Beregn endringer i forretningspraksisen på utslippene med hypotetisk analyse
Notat
Denne funksjonen er inkludert i Microsoft Sustainability Manager Premium.
Hypotetisk analyse er en tilpasset modell for kunstig intelligens som gjør det mulig å beregne virkningen av flere forretningspraksisendringer på organisasjonens karbonutslippsavtrykk. Det hjelper deg med å opprette mer informerte karbonreduksjonsstrategier og fremskynder de samlede bærekraftsmålene. Du kan for eksempel beregne hva som vil skje når du bytter til fornybare energikilder, for eksempel vind eller solcelle, eller bytter leverandør ved hjelp av leverandørspesifikke faktorer.
Denne artikkelen viser deg hvordan du oppretter en hypotetisk analyseprognose. Den inneholder også vurderinger, detaljer og informasjon som hjelper deg med å få mest mulig ut av prognosen.
Denne episoden av Let's Talk Sustainability Video demonstrerer hvordan du bruker hva-hvis-analyse:
Viktige hensyn
Husk på disse hensynene når du oppretter et prognosescenario.
Du kan legge mellom én og tre strategier lagvis i ett scenario ved hjelp av feltet Antall scenarioer.
Variabler-feltet har flere valg og gjør at du kan velge dataene eller antallene du vil beregne endring for. Du kan for eksempel endre Kostnad, Avstand og Vareantall som transporteres som en del av scenarioet 4. Oppstrøms transport og distribusjon.
Hvert scenario krever følgende felter:
- Navn
- Organisasjonsenhet
- Datatype
- Beregningsmodell
- AR versjon
- Antall strategier
- Variabler
Anlegg er ikke et obligatorisk felt, men du kan bruke det til å begrense dataene for prognosen ytterligere.
Opprett en hypotetisk analyseprognose
Følg denne fremgangsmåten for å komme i gang med hypotetisk analyse:
Velg Hva-skjer-hvis-analyse i navigasjonsruten.
Velg Nytt scenario på siden Hva-skjer-hvis-analyse.
I ruten Nytt hva-skjer-hvis-scenario skriver du inn følgende detaljer:
- Navn
- Organisasjonsenhet
- Datatype
- Beregningsmodell
- AR versjon
Velg deretter antall strategier du vil legge lagvis via feltet Antall strategier.
Velg deretter Variabler du vil beregne endring for som en del av strategien eller strategiene. Du må først angi de historiske verdiene for disse variablene, som representerer den gjeldende strategien organisasjonen bruker. Hvis du for eksempel beregner virkningen av å endre bilparken for mobil forbrenning, må du først angi gjeldende kjøretøy og drivstofftype under Nåværende strategi.
Etter at du har fullført skjemaet, velger du Lagre og Lukk.
Velg det opprettede scenarioet, og velg deretter Kjør scenario. Når scenariojobben er fullført, mottar du et varsel i appen som varsler deg om resultatene, og en hyperkobling leder deg til dem. Denne siden viser scenariodetaljene og et diagram som visualiserer historiske data og tilknyttede strategiprognoser.
Merk
Lengden på prognosehorisonten for scenarioet er basert på mengden historiske data som hentes inn. En generell tommelfingerregel er at prognosehorisonten alltid er omtrent halvparten av de historiske dataene. Hvis du for eksempel har to år med historiske data med intervaller på én måned, kan du forvente å se en prognosehorisont på ett år med samme intervall.
Scenarioer som støttes
Hvert scenario har forskjellige nivåer for tilpassingsmuligheter, slik at du kan skreddersy prognosen etter organisasjonens data og behov ved hjelp av variabler. Denne tabellen viser alle tilgjengelige variabler for hver datatype.
| Scenariokategori | Tilgjengelige variabler |
|---|---|
| Industriprosess | - Kostnad - Vareantall - Industriprosesstype - Forbrukstype - Antall |
| Mobil forbrenning | - Kostnad - Avstand - Drivstoffmengde - Drivstofftype - Vareantall - Industriprosesstype - Antall - Forbrukstype - Kjøretøytype |
| Stasjonær forbrenning | - Kostnad - Energikonverteringsforhold - Drivstoffmengde - Drivstofftype - Vareantall - Industriprosesstype - Antall - Forbrukstype |
| Kjøpt kjøling | - Type kontrakt - Kostnad - Vareantall - Er fornybar - Antall - Forbrukstype |
| Kjøpt strøm | - Type kontrakt - Kostnad - Vareantall - Er fornybar - Antall - Forbrukstype |
| Kjøpt oppvarming | - Type kontrakt - Kostnad - Vareantall - Er fornybar - Antall - Forbrukstype |
| Kjøpt damp | - Type kontrakt - Kostnad - Vareantall - Er fornybar - Antall - Forbrukstype |
| 1. Kjøpte varer og tjenester | - Kostnad - Vareantall - Industriprosesstype - Antall - Forbrukstype |
| 2. Kapitalvarer | - Kostnad - Industriprosesstype - Antall - Forbrukstype |
| 4. Oppstrøms transport og distribusjon | - Kostnad - Avstand - Drivstoffmengde - Drivstofftype - Vareantall - Industriprosesstype - Antall - Forbrukstype - Transportmodus - Transport- og distribusjonstype - Kjøretøytype |
| 5. Avfall generert i operasjoner | - Kostnad - Avhendingsmetode - Avstand - Drivstoffmengde - Industriprosesstype - Materiale - Antall - Forbrukstype - Transportmodus - Avfallsmengde |
| 6. Forretningsreise | - Forretningsreisetype - Kostnad - Avstand - Drivstoffmengde - Industriprosesstype - Antall - Kjøretøytype |
| 7. Pendling for ansatte | - Kostnad - Avstand - Type pendling for ansatte - Drivstoffmengde - Drivstofftype - Industriprosesstype - Antall - Kjøretøytype |
| 9. Nedstrømstransport og -distribusjon | - Kostnad - Avstand - Drivstoffmengde - Drivstofftype - Vareantall - Industriprosesstype - Antall - Forbrukstype - Transportmodus - Transport- og distribusjonstype - Kjøretøytype |
| 12. Sluttbehandling av solgte produkter | - Kostnad - Avhendingsmetode - Avstand - Drivstoffmengde - Industriprosesstype - Materiale - Antall - Forbrukstype - Transportmodus |
Merk
Du beregner energikonverteringsforhold for scenarioet med stasjonær forbrenning ved å dele energiinnholdet i det eksisterende drivstoffet på energiinnholdet du vil beregne for. Du kan også bruke varmeverdier. Hvis for eksempel energiinnholdet i det eksisterende drivstoffet er 33 MJ/kg og det nye er 38 MJ/kg, er energikonverteringsforholdet ca. 0,87.
Merk
Når du beregner virkningen av å bytte fra ikke-fornybar til fornybar energi, må du sørge for at du velger en beregningsmodell som støtter beregning av både ikke-fornybar og fornybar energikilde. Den enkleste måten er å bruke en betingelse på feltet Er fornybar.
Prognoseaspekter
Eksisterende strategi: Den eksisterende strategiprognosen er en oversikt over dine anslåtte utslipp hvis du ikke skulle endre noe ved den nåværende måten du genererer utslipp for den kategorien. Hvis du for eksempel beregner innvirkningen av å bytte fra kull til biodrivstoff for et bestemt anlegg, representerer den eksisterende strategiprognosen de beregnede utslippene for fortsatt bruk av kull.
Nye strategier: Den nye strategiprognosen er en oversikt over de anslåtte utslippene hvis du bytter til den nye forretningsstrategien som representeres av prognosescenarioet. Hvis du for eksempel beregner innvirkningen av å bytte fra kull til biodrivstoff for et bestemt anlegg, representerer den nye strategiprognosen de beregnede utslippene av å bytte til biodrivstoff. Du kan ha mellom én og tre nye strategier å utforske, avhengig av hvordan du konfigurerer scenariet.
Prediksjonsintervaller: Prediksjonsintervaller representerer estimatet av et intervall der en fremtidig observasjon faller med en viss sannsynlighet (vi bruker 95 % konfidens), gitt de historiske dataene. Prediksjonsintervaller representerer i all hovedsak usikkerheten tilknyttet en prognose.
Modellfeil og informasjonsmeldinger
Denne delen forklarer feil eller problemer du kan ha med prognoser.
Vi har gjort noen justeringer for å generere denne prognosen
Bytte til en reserveprognosemetode: Vi bruker en reserveprognosemetode i tilfelle antallet historiske datapunkter og/eller datakvaliteten som kreves for å passe til (S)ARIMA- eller ETS-modeller er utilstrekkelig. Det er to spesifikke tilfeller der det blir nødvendig å bytte til en reservemetode:
- For mange manglende datapunkter i en historisk datatidsserie med relativt jevnt mellomrom
- Historiske data med uregelmessig mellomrom
Kontroll av dataensartethet og frekvensjustering: Før prognoser aggregeres dataene dine på månedlig nivå for å generere en månedlig basislinje og hva-skjer-hvis-prognose. Hvis dataene imidlertid ikke viser en relativt ensartet månedlig frekvens ved samling, prøves ytterligere samling til to, tre, fire eller seks måneder. Hvis det ikke er mulig for serien å oppnå relativ ensartethet under disse justeringene, brukes en enklere reservemodell til prognoser.
Kan ikke generere prognose
Historiske data er for sparsomme: For å sikre en vellykket prognose krever vi at de historiske dataene dine har en frekvens på minst ett datapunkt hver sjette måned. Hvis dataene er mer sparsomme enn dette intervallet, mislykkes prognosen.
Ingen eller for få historiske datapunkter: Prognosemodellene for hva-skjer-hvis-analyse krever minst seks datapunkter (etter frekvensjustering, beskrevet tidligere i Dataensartethetskontroll og frekvensjustering) for å generere en prognose.
Støttede prognosemodeller for tidsserier
Sustainability Manager støtter uniforme prognosemodeller for tidsserier for (Seasonal) Auto Regressive Integrated Moving Average ((S)ARIMA) og Error Trend Seasonality (ETS) for generering av prognoser for aktivitetsdata. Rammeverket for valg av modell velger den beste prognosemodellen basert på de historiske aktivitetsdataene. De genererte prognosene på aktivitetsnivå går gjennom beregningsmodellen for å gjøre dem om til prognoser på utslippsnivå.
ARIMA og ETS er de mest brukte tidsserieprognosemetodene. ETS-modeller er avhengig av beskrivelsene av trenden og årstidene i dataene, mens ARIMA-modeller beskriver autokorrelasjonene i dataene. Hvis du vil ha mer informasjon om disse modellene, kan du se Kapittel 7 (eksponentiell utjevning) og Kapittel 8 (ARIMA-modeller) i læreboken Prognoser: prinsipper og praksis.
I visse tilfeller, for eksempel når de historiske dataene er for små eller svært uregelmessige, velges en enkel reservemodell i stedet for ARIMA eller ETS.
