Prévoir les changements des pratiques commerciales sur vos émissions grâce à une analyse de simulation
Note
Cette fonctionnalité est incluse dans Microsoft Sustainability Manager Premium.
L’analyse simulation est un modèle d’IA personnalisé qui vous permet de prévoir l’impact de le modification de différentes pratiques commerciales sur l’empreinte d’émissions carbone de votre organisation. Il vous aide à créer des stratégies de réduction des émissions de carbone plus éclairées et à accélérer vos objectifs globaux de développement durable. Par exemple, vous pouvez prévoir l’impact du passage à des sources d’énergie renouvelables, telles que l’énergie éolienne ou solaire, ou du changement de fournisseur en fonction de facteurs spécifiques au fournisseur.
Cet article vous explique comment créer une prévision d’analyse What-if. Il fournit également des considérations, des détails et des informations pour vous aider à tirer le meilleur parti de vos prévisions.
Cet épisode de Parlons développement durable Vidéo montre comment utiliser l’analyse hypothétique :
Remarques importantes
Gardez ces considérations à l’esprit lors de la création de votre scénario de prévision.
Vous pouvez avoir entre une et trois stratégies dans un même scénario en utilisant le champ Nombre de scénarios.
Le champ Variable(s) est un champ à sélection multiple qui vous permet de choisir les données ou les quantités que vous prévoyez de modifier. Par exemple, vous pouvez choisir de modifier le Coût, la Distance et la Quantité de marchandises transportées dans le cadre de votre scénario 4. Transport et distribution en amont.
Chaque scénario nécessite les champs suivants :
- Name
- Unité organisationnelle
- Type de données
- Modèle de calcul
- réalité augmentée version
- Nombre de stratégies
- Variables
Facilité ce n’est pas un champ obligatoire, mais vous pouvez l’utiliser pour affiner davantage les données de vos prévisions.
Créer une prévision d’analyse de simulation
Pour prendre en main l’analyse simulation, procédez comme suit :
Dans le volet de navigation, sélectionnez Analyse de simulation.
Sur la page Analyse de simulation, sélectionnez Nouveau scénario.
Dans le volet Nouveau scénario de simulation, saisissez les détails suivants :
- Name
- Unité organisationnelle
- Type de données
- Modèle de calcul
- réalité augmentée version
Ensuite, sélectionnez le nombre de stratégies que vous souhaitez utiliser via le champ Nombre de stratégies.
Ensuite, sélectionnez les Variables que vous prévoyez de modifier dans le cadre de votre stratégie ou de vos stratégies. Vous devez d’abord saisir les valeurs historiques de ces variables, qui représentent la stratégie actuelle utilisée par votre organisation. Par exemple, si vous prévoyez l’impact du changement de votre flotte de véhicules à combustion mobile, vous devez d’abord saisir le véhicule actuel et le type de combustible sous Stratégie actuelle.
Une fois que vous avez complété le formulaire, sélectionnez Enregistrer et fermer.
Sélectionnez votre scénario créé, puis sélectionnez Exécuter scénario. Une fois le scénario terminé, vous recevez une notification dans l’application vous alertant des résultats, avec un lien hypertexte vous y menant. Cette page affiche les détails de votre scénario et un graphique visualisant vos données historiques et vos prévisions de stratégie associées.
Note
La durée de l’horizon de prévision de votre scénario est basée sur la quantité de données historiques importées. En règle générale, votre horizon de prévision sera toujours environ la moitié de votre environnement. Par exemple, si vous avez deux années de données historiques à des intervalles d’un mois, vous pouvez alors vous attendre à voir un horizon de prévision d’un an au même intervalle.
Scénarios pris en charge
Chaque scénario comporte différents niveaux de personnalisation qui vous permettent d’adapter les prévisions aux données et aux besoins de votre organisation en utilisant des variables. Ce tableau répertorie toutes les variables disponibles pour chaque type de données.
| Catégorie de scénario | Variables disponibles |
|---|---|
| Processus industriel | - Coût - Quantité de marchandises - Type de traitement industriel - Type de dépense - Quantité |
| Combustion mobile | - Coût - Distance - Quantité de combustible - Type de combustible - Quantité de marchandises - Type de traitement industriel - Quantité - Type de dépense - Type de véhicule |
| Combustion stationnaire | - Coût - Taux de conversion de l’énergie - Quantité de combustible - Type de combustible - Quantité de marchandises - Type de traitement industriel - Quantité - Type de dépense |
| Refroidissement acheté | - Type d’instrument contractuel - Coût - Quantité de marchandises - Est renouvelable - Quantité - Type de dépense |
| Électricité achetée | - Type d’instrument contractuel - Coût - Quantité de marchandises - Est renouvelable - Quantité - Type de dépense |
| Chaleur achetée | - Type d’instrument contractuel - Coût - Quantité de marchandises - Est renouvelable - Quantité - Type de dépense |
| Vapeur achetée | - Type d’instrument contractuel - Coût - Quantité de marchandises - Est renouvelable - Quantité - Type de dépense |
| 1. Biens et services achetés | - Coût - Quantité de marchandises - Type de traitement industriel - Quantité - Type de dépense |
| 2. Biens d’équipement | - Coût - Type de traitement industriel - Quantité - Type de dépense |
| 4. Transport et distribution en amont | - Coût - Distance - Quantité de combustible - Type de combustible - Quantité de marchandises - Type de traitement industriel - Quantité - Type de dépense - Mode de transport - Type de transport et de distribution - Type de véhicule |
| 5. Déchets générés par les opérations | - Coût - Méthode d’élimination - Distance - Quantité de combustible - Type de traitement industriel - Matériel - Quantité - Type de dépense - Mode de transport - Quantité de déchets |
| 6. Déplacement professionnel | - Type de voyage d’affaires - Coût - Distance - Quantité de combustible - Type de traitement industriel - Quantité - Type de véhicule |
| 7. Déplacement des employés | - Coût - Distance - Type de déplacement des employés - Quantité de combustible - Type de combustible - Type de traitement industriel - Quantité - Type de véhicule |
| 9. Transport et distribution en aval | - Coût - Distance - Quantité de combustible - Type de combustible - Quantité de marchandises - Type de traitement industriel - Quantité - Type de dépense - Mode de transport - Type de transport et de distribution - Type de véhicule |
| 12. Traitement de fin de vie des produits vendus | - Coût - Méthode d’élimination - Distance - Quantité de combustible - Type de traitement industriel - Matériel - Quantité - Type de dépense - Mode de transport |
Note
Pour calculer les taux de conversion énergétique pour votre scénario de combustion stationnaire, dividez le contenu énergétique de votre combustible actuel par le contenu énergétique du combustible que vous souhaitez prévoir. Alternativement, vous pouvez également utiliser les valeurs calorifiques. Par exemple, si le contenu énergétique de votre carburant existant est de 33 MJ/kg et celui du nouveau de 38 MJ/kg, alors votre taux de conversion énergétique est d’environ 0,87.
Note
Lorsque vous prévoyez l’impact du passage d’une énergie non renouvelable à une énergie renouvelable, assurez-vous de choisir un modèle de calcul qui prend en charge les calculs des sources d’énergie non renouvelables et renouvelables. Le plus simple est d’utiliser une condition sur le champ Est renouvelable.
Aspects prévisionnels
Stratégie existante :La prévision de la stratégie existante est une vue de vos émissions projetées si vous ne changiez rien à la manière actuelle dont vous générez des émissions pour cette catégorie. Par exemple, si vous prévoyez l’impact du passage du charbon aux biocarburants pour une installation particulière, la prévision stratégique existante représente les émissions projetées liées à la poursuite de l’utilisation du charbon.
Nouvelles stratégies :La nouvelle stratégie de prévision est une vue de vos émissions projetées si vous deviez passer à la nouvelle stratégie commerciale représentée par votre scénario de prévision. Par exemple, si vous prévoyez l’impact du passage du charbon aux biocarburants pour une installation particulière, la nouvelle prévision stratégique existante représente les émissions projetées liées au basculement de l’utilisation de biocarburant. Vous pouvez avoir entre une et trois nouvelles stratégies à explorer en fonction de la manière dont vous configurez votre scénario.
prédiction intervalles : Les intervalles prédiction représentent l’estimation d’un intervalle dans lequel une observation future tombe avec une certaine probabilité (nous utilisons une confiance de 95 %), étant donné le données historiques. Les intervalles de prévision représentent essentiellement l’incertitude associée à une prévision.
Échecs du modèle et messages d’information
Cette section explique les erreurs ou les problèmes que vous pourriez rencontrer avec les prévisions.
Nous avons procédé à quelques ajustements afin de générer cette prévision
Passer à une méthode de prévision de secours :Nous utilisons une méthode de prévision de secours au cas où le nombre de points données historiques et/ou la qualité des données requises pour ajuster les modèles (S)ARIMA ou ETS sont insuffisants. Il existe deux cas particuliers dans lesquels il devient nécessaire de passer à une méthodologie de secours :
- Trop de points de données manquants dans une série chronologique de données historiques par ailleurs relativement uniformément espacées
- Données historiques irrégulièrement espacées
Contrôle de l’uniformité des données et ajustement de la fréquence :Avant d’établir des prévisions, vos données sont agrégées au niveau mensuel pour générer une base de référence mensuelle et des prévisions hypothétiques. Cependant, si lors de l’agrégation les données ne présentent pas une cadence mensuelle relativement uniforme, une agrégation supplémentaire sur deux, trois, quatre ou six mois est tentée. S’il n’est pas possible pour la série d’atteindre une relative uniformité avec ces ajustements, un modèle de repli plus simple est utilisé pour la prévision.
Impossible de générer une prévision
Les données historiques sont trop rares :Pour assurer une prévision réussie, nous exigeons que votre données historiques ait une fréquence d’au moins un point de données tous les six mois. Si vos données sont plus rares que cet intervalle, la prévision échoue.
Pas ou trop peu de points données historiques :Les modèles de prévision d’analyse de type "et si" nécessitent au moins six points de données (après ajustement de fréquence, décrit plus haut dans Contrôle de l’uniformité des données et ajustement de fréquence) pour générer avec succès une prévision.
Modèles de prévision de séries chronologiques pris en charge
Sustainability Manager prend en charge les modèles de prévision de séries chronologiques univariées (S)ARIMA (Auto Regressive Integrated Moving Average, Moyenne mobile intégrée autorégressive) et Error Trend Seasonality (ETS) (Saisonnalité des tendances aux erreurs) pour générer des prévisions sur les données d’activité. Le cadre de sélection de modèle sélectionne le meilleur modèle de prévision sur la base des données d’activité historiques. Les prévisions d’activité générées passent par le modèle de calcul pour les transformer en prévisions d’émissions.
ARIMA et ETS sont les méthodes de prévision de séries chronologiques les plus utilisées. Les modèles ETS s’appuient sur les descriptions de tendance et de saisonnalité dans les données, tandis que les modèles ARIMA décrivent les autocorrélations dans les données. Pour en savoir plus sur ces modèles, reportez-vous au Chapitre 7 (Lissage exponentiel) et Chapitre 8 (Modèles ARIMA) du manuel Prévisions : Principes et pratiques .
Dans certaines occasions, par exemple lorsque les données historiques sont insuffisantes ou très irrégulières, un simple modèle de repli est sélectionné, au lieu d’ARIMA ou d’ETS.
