Prevedere i cambiamenti delle pratiche aziendali per le emissioni con l'analisi what-if (anteprima)

L'analisi what-if è un modello di intelligenza artificiale personalizzato che ti consente di prevedere l'impatto di diversi cambiamenti nelle pratiche aziendali sull'impronta delle emissioni di carbonio della tua organizzazione. Ti aiuta a creare strategie di riduzione del carbonio più informate e ad accelerare i tuoi obiettivi di sostenibilità complessivi. Ad esempio, puoi prevedere l'impatto del passaggio a fonti di energia rinnovabile, come l'energia eolica o solare, o del cambio di fornitore attraverso fattori specifici del fornitore.

In questo articolo viene illustrato come creare una previsione di analisi what-if. Fornisce inoltre considerazioni, dettagli e informazioni per aiutarti a ottenere il massimo dalla tua previsione.

Il video seguente mostra come utilizzare l'analisi dei documenti e l'analisi di simulazione:

Considerazioni importanti

Tieni a mente queste considerazioni durante la creazione del tuo scenario di previsione.

• Ogni scenario richiede i seguenti campi:

  • Nome
  • Unità organizzativa
  • Tipo di dati
  • Modello di calcolo
  • Versione AR

• La struttura non è necessaria per tutti gli scenari, ma puoi utilizzarla per restringere ulteriormente i dati per la tua previsione.

• Tutti gli scenari si basano sui rispettivi campi obbligatori durante il monitoraggio delle attività per quella categoria. Ad esempio, lo scenario Viaggio d'affari si basa sul campo Distanza per applicare con precisione una percentuale di aumento o diminuzione alla previsione.

Campi obbligatori

Questa tabella elenca i campi obbligatori specifici della categoria per ogni scenario.

Per garantire l'esito positivo delle previsioni per scenari che menzionano una o più colonne numeriche, assicurati di compilare la colonna dell'unità corrispondente. Assicurati inoltre che il modello di calcolo scelto utilizzi gli stessi campi.

Creare una previsione di analisi what-if

Per iniziare a usare l'analisi what-if, effettua i seguenti passaggi:

1. Nel riquadro di spostamento, seleziona Analisi what-if (anteprima).

2. Nella pagina Analisi what-if (anteprima), seleziona Nuovo scenario.

3. Nel riquadro Nuovo scenario What-If, immetti le informazioni per lo scenario e quindi seleziona Salva e chiudi.

4. Seleziona lo scenario creato, quindi seleziona Esegui scenario. Una volta completato il processo relativo allo scenario, riceverai una notifica in-app che ti avvisa dei risultati, con un collegamento ipertestuale per visualizzarli. Questa pagina visualizza i dettagli dello scenario e un grafico con i dati storici e le previsioni associate.

Scenari supportati

L'analisi what-if supporta gli scenari descritti di seguito. Ogni scenario presenta diversi livelli di personalizzazione che consentono di adattare la previsione ai dati e alle esigenze della propria organizzazione.

Ambito 1

• Processo industriale: lo scenario del processo industriale ti consente di prevedere l'impatto del cambiamento del Tipo di processo industriale per un particolare Unità organizzativa o Struttura assegnata all'unità organizzativa.

• Combustione mobile: lo scenario di combustione mobile ti consente di prevedere l'impatto del cambio dei veicoli stradali e fuoristrada. Ad esempio, puoi prevedere l'impatto delle emissioni del passaggio da una flotta alimentata a diesel a una a benzina per una determinata Unità organizzativa.

• Combustione stazionaria: lo scenario di combustione stazionaria ti consente di prevedere l'impatto del cambio del combustibile utilizzato in una particolare struttura. Per fornire una previsione più accurata, questo scenario richiede anche di fornire un Tasso di conversione energetica.

  Per calcolare i tassi di conversione energetica, dividi il contenuto energetico del tuo combustibile esistente per il contenuto energetico del combustibile per il quale desideri eseguire la previsione. In alternativa, potresti anche utilizzare valori di riscaldamento. Ad esempio, se il contenuto energetico del combustibile esistente è 33 MJ/kg e quello nuovo è 38 MJ/kg, il tasso di conversione energetica è di circa 0,87.

Ambito 2: Energia acquistata

Tutti gli scenari previsionali della categoria Ambito 2 seguono lo stesso schema: passaggio da energia non rinnovabile a energia rinnovabile, o viceversa, tramite il campo Rinnovabile.

Per questi scenari, assicurati di scegliere un modello di calcolo che supporti sia i calcoli delle fonti energetiche non rinnovabili che quelle rinnovabili. Il modo più semplice è usare un operatore di condizione nel campo Rinnovabile.

Ambito 3

• 1. Beni e servizi acquistati e 2. Beni d'investimento: le categorie 1 e 2 di ambito 3 ti consentono di prevedere l'impatto del cambio del fornitore da cui acquisti beni e servizi. Prima di creare ed eseguire uno scenario di previsione per una di queste categorie, assicurati di completare i seguenti passaggi:

  1. Importa eventuali fattori di emissione personalizzati specifici del fornitore necessari per la previsione.
  2. Mappa tutti i fattori di emissione personalizzati a un Tipo di spesa corrispondente.
  3. Crea o modifica un modello di calcolo per utilizzare i fattori personalizzati.

  Nota

  Ti consigliamo di memorizzare tutti i fattori specifici del fornitore in un'unica raccolta di fattori in modo che il modello di calcolo corrispondente possa scegliere dinamicamente quello corretto in base al Tipo di spesa mappato.

  Dopo aver completato questi elementi, utilizza i campi Tipo di spesa: corrente e Tipo di spesa: nuovo per mappare i tuoi e i fornitori correnti e proposti, assicurandoti che si allineino ai primi due passaggi.

• 4. Upstream e 9. Trasporto e distribuzione downstream: le categorie 4 e 9 dell'ambito 3 offrono la più ampia flessibilità in termini di scenari previsionali. Per ciascuna di queste categorie, lo scenario ti consente di prevedere l'impatto del cambio della Modalità di trasporto utilizzata e la corrispondente Distanza percorsa e la Quantità merci trasportata.

  Per Distanza percorsa e Quantità merci, fornisci una stima dell'aumento o della diminuzione percentuale che prevedi come risultato della modifica della Modalità di trasporto. Ad esempio, se passi da Aereo a Nave, potresti notare una diminuzione della distanza percorsa e un aumento della la quantità di merci trasportate. I numeri interi positivi rappresentano gli aumenti e i numeri interi negativi rappresentano le diminuzioni.

  Nota

  Le diminuzioni non deve essere superiori al 100%.
  
  Eventuali aumenti o diminuzioni della Distanza percorsa o della Quantità merci vengono applicati alla previsione a livello mensile aggregato.

• 5. Rifiuti generati nelle operazioni e 12. Trattamento di fine vita dei prodotti venduti: le categorie 5 e 12 dell'ambito 3 ti consentono di prevedere l'impatto del cambiamento del modo in cui si smaltisce un particolare materiale. Ad esempio, potresti prevedere l'impatto del compostaggio dei rifiuti alimentari invece del loro smaltimento in discarica.

• 6. Viaggio di lavoro e 7. Viaggi dei dipendenti: le categorie 6 e 7 dell'ambito 3 ti consentono di prevedere l'impatto della modifica della modalità di trasporto utilizzata dai membri dell'organizzazione per i viaggi di lavoro o per gli spostamenti dei dipendenti tramite i campi Tipo di viaggio di lavoro e Tipo di mobilità dipendenti rispettivamente. Proprio come le categorie 5 e 12, anche le categorie 6 e 7 ti consentono di inserire una percentuale stimata di aumento o diminuzione della distanza percorsa.

  Nota

  Eventuali aumenti o diminuzioni della Distanza percorsa vengono applicati alla previsione a livello mensile aggregato.

Aspetti previsionali

• Strategia esistente: la previsione della strategia esistente è una visione delle emissioni previste se non si cambiasse nulla del modo attuale di generare emissioni per quella categoria. Ad esempio, se si prevede l'impatto del passaggio da carbone a biocarburante per un particolare struttura, la previsione della strategia esistente rappresenta le emissioni previste derivanti dal continuare a utilizzare il carbone.

• Nuova strategia: la previsione della nuova strategia è una visione delle emissioni previste se si dovesse passare alla nuova strategia aziendale rappresentata dallo scenario di previsione. Ad esempio, se si prevede l'impatto del passaggio da carbone a biocarburante per un particolare struttura, la nuova previsione della strategia rappresenta le emissioni previste del passaggio al biocarburante.

• Intervalli di previsione: gli intervalli di previsione rappresentano la stima di un intervallo in cui un'osservazione futura rientra con una certa probabilità (usiamo un'attendibilità al 95%), dati i dati storici. Gli intervalli di previsione rappresentano essenzialmente l'incertezza associata a una previsione.

Errori nel modello e messaggi informativi

Questa sezione descrive gli errori o i problemi che potresti riscontrare con le previsioni.

Sono state apportate alcune rettifiche per generare questa previsione

• Passaggio a un metodo di previsione fallback: utilizziamo un metodo di previsione fallback nel caso in cui il numero di punti dati storici e/o la qualità dei dati necessari per i modelli (S)ARIMA o ETS siano insufficienti. Sono due i casi specifici in cui si rende necessario passare ad una metodologia di fallback:

  • Troppi punti dati mancanti in una serie temporale di dati storici altrimenti distribuiti in modo relativamente uniforme
  • Dati storici distribuiti in modo irregolare

• Controllo dell'uniformità dei dati e aggiustamento della frequenza: prima della previsione, i dati vengono aggregati a livello mensile per generare una baseline mensile e una previsione di simulazione. Tuttavia, se al momento dell'aggregazione i dati non presentano una cadenza mensile relativamente uniforme, si tenta un'ulteriore aggregazione a due, tre, quattro o sei mesi. Se non è possibile per le serie raggiungere una relativa uniformità con questi aggiustamenti, per la previsione viene utilizzato un modello di fallback più semplice.

Impossibile generare la previsione

• I dati storici sono troppo sparsi: per garantire una previsione corretta, i tuoi dati storici devono avere una frequenza di almeno un punto dati ogni sei mesi. Se i dati sono più sparsi di tale intervallo, la previsione non riesce.

• Nessun punto dati storico o troppo pochi: i modelli di previsione dell'analisi di simulazione richiedono almeno sei punti dati (dopo l'aggiustamento della frequenza, descritto in precedenza in Controllo dell'uniformità dei dati e aggiustamento della frequenza) per generare correttamente una previsione.

Modelli di previsione delle serie temporali supportati

Sustainability Manager supporta modelli di previsione di serie temporali univariate (S)ARIMA (Seasonal) Auto Regressive Integrated Moving Average e ETS (Error Trend Seasonality) per la generazione di previsioni sui dati relativi all'attività. Il framework di selezione del modello seleziona il miglior modello di previsione in base ai dati storici dell'attività. Le previsioni a livello di attività generate passano attraverso il modello di calcolo per essere trasformate in previsioni a livello di emissioni.

ARIMA ed ETS sono i metodi di previsione delle serie temporali più utilizzati. I modelli ETS si basano sulle descrizioni della tendenza e della stagionalità nei dati, mentre i modelli ARIMA descrivono le autocorrelazioni nei dati. Per saperne di più su questi modelli, fai riferimento a Capitolo 7 (Livellamento esponenziale) e Capitolo 8 (Modelli ARIMA) del manuale Previsioni: principi e pratica.

In alcune occasioni, ad esempio quando i dati storici sono troppo pochi o molto irregolari, viene selezionato un semplice modello di fallback anziché il modello ARIMA o ETS.