Egy oktatási intézmény nem gyár és nem is boltlánc, mégis egy olyan szervezet, amelynek épületei, energiaszerződései, szállítási mozgásai, beszerzései vannak, és amelyben egy nagy csoport ember nem alkalmazott a szokásos értelemben. Diákok és tanulók mozognak az épületekben, használják a létesítményeket és utazási mozgásokat generálnak, anélkül hogy bárhol bérlistán szerepelnének. Ez a viszony a munkatársak és az épületek használói között az oktatásban másképp alakul, mint a legtöbb szektorban, és ez visszahat az adatokra: a környezeti hatás jelentős része a kihasználtsághoz és az épülethasználathoz kötődik, nem egy termelési folyamathoz vagy egy üzlet padlófelületéhez.
Ehhez jön még, hogy egy intézmény gyakran több telephelyből áll, néha szétszórva egy városban vagy régióban, mindegyik saját mérőórákkal, saját kezeléssel és saját bérleti szerződésekkel. Az oktatás emellett erős szezonális ritmust követ: szünidőszakok, időszakos üresség, esti használat harmadik felek által. Aki havonta összeadja az energiaadatokat anélkül, hogy ezt a ritmust ismerné, könnyen téves következtetéseket von le olyan megtakarításokról, amelyek valójában csak a szünidők eloszlásából adódnak.
A legtöbb intézménynél az épületállomány a legnagyobb tétel. Ez az adat több helyen szétszórva található: a facilitaire dienst (létesítménygazdálkodási szolgálat) kezeli az energiaszerződéseket és a mérőóra-állásokat, gyakran épületenként, nem pedig központilag összesítve. Nagyobb intézményeknél, amelyek saját ingatlannal rendelkeznek, ezen keresztül fut egy épületkezelő rendszer, amely berendezésenkénti fogyasztási adatokat tartalmaz. Bérelt telephelyeknél a felelősség egy része, és ezzel az adat egy része, a bérbeadónál van, aki nem mindig hajlandó vagy képes ezt megosztani a szükséges szinten.
A felújításokat, szigetelési intézkedéseket és a berendezések fenntarthatóbbá tételét gyakran a facilitaire dienst vagy egy külső fél projektdossziéiban rögzítik, elkülönítve a rendszeres energianyilvántartástól. Aki egy ilyen intézkedés hatását vissza akarja látni a számokban, össze kell kapcsolnia ezt a két forrást, és ez ritkán történik automatikusan.
A személyzet lakóhely-munkahely közötti közlekedését, ha egyáltalán mérik, általában a HR-en vagy egy elszámolási rendszeren keresztül gyűjtik. A diákok és tanulók utazási viselkedése egészen más kérdés: ez az adat gyakran nem létezik központi rendszerben, legfeljebb becslésként, postai irányítószám-területek alapján, vagy egy néhány éve lefolytatott kérdőív formájában. A felsőoktatásban ehhez jön még a nemzetközi utazás, csere vagy kutatás céljából, amelyet a nemzetközi irodák vagy kutatási osztályok külön nyilvántartásaiban rögzítenek, elkülönítve a személyzet rendszeres utazási adataitól.
Aki ezt a két csoportot — a munkatársakat és a diákokat — nem tartja szét az adatpont-nyilvántartásban, azt a kockázatot vállalja, hogy almát és körtét összead: egy egyetlen teljes állású munkatárs másképp számít az adatokban, mint egy diák, aki hetente két napot jár egyetlen épületbe.
Az oktatási intézményeknél a beszerzés gyakran egy központi beszerzési osztályon fut a nagy szerződések esetében, de emellett decentralizált megrendelések is léteznek karok, osztályok vagy egyéni kutatócsoportok részéről. A laboratóriumi anyagok, vegyszerek és speciális berendezések a kutatóintézeteknél saját beszerzési lánccal rendelkeznek, saját beszállítókkal, elkülönítve a rendszeres irodai beszerzéstől. A catering rendszerint egy külső félhez van kiszervezve, ami azt jelenti, hogy az élelmiszer-veszteségre vagy az összetevők eredetére vonatkozó adat nem az intézménynél van, hanem ennél a beszállítónál, változó hajlandósággal az adatok megosztására.
A hulladék hasonló történet: a szelektív gyűjtést a facilitaire dienst vagy egy külső hulladékkezelő szervezi, és az ebből származó jelentések nem mindig illenek bele abba a felosztásba, amely a fenntarthatósági jelentéshez szükséges.
Főiskoláknál és egyetemeknél a kutatás egy olyan réteget ad hozzá, amelyet más szektorok nem ismernek. A kutatócsoportok gyakran saját költségvetéssel, saját beszerzéssel, és néha saját épületekkel vagy laboratóriumokkal dolgoznak, amelyeket külső felek finanszíroznak saját jelentési követelményekkel. Ez a decentralizált autonómia funkcionális a kutatás szempontjából, de azt jelenti, hogy a központi adatgazdák gyakran nem tudják, milyen információ van már rögzítve ezekben a csoportokban, vagy milyen néven és milyen formátumban.
Sok intézménynél a fenntarthatósági adatokkal kapcsolatos megközelítés egy jelentéskészítő rendszer beszerzésével kezdődik. Ez a rendszer áttekinthető képernyőket biztosít, de az alapkérdés megválaszolatlan marad: a B épület mérőóra-állása most az irodahelyiségre, egy sportcsarnokra vagy egy harmadik félnek bérelt részre vonatkozik, és ki tudja a szervezetben megválaszolni ezt a kérdést. Anélkül, hogy rendezett képünk lenne arról, hol keletkezik minden egyes adatpont, ki felelős érte és milyen minőségi szabályok vonatkoznak rá, egy eszköz elsősorban csinosabb megjelenítéseket készít ugyanazokból a bizonytalan számokból.
A Data Readiness Scan ezért nem jelentéskészítő eszköz, hanem nyilvántartás: minden adatponthoz az eredetét, a forrástól a jelentésig vezető útját, az intézményen belüli tulajdonosát és azokat a szabályokat, amelyeknek az adatnak megfelelnie kell. Ez a nyilvántartás láthatóvá teszi, hol hiányoznak például a diákok utazási adatai, hol számol egymástól elkülönítve a facilitaire dienst és az épületkezelés, és hol nincs még kapcsolattartó pont egy külső cateringszolgáltató vagy hulladékkezelő számára az adatszolgáltatáshoz.
Ugyanez a kérdés saját jellemzőkkel jelentkezik a kiskereskedelemben, az agrárszektorban és a pénzügyi szolgáltatásokban, mindig más elosztással a központi és a decentralizált szintek között.
Ez a scan még fejlesztés alatt áll. Azok az intézmények, amelyek szeretnék pontosan tudni, hol keletkezik a fenntarthatósági adatuk és kinél van, feliratkozhatnak a várólistára, és tájékoztatást kapnak, amint a scan elérhetővé válik.
Amint tisztázódik, milyen adatpontok léteznek, ki kezeli őket és milyen úton jönnek létre, láthatóvá válik az a munka is, amely ezek mögött rejlik: mérőóra-állások átírása, utazási adatok visszakeresése táblázatokból, cateringcégek számláinak ellenőrzése az összetevők eredete szempontjából. Ennek a munkának nagy része ismétlődő és rögzített forrásokhoz kötött, ami alkalmassá teszi az automatizálás szempontjából történő értékelésre. A FTE TO AI munkaszkennere feladatonként kiszámítja, hogy a munka mekkora része vehető át AI-val, ugyanazon feladatbontás alapján, amely az adatpont-nyilvántartásban is szerepel.
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.