Kommentar von Junta Nakai, Databricks Diese Rolle spielen Datenanalysen für Umwelt, Soziales und Governance

Anbieter zum Thema

Fujitsu Technology Solutions GmbH

Tableau von Salesforce

Fivetran Germany GmbH

Databricks GmbH

Unternehmen, die sich als führend in den Bereichen Umwelt, Soziales und Governance (Environment Social Governance, ESG) positionieren wollen, müssen Daten und KI einsetzen. Organisationen, Investoren und Aufsichtsbehörden sind sich zwar über die umfassenden Vorteile der Einbeziehung von ESG-Zielen im Klaren, das ist aber der Punkt, an dem der Konsens endet. Anders ausgedrückt: Das „Warum“ von ESG ist klar, aber das „Wie“ und „Was“ nicht. Infolgedessen gibt es wenig Einigkeit darüber, welche Daten Unternehmen sammeln und wie sie diese offenlegen oder analysieren sollten.

Während die Industriegremien daran arbeiten, internationale Standards und Richtlinien für die ESG-Offenlegung zu schaffen, reicht dies nicht aus. Damit ESG wirklich effektiv ist und globale Wirkung entfalten kann, müssen Daten und KI eine zentrale Rolle bei der Erfassung, Überprüfung und Analyse der ESG-Leistung spielen. Dies kann heute nur durch den Einsatz von Technologie geschehen. Wie eine beispielhafte technische Umsetzung aussehen könnte zeigt dieser Bericht.

Da es keine Standards gibt, obliegt es den einzelnen Unternehmen und Anlegern, für eine originalgetreue ESG-Offenlegung zu sorgen und die Nachhaltigkeit von Anbietern, Lieferanten, Kunden und Gegenparteien zu überprüfen. Beispielsweise geben sieben von zehn Investoren den Mangel an qualitativ hochwertigen Informationen als größte Herausforderung bei der Übernahme von ESG-Prinzipien an. Mit anderen Worten: Die größte Einschränkung der ESG-Grundsätze sind heute die Daten und die zu ihrer Analyse erforderlichen Instrumente, nicht der Mangel an regulatorischen Richtlinien.

„Greenwashed“ ESG

Heute geben Unternehmen in der Regel einmal im Jahr ESG-Berichte heraus, die sich aus einer Mischung aus Kennzahlen und Marketing zusammensetzen. Zum Beispiel hatte ein kürzlich veröffentlichter 70-seitiger Nachhaltigkeitsbericht einer führenden Investmentbank nur drei Seiten, die den harten Kennzahlen gewidmet waren. Die restlichen 67 Seiten enthalten zweifellos wertvolle Informationen und Signale, aber wie quantifiziert ein Investor oder Kunde dieser Bank den Text, um die ESG-Leistung objektiv zu quantifizieren? Spiegeln diese Offenlegungen die Realität der ESG-Performance wider oder sind sie einfach die am einfachsten zu beobachtenden Datenpunkte?

Ohne die Fähigkeit, ESG-Daten zu quantifizieren und unabhängig zu bewerten, ist ESG zunehmend zu einem Marketingbegriff ohne solide Grundlage für eine objektive Analyse geworden. Dieses Phänomen ist gut dokumentiert in dem, was als „Greenwashing“ bezeichnet wird, ein Begriff für Institutionen, die Verbraucher/Investoren über die Leistung ihrer ESG-Ziele in die Irre führen. Wenn es kaum eine Unterscheidung zwischen erklärten ESG-Zielen und unterstützenden Fakten gibt, läuft die ESG-Bewegung Gefahr, ihre Bedeutung und Wirkung zu verlieren.

Wie Daten und KI die Lücken in ESG füllen

Anders als bei Finanzdaten gibt es für die ESG-Offenlegung derzeit keine allgemein anerkannten Grundsätze. Heute gibt es über 100 Anbieter von ESG-Daten, die Unternehmen und Investoren nutzen können. Darüber hinaus versucht eine Vielzahl von Konsortien, Orientierungshilfen zu spezifischen Fragen innerhalb der ESG zu geben. So konzentriert sich beispielsweise das Netzwerk zur Ökologisierung des Finanzsystems auf die Umwelt, während weitere europäische Regulierungsbehörden an umfassenden ESG-Offenlegung Standards arbeiten.

Obwohl diese Entwicklungen lobenswert sind, wird es Jahre dauern, bis ESG-Standards zusammenwachsen. Die Unternehmen und Investoren von heute haben jedoch nicht den Luxus abzuwarten. Die Verbraucher erwarten bereits heute Nachhaltigkeit von Unternehmen, von denen sie kaufen, ebenso wie einflussreiche Investoren. Um sich als ESG-führend zu etablieren, müssen Unternehmen und Marken zunächst grundlegende Probleme der Informationsqualität (sind die Daten korrekt?), der Compliance (werden die Unternehmen sich daran halten?) und der Verifizierung (stimmen die eigenen Aussagen?) lösen. All dies beginnt mit den Daten.

• 1. Datenqualität: Heutzutage ist das Auffinden von ESG-Daten selbst intern ein sehr manueller Datenerfassungsprozess. Führende Unternehmen legen eine Reihe von ESG-bezogenen Daten offen, vom Wasserverbrauch über Kohlenstoffemissionen bis hin zur Demografie der Belegschaft. Jeder Datenpunkt wird wahrscheinlich in getrennten Datenbanken in unterschiedlichen Formaten und Schemata aufbewahrt, was es schwierig macht, die Qualität oder Genauigkeit der Daten zu gewährleisten. Die Zentralisierung der Daten in einem einzigen Data Lake kann den Datenzugriff und die Datenqualität verbessern.

• 2. Übereinstimmung: Sobald die Informationen in einer modernen Cloud-basierten Speicherarchitektur zentralisiert sind, können Unternehmen einen Echtzeit-Überblick und ein Verständnis ihrer eigenen ESG-Leistung erhalten. Dies ermöglicht Selbstkorrekturen und Benchmarking und verbessert so die Einhaltung ihrer erklärten Ziele. Darüber hinaus können ESG-Kennzahlen häufiger offengelegt werden, da die Daten zugänglich sind.

• 3. Überprüfung. Für die meisten großen Unternehmen bedeutet die ESG-Verifizierung heutzutage einfach, die Partner aufzufordern, sich an den Verhaltenskodex der Anbieter zu halten. Aber wie verifiziert man ihn? Die KI kann eine zentrale Rolle im Verifizierungsprozess spielen, indem sie Techniken von Natural Language Processing (programmgesteuerte Extraktion von Informationen aus Text) bis hin zu Graph Analytics (Lernen, wie verschiedene Entitäten den ESG gegenseitig beeinflussen) verwendet.

Ohne die Lösung des grundlegenden Datenproblems werden Unternehmen kein genaues Verständnis ihrer eigenen ESG-Kennzahlen haben (garbage in, garbage out). Aus diesem Grund lässt sich ESG am besten im Prisma der Technologie, nicht der Politik betrachten.

Beispiel für die Nutzung von Daten und KI

CEOs müssen sich nicht nur ihrer eigenen ESG-Bewertungen bewusst sein, sondern auch wissen, „wie“ sie wahrgenommen werden (vom Markt, von Verbrauchern, Investoren) und analysieren, „was“ die Nachhaltigkeitskennzahlen von Wettbewerbern, Lieferanten und Partnern sind. Zur Veranschaulichung: Nehmen wir einen IT-Manager, der die ESG-Leistung eines Herstellers, der ein Produkt herstellt, bewerten und überprüfen möchte. Heute sind sie auf die Selbstauskunft und Drittanbieter von ESG-Daten angewiesen. Ihre Optionen sind darauf beschränkt, entweder die Selbstauskunft zum Nennwert zu nehmen oder die Offenlegung mit den Bewertungen eines ESG-Datenanbieters abzugleichen.

Zukünftig werden die Führungskräfte bei ESG alle Arten von Daten (strukturierte, unstrukturierte, alternative) und KI nutzen. Zunächst werden sie alternative Daten nutzen, um Einblicke in die Umweltauswirkungen eines bestimmten Produkts zu erhalten, um den Grad der Luftverschmutzung, die Wasserqualität in nahegelegenen Seen und die Gesundheitsdaten der Bevölkerung in der Nähe zu analysieren. Als nächstes werden sie KI-Techniken wie „Embedding“ einsetzen, um zu sehen, wie stark Umweltkonzepte in den Medien mit dem Hersteller in Verbindung gebracht werden, so dass sie erkennen können, ob es eine Lücke zwischen dem, was gesagt und dem, was getan wird, gibt. Schließlich werden sie sogenannte Monte-Carlo-Simulationen im Maßstab durchführen, um zu sehen, wie sich unterschiedliche klimatische Wirtschaftsbedingungen auf die Fähigkeit des Herstellers zur Einhaltung von ESG-Standards auswirken könnten. Jeder Schritt in diesem Bereich kann heute mithilfe bestehender Technologien durchgeführt werden und kann nicht allein durch die Bereitstellung von ESG-Leitlinien oder -Standards für Unternehmen wirksam angegangen werden.

Grundlagen Statistik & Algorithmen, Teil 4

Der Monte-Carlo-Algorithmus und -Simulationen

Lösungsansatz: Technologie mit Richtlinien und Datenanbietern

Wie oben veranschaulicht, können Daten und KI ESG-Faktoren auf eine Weise durchsetzen, wie es Regelsetzung oder Datenanbieter allein nicht können. Die Automatisierung des Datenerfassungsprozesses für ESG sowie die Nutzung der KI zur Analyse der ESG-Fähigkeiten:

• 1. Häufigere Berichterstattung

• 2. Überprüfung von ESG-Offenlegungen

• 3. Rechenschaftspflichtige Holdinggesellschaften

Letztlich wird die Konzentration auf das „Was“ und „Wie“ mit der Technologie ESG erst möglich machen. Sie muss unlösbar mit der Unternehmensleistung verbunden und in die Kerngeschäftsstrategie und die Governance-Prozesse integriert werden, um aus den vorhandenen Daten relevante und belastbare Ergebnisse zu ziehen.

(ID:46848199)