I många sektorer är problemet att data ligger spridd över avdelningar och system, men ändå uppstår inom en och samma organisation. Inom jordbrukssektorn börjar fragmenteringen redan före den punkten. En stor del av den mest efterfrågade hållbarhetsdatan — markanvändning, vattenförbrukning, växelbruk, djurfoder, utsläpp från gödsel — uppstår inte hos det rapporterande företaget självt, utan hos odlare, leverantörer och kooperativ som saknar bokförings- eller digitala rutiner för detta. Där en kontorsorganisation kan hitta data i ett ERP-system, måste ett jordbruksföretag ofta först fråga sig fram genom en kedja av tredje parter som inte själva ser frågan som sitt problem.
Därtill kommer att den data som faktiskt finns internt tillgänglig oftast är registrerad per verksamhetsdel eller per odlingssäsong, inte per rapportperiod. Ett räkenskapsår sammanfaller inte med en skördecykel, och en utsläppsfaktor som gäller idag kan redan nästa säsong ha ändrats på grund av en annan gröda eller annan jordbearbetning. Den största delen av tiden som läggs på hållbarhetsrapportering går inte till att fylla i siffror, utan till att ta reda på vem dessa siffror egentligen ska komma ifrån.
Den första platsen är kedjan själv. En stor del av scope 3-utsläppen inom jordbrukssektorn finns hos leverantörer som inte bedriver hållbarhetsrapportering och vars data — om den finns — existerar i ett annat format, ett annat språk eller inte är digitaliserad alls. Den som här vill koppla en datapunkt till en källa upptäcker att källan ibland är en person, inte ett system.
Den andra platsen är verksamheten på det egna företaget: förbrukning av vatten, energi och växtskyddsmedel förs ofta på papper eller i lösa Excelöversikter per skifte eller stall. Denna data existerar, men är inte tilldelad till någon som ansvar för rapporteringsändamål — det är lantbruksbokföring, inte CSRD-bokföring, och de två stämmer sällan sömlöst överens.
Den tredje platsen är översättningen till mätbara enheter. Markanvändning och markkol registreras på mycket olika sätt av olika aktörer, och omräkningen till en enhetlig rapporteringsenhet är i sig själv en felkälla om ingen dokumenterar vilket antagande som använts.
Inom IT-sektorn finns hållbarhetsdatan vanligtvis i digitala system som redan finns, och det handlar främst om att göra dem tillgängliga. Inom energisektorn är mycket data redan uppmätt eftersom mätplikt och övervakning är en del av verksamheten. Jordbrukssektorn saknar oftare den grunden: datan är inte gömd i ett system, den har aldrig registrerats systematiskt. Det gör problemet inte större eller mindre än inom finansiella tjänster eller fastighetssektorn, men annorlunda till sin natur: där handlar problemet oftast om integration mellan system, här handlar det ofta först om registrering vid källan.
Frestelsen är stor att köpa ett mjukvarupaket som automatiserar rapportering för jordbrukssektorn. Men ett verktyg som hämtar data från system som inte innehåller rätt data, ger bara en snyggt formaterad rapport baserad på samma lösa trådar. Innan ett system kan summera något måste det stå klart vilken datapunkt som hör till vilken källa, vem inom eller utanför den egna organisationen som ansvarar för den, och vilken kvalitetsregel som avgör om ett inmatat tal är rimligt. Det är inte en mjukvarufråga utan en ordningsfråga, och den föregår varje rapporteringssystem.
Data Readiness Scan dokumenterar för varje datapunkt varifrån den kommer — från den egna verksamheten, från en odlare, från ett kooperativ eller från en extern datakälla — och vem inom kedjan som är ansvarig för den. För en sektor där mycket data uppstår utanför de egna väggarna är detta ägarskap ofta den saknade pusselbiten: inte siffran själv, utan vem som ansvarar för den. För att avgöra vilka datapunkter som faktiskt är relevanta för ett jordbruksföretag, och vilka som rapporteras utan att fylla någon funktion, är den distinktion som görs i vilka datapunkter ni verkligen behöver när det finns flera affärsenheter användbar, liksom utgångspunkten att en datapunkt ofta redan finns hos en av de befintliga affärsenheterna innan den samlas in igen.
Så snart det är klart vilka datapunkter i jordbrukskedjan som behöver komma någonstans ifrån och vem som levererar dem, uppstår en andra fråga: hur mycket av arbetet med att samla in, kontrollera och spåra denna data kräver fortfarande mänskliga handlingar, och vilken del är repetitiv nog att lämnas till AI. Arbetsscanen från FTE TO AI räknar ut detta per uppgift, inte utifrån en uppskattning för hela sektorn utan utifrån de uppgifter som faktiskt utförs i en specifik kedja. För en sektor där mycket tid går till att spåra källor istället för att tolka siffror, är det en utgångspunkt för att se var automatisering ger något och var den inte gör det.
Scanen som kartlägger dessa datapunkter, källor och ägarskap för jordbrukssektorn är under utveckling. Den som vill få besked så snart scanen blir tillgänglig kan anmäla sig till väntelistan.
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.