In veel sectoren is het probleem dat data over afdelingen en systemen verspreid ligt, maar wel binnen één organisatie ontstaat. In de agrarische sector begint de versnippering al vóór dat punt. Een groot deel van de meest gevraagde duurzaamheidsdata — bodemgebruik, waterverbruik, gewasrotatie, veevoer, emissies uit mest — ontstaat niet bij de rapporterende onderneming zelf, maar bij telers, toeleveranciers en coöperaties die daar geen boekhoudkundige of digitale routine voor hebben. Waar een kantoororganisatie data kan terugvinden in een ERP-systeem, moet een agrarisch bedrijf vaak eerst navraag doen bij een keten van derde partijen die de vraag zelf niet als hun probleem zien.
Daar komt bij dat de data die wel intern beschikbaar is, meestal per bedrijfsonderdeel of per teeltseizoen is vastgelegd, niet per rapportageperiode. Een boekjaar loopt niet gelijk met een oogstcyclus, en een emissiefactor die vandaag geldt kan volgend seizoen door een ander gewas of andere grondbewerking al zijn veranderd. Het grootste deel van de tijd die aan sustainability-rapportage wordt besteed, gaat niet naar het invullen van cijfers, maar naar het achterhalen bij wie die cijfers eigenlijk vandaan moeten komen.
De eerste plek is de keten zelf. Een groot deel van scope 3-emissies in de agrarische sector zit bij toeleveranciers die geen duurzaamheidsrapportage voeren en waarvan de data — als die er is — in een ander format, een andere taal of helemaal niet gedigitaliseerd bestaat. Wie hier een datapunt aan een bron wil koppelen, ontdekt dat de bron soms een persoon is, geen systeem.
De tweede plek is de operatie op het eigen bedrijf: verbruik van water, energie en gewasbeschermingsmiddelen wordt vaak op papier of in losse Exceloverzichten per perceel of stal bijgehouden. Deze data bestaat, maar is aan niemand toegewezen als verantwoordelijkheid voor rapportagedoeleinden — het is boerenboekhouding, niet CSRD-boekhouding, en de twee sluiten zelden naadloos op elkaar aan.
De derde plek is de vertaalslag naar meetbare eenheden. Landgebruik en bodemkoolstof worden op zeer verschillende manieren vastgelegd door verschillende actoren, en het omrekenen naar een uniforme rapportage-eenheid is zelf al een bron van fouten als niemand vastlegt welke aanname daarbij is gebruikt.
In de ICT-sector zit de duurzaamheidsdata doorgaans in digitale systemen die al bestaan, en gaat het vooral om ontsluiting. In de energiesector is veel data al gemeten omdat meetplicht en monitoring er onderdeel van de bedrijfsvoering zijn. De agrarische sector mist die basis vaker: de data is niet verstopt in een systeem, ze is nooit systematisch vastgelegd. Dat maakt het probleem niet groter of kleiner dan bij de financiële dienstverlening of de vastgoedsector, maar wel anders van aard: daar is het probleem meestal integratie tussen systemen, hier is het vaak eerst registratie aan de bron.
De verleiding is groot om een softwarepakket te kopen dat rapportages voor de agrarische sector automatiseert. Maar een tool die data ophaalt uit systemen die de juiste data niet bevatten, levert alleen een net opgemaakt rapport op basis van dezelfde losse eindjes. Voordat een systeem iets kan optellen, moet vastliggen welk datapunt bij welke bron hoort, wie binnen of buiten de eigen organisatie daarvoor verantwoordelijk is, en welke kwaliteitsregel bepaalt of een ingevoerd getal aannemelijk is. Dat is geen softwarevraag maar een ordeningsvraag, en die gaat vooraf aan ieder rapportagesysteem.
De Data Readiness Scan legt per datapunt vast waar het vandaan komt — bij de eigen operatie, bij een teler, bij een coöperatie of bij een externe databron — en wie binnen de keten daarop aanspreekbaar is. Voor een sector waarin veel data buiten de eigen muren ontstaat, is dat eigenaarschap vaak het ontbrekende stuk: niet het cijfer zelf, maar wie er voor instaat. Om te bepalen welke datapunten voor een agrarisch bedrijf daadwerkelijk relevant zijn, en welke wel worden gerapporteerd zonder functie te hebben, is het onderscheid dat gemaakt wordt in welke datapunten u werkelijk nodig heeft als er meerdere business units zijn bruikbaar, net als het uitgangspunt dat een datapunt vaak al bij een van de bestaande business units bestaat voordat het opnieuw wordt verzameld.
Zodra duidelijk is welke datapunten in de agrarische keten vandaan moeten komen en wie ze aanlevert, ontstaat een tweede vraag: hoeveel van het werk om die data te verzamelen, te controleren en te herleiden vraagt nog mensenhandelingen, en welk deel is repetitief genoeg om aan AI over te laten. De werkscan van FTE TO AI rekent dat per taak uit, niet op basis van een schatting voor de hele sector maar op basis van de taken die in een specifieke keten daadwerkelijk worden uitgevoerd. Voor een sector waarin veel tijd gaat naar het napluizen van bronnen in plaats van naar het interpreteren van cijfers, is dat een aanknopingspunt om te zien waar automatisering iets oplevert en waar niet.
De scan die deze datapunten, bronnen en eigenaarschap voor de agrarische sector in kaart brengt, is in ontwikkeling. Wie hierover bericht wil ontvangen zodra de scan beschikbaar is, kan zich aanmelden voor de wachtlijst.
Vraag maar waar een datapunt vandaan komt. Dat is meestal de hele vraag.
Antwoorden komen uit de kennisbank van deze site. Geen advies op maat, en geen scan van uw bedrijf.