükség, ha több üzleti egység is van tesz, valamint az az alapelv, hogy egy adatpont gyakran már létezik egy meglévő üzleti egységnél, mielőtt újból összegyűjtenék.
Mihelyt tiszta, mely adatpontoknak honnan kell származniuk az agrárláncban és ki szolgáltatja azokat, felmerül egy második kérdés: az adat összegyűjtéséhez, ellenőrzéséhez és visszakereséséhez szükséges munka mekkora része igényel még emberi beavatkozást, és mekkora része elég ismétlődő ahhoz, hogy AI-ra bízzák. Az FTE TO AI munkaszkennelése ezt feladatonként számolja ki, nem az egész szektorra vonatkozó becslés alapján, hanem azon feladatok alapján, amelyeket egy adott láncban valóban elvégeznek. Egy olyan szektor számára, ahol sok idő megy el a források felkutatására a számok értelmezése helyett, ez egy fogódzó annak megállapításához, hol hoz eredményt az automatizálás, és hol nem.
A szkennelés, amely ezeket az adatpontokat, forrásokat és felelősségi köröket az agrárszektor számára feltérképezi, fejlesztés alatt áll. Aki erről értesítést szeretne kapni, amint a szkennelés elérhető lesz, feliratkozhat a várólistára.
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.