Voorspel veranderingen van handelspraktijken op het gebied van uw uitstoot met wat-als-analyse
Notitie
Deze functie is opgenomen in Microsoft Sustainability Manager Premium.
Wat-als-analyse is een aangepast AI-model waarmee u de impact van verschillende veranderingen van handelspraktijken op de CO2-voetafdruk van uw organisatie kunt voorspellen. Het helpt u om beter onderbouwde strategieën voor CO2-reductie te ontwikkelen en uw algemene duurzaamheidsdoelstellingen te versnellen. U kunt bijvoorbeeld de impact voorspellen van het overstappen op hernieuwbare energiebronnen, zoals wind- of zonne-energie, of het overstappen van leverancier op basis van leverancierspecifieke factoren.
In dit artikel leest u hoe u een 'wat als'-analyseprognose maakt. Het bevat ook overwegingen, details en informatie waarmee u het meeste uit uw prognose kunt halen.
In deze aflevering van Let's Talk Sustainability Video laten we zien hoe je what-if-analyses kunt gebruiken:
Belangrijke aandachtspunten
Houd deze overwegingen in gedachten bij het maken van uw prognosescenario.
U kunt tussen één en drie strategieën binnen een enkel scenario selecteren met behulp van het veld Aantal scenario's.
Het veld Variabele(n) is een veld met meerdere selectiemogelijkheden. Hiermee kunt u de gegevens of hoeveelheden selecteren waarvan u de veranderingen wilt voorspellen. U kunt er bijvoorbeeld voor kiezen om de kosten, afstand en hoeveelheid goederen die worden vervoerd, aan te passen als onderdeel van uw scenario 4. Upstream transport en distributie.
Voor elk scenario zijn de volgende velden vereist:
- Name
- Organisatie-eenheid
- Gegevenstype
- Rekenmodel
- AR versie
- Aantal strategieën
- Variabelen
Faciliteit is geen verplicht veld, maar u kunt het gebruiken om de gegevens voor uw prognose verder te verfijnen.
Een wat-als-analyseprognose maken
Volg deze stappen om aan de slag te gaan met wat-als-analyse:
Selecteer in het navigatievenster de optie What If-analyse.
Selecteer op de pagina What If-analyse de optie Nieuw scenario.
Voer in het deelvenster Nieuw What If-scenario de volgende details in:
- Name
- Organisatie-eenheid
- Gegevenstype
- Rekenmodel
- AR versie
Selecteer vervolgens het aantal strategieën dat u wilt hanteren via het veld Aantal strategieën.
Selecteer vervolgens de variabele(n) waarvan u de verandering wilt voorspellen als onderdeel van uw strategie of strategieën. U moet eerst de historische waarden invoeren voor deze variabelen, die de huidige strategie vertegenwoordigen die uw organisatie gebruikt. Als u bijvoorbeeld de impact van het wijzigen van uw mobiele verbranding per type voertuig wilt voorspellen, moet u eerst het huidige voertuig en brandstoftype invoeren onder Huidige strategie.
Nadat u het formulier hebt ingevuld, selecteert u Opslaan en sluiten.
Selecteer uw gemaakte scenario en selecteer vervolgens Scenario uitvoeren. Nadat de scenariotaak is voltooid, ontvangt u een in-app-melding waarin u op de hoogte wordt gesteld van de resultaten, met een hyperlink die u naar deze resultaten leidt. Op deze pagina worden uw scenariodetails weergegeven en een grafiek waarin uw historische gegevens en bijbehorende strategieprognoses worden gevisualiseerd.
Notitie
De lengte van de prognosehorizon van uw scenario is gebaseerd op de hoeveelheid historische gegevens die worden ingevoerd. Als vuistregel geldt dat uw prognosehorizon altijd ongeveer de helft van uw historische gegevens zal zijn. Als u bijvoorbeeld twee jaar historische gegevens hebt met tussenpozen van een maand, dan kunt u verwachten dat u een prognosehorizon van één jaar ziet met dezelfde interne gegevens.
Ondersteunde scenario's
Elk scenario heeft verschillende aanpassingsniveaus waarmee u de prognose kunt afstemmen op de gegevens en behoeften van uw organisatie met betrekking tot het gebruik van variabelen. In deze tabel worden alle beschikbare variabelen voor elk gegevenstype weergegeven.
| Scenariocategorie | Beschikbare variabelen |
|---|---|
| Industrieel proces | - Kosten - Hoeveelheid goederen - Type industrieel proces - Type uitgave - Hoeveelheid |
| Mobiele verbranding | - Kosten - Afstand - Hoeveelheid brandstof - Type brandstof - Hoeveelheid goederen - Type industrieel proces - Hoeveelheid - Type uitgave - Type voertuig |
| Stationaire verbranding | - Kosten - Conversieverhouding voor energie - Hoeveelheid brandstof - Type brandstof - Hoeveelheid goederen - Type industrieel proces - Hoeveelheid - Type uitgave |
| Ingekochte koeling | - Type contractueel instrument - Kosten - Hoeveelheid goederen - Is hernieuwbaar - Hoeveelheid - Type uitgave |
| Ingekochte elektriciteit | - Type contractueel instrument - Kosten - Hoeveelheid goederen - Is hernieuwbaar - Hoeveelheid - Type uitgave |
| Ingekochte warmte | - Type contractueel instrument - Kosten - Hoeveelheid goederen - Is hernieuwbaar - Hoeveelheid - Type uitgave |
| Ingekochte stoom | - Type contractueel instrument - Kosten - Hoeveelheid goederen - Is hernieuwbaar - Hoeveelheid - Type uitgave |
| 1. Ingekochte goederen en services | - Kosten - Hoeveelheid goederen - Type industrieel proces - Hoeveelheid - Type uitgave |
| 2. Kapitaalgoederen | - Kosten - Type industrieel proces - Hoeveelheid - Type uitgave |
| 4. Upstream transport en distributie | - Kosten - Afstand - Hoeveelheid brandstof - Type brandstof - Hoeveelheid goederen - Type industrieel proces - Hoeveelheid - Type uitgave - Transportmodus - Type transport en distributie - Type voertuig |
| 5. Afval dat bij bewerkingen wordt gegenereerd | - Kosten - Verwerkingsmethode - Afstand - Hoeveelheid brandstof - Type industrieel proces - Materieel - Hoeveelheid - Type uitgave - Transportmodus - Afvalhoeveelheid |
| 6. Zakenreizen | - Type zakenreizen - Kosten - Afstand - Hoeveelheid brandstof - Type industrieel proces - Hoeveelheid - Type voertuig |
| 7. Woon-/werkverkeer | - Kosten - Afstand - Type woon-werkverkeer - Hoeveelheid brandstof - Type brandstof - Type industrieel proces - Hoeveelheid - Type voertuig |
| 9. Transport en distributie downstream | - Kosten - Afstand - Hoeveelheid brandstof - Type brandstof - Hoeveelheid goederen - Type industrieel proces - Hoeveelheid - Type uitgave - Transportmodus - Type transport en distributie - Type voertuig |
| 12. Behandeling van verkochte producten bij einde levensduur | - Kosten - Verwerkingsmethode - Afstand - Hoeveelheid brandstof - Type industrieel proces - Materieel - Hoeveelheid - Type uitgave - Transportmodus |
Notitie
Om de conversieverhouding voor energie voor uw scenario voor stationaire verbranding te berekenen, deelt u de energie-inhoud van uw bestaande brandstof door de energie-inhoud van de brandstof waarvoor u een voorspelling wilt doen. Als alternatief kunt u ook verwarmingswaarden gebruiken. Als de energie-inhoud van uw bestaande brandstof bijvoorbeeld 33 MJ/kg is en de nieuwe 38 MJ/kg, dan is uw conversieverhouding voor energie ongeveer 0,87.
Notitie
Wanneer u de impact van de overstap van niet-hernieuwbare naar hernieuwbare energie voorspelt, moet u ervoor zorgen dat u een rekenmodel kiest dat zowel berekeningen met niet-hernieuwbare als hernieuwbare energiebronnen ondersteunt. De eenvoudigste manier is om een voorwaardelijke voor het veld Is hernieuwbaar te gebruiken.
Prognose-aspecten
Bestaande strategie :De bestaande strategieprognose geeft inzicht in uw verwachte emissies als u niets zou veranderen aan de huidige manier waarop u emissies voor die categorie genereert. Als u bijvoorbeeld de impact voorspelt van de overstap van steenkool naar biobrandstof voor een bepaalde faciliteit, vertegenwoordigt de bestaande strategieprognose de verwachte uitstoot van het blijven gebruiken van steenkool.
Nieuwe strategieën :De nieuwe strategieprognose biedt inzicht in uw verwachte emissies als u zou overschakelen naar de nieuwe bedrijfsstrategie die wordt vertegenwoordigd door uw prognosescenario. Als u bijvoorbeeld de impact voorspelt van de overstap van steenkool naar biobrandstof voor een bepaalde faciliteit, vertegenwoordigt de nieuwe strategieprognose de verwachte uitstoot van de overstap naar biobrandstof. Afhankelijk van hoe u uw scenario inricht, kunt u één tot drie nieuwe strategieën uitproberen.
voorspelling intervallen : voorspelling-intervallen vertegenwoordigen de schatting van een interval waarin een toekomstige waarneming met een bepaalde waarschijnlijkheid valt (we gebruiken 95% betrouwbaarheid), gegeven de historische gegevens. Voorspellingsintervallen vertegenwoordigen in essentie de onzekerheid die met een prognose gepaard gaat.
Modelfouten en informatieve berichten
In dit gedeelte worden fouten of problemen uitgelegd die u mogelijk tegenkomt met prognoses.
Er zijn enkele correcties aangebracht om deze prognose te genereren
Overschakelen naar een fallback-prognosemethode : We gebruiken een fallback-prognosemethode als het aantal historische gegevens-punten en/of de vereiste gegevenskwaliteit voor het aanpassen van (S)ARIMA- of ETS-modellen onvoldoende is. Er zijn twee specifieke gevallen waarin het noodzakelijk wordt om over te stappen op een terugvalmethodiek:
- Te veel ontbrekende gegevenspunten in een overigens relatief uniform verdeelde tijdreeks van historische gegevens
- Onregelmatig verdeelde historische gegevens
Controle van de uniformiteit van de gegevens en frequentieaanpassing :Voordat u een prognose maakt, worden uw gegevens op maandniveau samengevoegd om een maandelijkse basislijn en what-if-prognose te genereren. Als de gegevens bij aggregatie echter geen relatief uniform maandelijks ritme vertonen, wordt geprobeerd verdere aggregatie naar twee, drie, vier of zes maanden uit te voeren. Als het voor de reeksen niet mogelijk is om onder deze aanpassingen relatieve uniformiteit te bereiken, wordt voor de prognose een eenvoudiger terugvalmodel gebruikt.
Kan prognose niet genereren
Historische gegevens zijn te schaars :Om een succesvolle voorspelling te garanderen, vereisen we dat uw historische gegevens een frequentie heeft van ten minste één gegevenspunt per zes maanden. Als uw gegevens schaarser zijn dan dat interval, mislukt de prognose.
Geen of te weinig historische gegevens punten : De voorspellingsmodellen voor de what-if-analyse vereisen ten minste zes datapunten (na frequentieaanpassing, eerder beschreven in Controle van de uniformiteit van de gegevens en frequentieaanpassing) om succesvol een prognose te genereren.
Ondersteunde tijdreeks-prognosemodellen
De Sustainability Manager ondersteunt (seizoensgebonden) Auto Regressive Integrated Moving Average (S)ARIMA en Error Trend Seasonality (ETS) univariate tijdreeks-prognosemodellen voor het genereren van voorspellingen op basis van activiteitsgegevens. Het modelselectie-framework selecteert het beste prognosemodel op basis van de historische activiteitsgegevens. De gegenereerde prognoses op activiteitsniveau doorlopen het berekeningsmodel om ze om te zetten in prognoses op uitstootniveau.
ARIMA en ETS zijn de meest gebruikte methoden voor het voorspellen van tijdreeksen. ETS-modellen vertrouwen op de beschrijvingen van trends en seizoensinvloeden in de gegevens, terwijl ARIMA-modellen de autocorrelaties in de gegevens beschrijven. Voor meer informatie over deze modellen raadpleegt u Hoofdstuk 7 (Exponentiële vereffening) en Hoofdstuk 8 (ARIMA-modellen) van het leerboek Prognoses: principes en praktijk.
In bepaalde gevallen, bijvoorbeeld wanneer er te weinig historische gegevens zijn of ze te onregelmatig zijn, wordt een eenvoudig terugvalmodel geselecteerd in plaats van ARIMA of ETS.
