De detailhandel heeft een eigenschap die haar duurzaamheidsdata lastiger maakt dan bij een bedrijf met een enkele productielocatie: het grootste deel van de impact ontstaat niet in eigen gebouwen, maar bij anderen. Een retailer verkoopt producten die elders zijn gemaakt, vervoerd door partijen die niet in dienst zijn, en verpakt in materialen die door leveranciers zijn gekozen. De eigen winkels en distributiecentra leveren maar een deel van het totale plaatje. De rest zit in een keten van leveranciers, logistiek dienstverleners en soms weer hun eigen toeleveranciers. Wie de duurzaamheidsdata van een retailorganisatie zoekt, zoekt dus voor een groot deel data die niet door de eigen organisatie is gemeten.
Het meest toegankelijke deel van de data hoort bij de eigen vastgoedvoetprint: energieverbruik van winkels, distributiecentra en kantoren, vaak terug te vinden in facturen van energieleveranciers of in gebouwbeheersystemen. Bij een keten met veel filialen is dit al snel een verzameling van losse contracten, meterstanden en facturen per locatie, beheerd door verschillende regiomanagers of een facilitair team. De data bestaat, maar staat versnipperd over zoveel locaties dat niemand er automatisch een geheel van maakt.
Transportdata — brandstofverbruik van eigen wagenparken, maar vooral van ingehuurde vervoerders — ligt voor een groot deel buiten de organisatie. Een retailer die transport uitbesteedt, krijgt facturen en soms rapportages van de vervoerder, maar zelden een format dat aansluit op de eigen rapportagebehoefte. Deze data moet worden opgevraagd, vertaald en gekoppeld aan interne volumes, wat een handmatige stap toevoegt die makkelijk verloren gaat tussen inkoop, logistiek en duurzaamheid.
Het grootste deel van de klimaatimpact van een retailer zit doorgaans in de productie van de verkochte goederen, ver voor de eigen deur. Deze data komt, als ze al beschikbaar is, van leveranciers die zelf uiteenlopende meetmethoden gebruiken, of via generieke branchegemiddelden die inkoop of duurzaamheid ooit heeft opgezocht. Bij een assortiment met veel verschillende producten en leveranciers ontstaat een spreadsheet met data van wisselende kwaliteit: sommige cijfers zijn gemeten, andere geschat, andere overgenomen uit een oud rapport. Niemand in de organisatie heeft een volledig overzicht van welk cijfer waar vandaan komt.
Verpakkingsdata — gewicht, materiaal, recyclebaarheid — wordt vaak vastgelegd door inkoop of packaging-specialisten, per productcategorie of leverancierscontract. Afvaldata van winkels en distributiecentra komt weer van afvalverwerkers, met eigen rapportagevormen en meeteenheden. Beide stromen belanden zelden in hetzelfde systeem als de energie- of transportdata, waardoor iemand die een volledig beeld wil, langs meerdere afdelingen moet om de puzzelstukken te verzamelen.
Naast klimaatdata vraagt duurzaamheidsrapportage ook om sociale indicatoren: personeelsverloop, diversiteit, arbeidsvoorwaarden in de keten. Voor de eigen organisatie ligt dit meestal bij HR, in systemen die niet zijn ingericht met duurzaamheidsrapportage in het achterhoofd. Voor de keten — arbeidsomstandigheden bij leveranciers — is de data vaak nog schaarser en afhankelijk van audits of certificeringen die niet elk jaar op dezelfde manier worden uitgevoerd.
De rode draad in de detailhandel is dat data zelden op één plek ontstaat en bijna nooit op één plek wordt beheerd. Voor elk datapunt is de vraag relevant: komt dit uit een eigen systeem of van een derde partij, wie heeft het aangeleverd, hoe is het gemeten, en wanneer is het voor het laatst bijgewerkt. Zonder een register dat deze vragen beantwoordt, blijft de data onder een rapport een verzameling losse bestanden waarvan niemand met zekerheid de herkomst kan aanwijzen. Dat register is precies waar de Data Readiness Scan op is gericht: niet het rapport zelf, maar de lineage per datapunt, het eigenaarschap en de kwaliteitsregels die bepalen of een cijfer houdbaar is.
De uitdaging die hier is beschreven, komt in vergelijkbare vorm terug in andere sectoren, zij het met andere zwaartepunten. Bij een horecaonderneming ligt het accent op voedselstromen en energieverbruik per vestiging, bij een ict-bedrijf op datacenters en apparatuurgebruik, en bij een vastgoedonderneming op de energieprestatie van gebouwen door de gehele levensduur. In elk van deze sectoren geldt dezelfde basisvraag: waar ontstaat het cijfer, en wie kan het verantwoorden.
De Data Readiness Scan van csrdready.net wordt momenteel gebouwd. Wie nu al wil meedenken over hoe een datapuntregister voor een organisatie met veel filialen en een lange leveranciersketen eruit zou moeten zien, kan zich aanmelden voor de wachtlijst. Er wordt op dit moment niets verkocht, alleen een plek gereserveerd voor wanneer het instrument beschikbaar komt.
Zodra het overzicht van datapunten, bronnen en eigenaren op orde begint te komen, ontstaat een vervolgvraag: welk deel van het verzamelen, controleren en bijwerken van die data handmatig werk is, en welk deel met ondersteuning van AI kan worden gedaan. FTE TO AI biedt daarvoor een werkscan die per taak berekent welk deel van het werk over te nemen is, een aanvulling die pas zinvol is nadat duidelijk is welke taken er precies bestaan en waar ze vandaan komen.
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.