Detaljhandeln har en egenskap som gör dess hållbarhetsdata svårare att hantera än hos ett företag med en enda produktionsanläggning: den största delen av påverkan uppstår inte i egna byggnader, utan hos andra. En detaljhandlare säljer produkter som tillverkats någon annanstans, transporterats av parter som inte är anställda, och förpackats i material som valts av leverantörer. De egna butikerna och distributionscentralerna levererar bara en del av den totala bilden. Resten finns i en kedja av leverantörer, logistikleverantörer och ibland deras egna underleverantörer. Den som söker hållbarhetsdatan för en detaljhandelsorganisation söker alltså till stor del data som inte har mätts av den egna organisationen.
Den mest lättillgängliga delen av datan hör till det egna fastighetsavtrycket: energiförbrukning i butiker, distributionscentraler och kontor, som ofta går att hitta i fakturor från energileverantörer eller i system för fastighetsförvaltning. Hos en kedja med många filialer blir detta snabbt en samling av separata avtal, mätaravläsningar och fakturor per plats, hanterade av olika regionchefer eller ett fastighetsteam. Datan finns, men är så spridd över så många platser att ingen automatiskt sätter ihop den till en helhet.
Transportdata — bränsleförbrukning för egna fordonsflottor, men framför allt för inhyrda transportörer — ligger till stor del utanför organisationen. En detaljhandlare som lägger ut transporten på entreprenad får fakturor och ibland rapporter från transportören, men sällan i ett format som passar det egna rapporteringsbehovet. Denna data måste begäras in, tolkas och kopplas till interna volymer, vilket lägger till ett manuellt steg som lätt går förlorat mellan inköp, logistik och hållbarhet.
Den största delen av en detaljhandlares klimatpåverkan finns vanligtvis i tillverkningen av de sålda varorna, långt före den egna dörren. Denna data kommer, om den alls är tillgänglig, från leverantörer som själva använder olika mätmetoder, eller via generella branschgenomsnitt som inköp eller hållbarhetsavdelningen en gång tagit fram. Vid ett sortiment med många olika produkter och leverantörer uppstår ett kalkylblad med data av varierande kvalitet: några siffror är uppmätta, andra uppskattade, andra hämtade från en gammal rapport. Ingen i organisationen har en fullständig överblick över var varje siffra kommer ifrån.
Förpackningsdata — vikt, material, återvinningsbarhet — registreras ofta av inköp eller förpackningsspecialister, per produktkategori eller leverantörsavtal. Avfallsdata från butiker och distributionscentraler kommer i sin tur från avfallshanterare, med egna rapporteringsformat och måttenheter. Båda flödena hamnar sällan i samma system som energi- eller transportdatan, vilket innebär att den som vill ha en fullständig bild måste gå till flera avdelningar för att samla ihop pusselbitarna.
Utöver klimatdata kräver hållbarhetsrapportering också sociala indikatorer: personalomsättning, mångfald, arbetsvillkor i kedjan. För den egna organisationen finns detta oftast hos HR, i system som inte har utformats med hållbarhetsrapportering i åtanke. För kedjan — arbetsförhållanden hos leverantörer — är datan ofta ännu mer begränsad och beroende av revisioner eller certifieringar som inte genomförs på samma sätt varje år.
Den gemensamma nämnaren inom detaljhandeln är att data sällan uppstår på ett ställe och nästan aldrig förvaltas på ett ställe. För varje datapunkt är frågan relevant: kommer detta från ett eget system eller från en tredje part, vem har levererat det, hur har det mätts, och när uppdaterades det senast. Utan ett register som besvarar dessa frågor förblir datan bakom en rapport en samling separata filer som ingen med säkerhet kan spåra ursprunget till. Det registret är precis vad Data Readiness Scan är inriktad på: inte rapporten i sig, utan lineage per datapunkt, ägarskapet och kvalitetsreglerna som avgör om en siffra håller.
Den utmaning som beskrivs här återkommer i liknande form i andra sektorer, dock med andra tyngdpunkter. Hos ett restaurangföretag ligger tyngdpunkten på livsmedelsflöden och energiförbrukning per enhet, hos ett it-företag på datacenter och utrustningsanvändning, och hos ett fastighetsföretag på byggnadernas energiprestanda under hela livscykeln. I varje av dessa sektorer gäller samma grundfråga: var uppstår siffran, och vem kan stå för den.
Data Readiness Scan från csrdready.net håller för närvarande på att byggas. Den som redan nu vill vara med och tänka på hur ett datapunktsregister för en organisation med många filialer och en lång leverantörskedja bör se ut, kan anmäla sig till väntelistan. Just nu säljs ingenting, utan endast en plats reserveras för när verktyget blir tillgängligt.
Så snart översikten över datapunkter, källor och ägare börjar komma i ordning, uppstår en följdfråga: vilken del av insamlingen, kontrollen och uppdateringen av denna data är manuellt arbete, och vilken del kan göras med stöd av AI. FTE TO AI erbjuder för detta en arbetsscan som per uppgift beräknar vilken del av arbetet som kan tas över, en komplettering som först blir meningsfull när det är klart exakt vilka uppgifter som finns och var de kommer ifrån.
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.