What-if 分析を使用して、排出量に関するビジネス慣行の変化を予測します (プレビュー)

What-if 分析は、いくつかのビジネス慣行の変更が組織の炭素排出量に与える影響を予測できるカスタム AI モデルです。 より情報に基づいた炭素削減戦略を作成し、全体的な持続可能性の目標を加速する際に役立ちます。 たとえば、風力や太陽光発電などの再生可能エネルギー源への切り替えや、サプライヤー固有の要因によるサプライヤーの切り替えの影響を予測できます。

この記事では、what-if 分析予測を作成する方法を説明します。 また、予測を最大限に活用するための考慮事項、詳細、および情報も提供します。

次のビデオでは、ドキュメント分析 と what-if 分析の使用方法を示します。

重要な考慮事項

予測シナリオを作成する際には、これらの考慮事項に留意してください。

• すべてのシナリオには次のフィールドが必要です:

  • 件名
  • 組織単位
  • データ型
  • 算定モデル
  • AR バージョン

• 設備 はすべてのシナリオで必須ではありませんが、予測のデータをさらに絞り込むために使用できます。

• すべてのシナリオは、そのカテゴリのアクティビティを追跡する際に、それぞれの必須フィールドに依存します。 たとえば、出張シナリオでは、距離 フィールドを使用して、予測に増加または減少のパーセンテージを正確に適用します。

必須フィールド

この表には、各シナリオのカテゴリ固有の必須フィールドがリストされています。

ひとつ以上の数値列に言及するシナリオの予測を成功させるには、対応する単位列を必ず入力してください。 また、選択した計算モデルが同じフィールドを使用していることを確認してください。

What-If 分析予測の作成

What-If 分析の使用を開始するには、以下の手順に従います:

1. ナビゲーション ペインで、What-if 分析 (プレビュー)を選択します。

2. What-if分析 (プレビュー) ページで、新しいシナリオを選択します。

3. 新しい What-if シナリオ ペインでシナリオに関する情報を入力し、保存して閉じる を選択します。

4. 作成したシナリオを選択し、シナリオの実行を選択します。 シナリオ ジョブが完了すると、結果を通知するアプリ内通知と、その結果に移動するハイパーリンクが表示されます。 このページには、シナリオの詳細と、履歴データと関連する予測を視覚化したグラフが表示されます。

サポートされているシナリオ

What-if 分析では、次のシナリオがサポートされます。 各シナリオにはさまざまなレベルのカスタマイズ性があり、組織のデータとニーズに合わせて予測を調整できます。

スコープ 1

• 業界プロセス: 業界プロセス シナリオでは、特定の 組織単位 または組織単位に割り当てられた 施設 の 業界プロセス タイプ を切り替えた場合の影響を予測できます。

• 移動燃焼: 移動燃焼シナリオでは、使用されているオンロード車両とオフロード車両の両方を切り替えることの影響を予測できます。 たとえば、特定の 組織単位でディーゼル駆動車両からガソリン駆動車両に切り替えた場合の排出量の影響を予測できます。

• 固定燃焼: 固定燃焼シナリオでは、特定の施設で使用されている燃料を切り替えた場合の影響を予測できます。 より正確な予測を提供するために、このシナリオでは エネルギー変換率も提供する必要があります。

  エネルギー変換率を計算するには、既存の燃料のエネルギー含有量を、予測したい燃料のエネルギー含有量で割ります。 あるいは、発熱量を使用することもできます。 たとえば、既存の燃料のエネルギー含有量が 33 MJ/kg で、新しい燃料のエネルギー含有量が 38 MJ/kg の場合、エネルギー変換率は約 0.87 になります。

スコープ 2: 購入エネルギー

スコープ 2 カテゴリの予測シナリオはすべて同じパターンをたどります: 再生可能 フィールドを通じて、再生不可能なエネルギーから再生可能エネルギーに、またはその逆に切り替えます。

これらのシナリオでは、再生不可能なエネルギー源と再生可能なエネルギー源の両方の計算をサポートする計算モデルを選択していることを確認してください。 最も簡単な方法は、再生産されている フィールドに条件文を使用することです。

スコープ 3

• 1. 購入した商品とサービスと 2. 資本財: スコープ 3 のカテゴリー 1 と 2 では、商品やサービスを購入するサプライヤーを変更した場合の影響を予測することができます。 これらのいずれかのカテゴリの予測シナリオを作成して実行する前に、次の手順を完了してください:

  1. 予測に必要なサプライヤー固有のカスタム排出係数をインポートします。
  2. すべてのカスタム排出係数を対応する 支出タイプ をマッピングします。
  3. カスタム係数を使用するための計算モデルを作成または変更します。

  注意

  対応する計算モデルが、マッピングされた 支出の種類 に基づいて正しいものを動的に選択できるように、すべてのサプライヤー固有の要因を単一の要因ライブラリに格納することをお勧めします。

  これらの品目が完了したら、支出タイプ: 現在 と 支出タイプ: 新規 フィールドを使用して、現在の取引先と提案中の取引先をマッピングし、最初の 2 つのステップと一致していることを確認します。

• 4. 上流 と 9. 下流への輸送と流通: スコープ 3 カテゴリ 4 と 9 は、予測シナリオに関して最も幅広い柔軟性を提供します。 これらのカテゴリごとに、シナリオでは、使用する輸送モードを切り替えた場合の影響と、それに対応する移動距離と商品の数量を予測することができます。

  移動距離と商品数量について、輸送手段を変更した場合に予想される増減率を記入します。 たとえば、飛行機 に 船、移動距離の減少と輸送される商品の量の増加が見られるかもしれません。 正の整数は増加を表し、負の整数は減少を表します。

  注意

  減少率が 100％ を超えることはありません。
  
  増加または減少 移動距離 または 商品の数量 集計された月次レベルで予測に適用されます。

• 5. 事業から出る廃棄物、12. 販売した製品の廃棄処理: スコープ 3 カテゴリ 5 と 12 を使用すると、特定の材料の廃棄方法を変更した場合の影響を予測できます。 たとえば、食品廃棄物を埋め立て地に送るのではなく、堆肥化した場合の影響を予測することができます。

• 6.出張、7. 従業員の通勤: スコープ 3 のカテゴリー 6 と 7 では、それぞれ出張の種類と従業員の通勤の種類フィールドを通じて、組織のメンバーが出張や従業員の通勤に使用する交通手段を変更した場合の影響を予測することができます。 カテゴリ 5 と 12 と同様に、カテゴリ 6 と 7 でも、移動距離の増加または減少の推定パーセンテージを入力できます。

  注意

  移動距離の増減は月次集計レベルで予測に適用されます。

予測の側面

• 既存の戦略: 既存の戦略予測は、そのカテゴリの排出量を生成する現在の方法について、何も変更しない場合に予測される排出量を示します。 たとえば、特定の施設で石炭からバイオ燃料への切り替えの影響を予測する場合、既存の戦略予測は石炭を引き続き使用した場合に予想される排出量を表します。

• 新しい戦略: 新しい戦略の予測は、予測シナリオで表される新しいビジネス戦略に切り替えた場合に予測される排出量を示します。 たとえば、特定の施設について、石炭からバイオ燃料への切り替えによる影響を予測する場合、新戦略予測は、バイオ燃料への切り替えによる予測排出量を月次レベルで集計したものです。

• 予測区間: 予測区間は、過去のデータに基づいて、将来の観測値が一定の確率 (95% の信頼度を使用) で含まれる区間の推定値を表します。 予測区間は本質的に、予測に関連する不確実性を表します。

モデルの失敗と情報メッセージ

このセクションでは、予測で発生する可能性のあるエラーや問題について説明します。

この予測を生成するための調整が行われました

• フォールバック予測方法への切り替え: (S) ARIMA または ETS モデルに適合するために必要な履歴データ ポイントの数やデータ品質が不十分な場合は、フォールバック予測方法を使用します。 フォールバック方法への切り替えが必要になる具体的なケースは 2 つあります:

  • 比較的均一な間隔の履歴データ時系列に、欠落しているデータポイントが多くなる
  • 不規則な間隔の履歴データ

• データの均一性チェックと頻度調整: 予測の前に、データが月単位で集計され、月ごとのベースラインと仮定予測が生成されます。 ただし、集計時にデータが比較的均一な月ごとのリズムを示さない場合は、さらに 2 か月、3 か月、4 か月、または 6 か月に集計することが試みられます。 これらの調整によって系列が相対的な均一性を達成できない場合は、より単純なフォールバック モデルが予測に使用されます。

予測 を生成できません

• 履歴データがまばらすぎる: 予測を成功させるには、履歴データの頻度が 6 か月ごとに少なくともひとつの データ ポイント である必要があります。 データがその間隔よりもまばらな場合、予測は失敗します。

• 履歴データ ポイントがない、または少なすぎる: what-if 分析予測モデルでは、予測を正常に生成するために、少なくとも 6 つのデータ ポイント (前述の データ均一性チェックと頻度調整で説明した頻度調整後) が必要です。

サポートされている時系列予測モデル

Sustainability Manager は、アクティビティ データの予測を生成するために、(季節) 自己回帰和分移動平均 ((S)ARIMA) とエラー トレンド季節性 (ETS) 単変量時系列予測モデルをサポートしています。 モデル選択フレームワークは、過去のアクティビティ データに基づいて最適な予測モデルを選択します。 生成された活動レベルの予測は計算モデルを経て、排出量レベルの予測に変換されます。

ARIMA と ETS は、最も広く使用されている時系列予測方法です。 ETS モデルはデータ内の傾向と季節性の記述に依存しますが、ARIMA モデルはデータ内の自己相関を記述します。 これらのモデルの詳細については、予測: 原則と実践 テキスト 第 7 章 (指数平滑法) と 第 8 章 (ARIMA モデル) を参照してください。

履歴データが少なすぎる場合や非常に不規則な場合など、特定の状況では、ARIMA または ETS の代わりに単純なフォールバック モデルが選択されます。