Prever mudanças nas práticas comerciais em suas emissões com o teste de hipóteses
Observação
Esse recurso está incluído no Microsoft Sustainability Manager Premium.
O teste de hipóteses usa um modelo de IA personalizado que permite que você preveja o impacto das emissões ao longo do tempo de mudanças nas práticas comerciais em sua organização. Ele ajuda você a criar estratégias de redução de carbono mais embasadas e a acelerar suas metas gerais de sustentabilidade. Por exemplo, você pode prever o impacto da mudança para fontes de energia renováveis, como energia eólica ou solar, ou da mudança de fornecedores por meio de fatores específicos do fornecedor.
Este artigo mostra como criar uma previsão de teste de hipóteses. Ele também fornece considerações, detalhes e informações para ajudar você a obter o máximo de sua previsão.
Este episódio do Let's Talk Sustainability Video demonstra como usar a análise de cenários hipotéticos:
Considerações importantes
Lembre-se destas considerações ao criar seu cenário de previsão.
Você pode criar camadas entre uma e três estratégias em um único cenário usando o campo Número de cenários.
O campo Variável(is) é de seleção múltipla e permite que você escolha os dados ou quantidades que deseja prever alterações. Por exemplo, você pode optar por modificar o Custoa Distância e a Quantidade de mercadorias que está sendo transportada como parte do seu cenário 4. Upstream de transporte e distribuição.
Cada cenário requer os seguintes campos:
- Nome
- Unidade organizacional
- Tipo de dados
- Modelo de cálculo
- Versão RA
- Número de estratégias
- Variáveis
Instalação não é um campo obrigatório, mas você pode usá-lo para restringir ainda mais os dados da sua previsão.
Criar uma previsão de teste de hipóteses
Para começar a usar o teste de hipóteses, siga estas etapas:
No painel de navegação, selecione Teste de hipóteses.
Na página Teste de hipóteses, selecione Novo cenário.
No painel Novo cenário What if, insira os seguintes detalhes:
- Nome
- Unidade organizacional
- Tipo de dados
- Modelo de cálculo
- Versão RA
Em seguida, selecione o número de estratégias que você deseja criar camadas por meio do campo Número de estratégias.
Em seguida, selecione a(s) variável(is) que você deseja prever alterações como parte de sua estratégia ou estratégias. Primeiro, você precisa inserir os valores históricos para essas variáveis, que representam a estratégia atual que sua organização está usando. Por exemplo, se estiver prevendo o impacto da alteração de sua frota de veículos de combustão móvel, primeiro você deverá inserir o veículo e o tipo de combustível atuais em Estratégia atual.
Depois que preencher o formulário, selecione Salvar e Fechar.
Selecione o cenário criado e, em seguida, selecione Executar cenário. Após a conclusão do trabalho do cenário, você receberá uma notificação no aplicativo alertando sobre os resultados, com um hiperlink direcionando você até eles. Esta página exibe os detalhes do cenário e um gráfico visualizando seus dados históricos e as previsões de estratégia associadas.
Observação
O tamanho do horizonte de previsão do cenário é baseado na quantidade de dados históricos trazidos. Como regra geral, seu horizonte de previsão sempre será cerca da metade do seu dados históricos. Por exemplo, se você tiver dois anos de dados históricos em intervalos de um mês, é possível esperar ver um horizonte de previsão de um ano no mesmo uso interno.
Cenários com suporte
Cada cenário tem diferentes níveis de capacidade de personalização que permitem que você personalize a previsão de acordo com os dados e as necessidades da sua organização usando variáveis. Esta tabela lista todas as variáveis disponíveis para cada tipo de dados.
| Categoria do cenário | Variáveis disponíveis |
|---|---|
| Processo industrial | - Custo - Quantidade de mercadorias - Tipo de processo industrial - Tipo de gasto - Quantidade |
| Combustão móvel | - Custo - Distância - Quantidade de combustível - Tipo de combustível - Quantidade de mercadorias - Tipo de processo industrial - Quantidade - Tipo de gasto - Tipo de veículo |
| Combustão estacionária | - Custo - Taxa de conversão de energia - Quantidade de combustível - Tipo de combustível - Quantidade de mercadorias - Tipo de processo industrial - Quantidade - Tipo de gasto |
| Refrigeração comprada | - Tipo de instrumento contratual - Custo - Quantidade de mercadorias - É renovável - Quantidade - Tipo de gasto |
| Eletricidade comprada | - Tipo de instrumento contratual - Custo - Quantidade de mercadorias - É renovável - Quantidade - Tipo de gasto |
| Calor comprado | - Tipo de instrumento contratual - Custo - Quantidade de mercadorias - É renovável - Quantidade - Tipo de gasto |
| Vapor comprado | - Tipo de instrumento contratual - Custo - Quantidade de mercadorias - É renovável - Quantidade - Tipo de gasto |
| 1. Bens e serviços comprados | - Custo - Quantidade de mercadorias - Tipo de processo industrial - Quantidade - Tipo de gasto |
| 2. Bens de capital | - Custo - Tipo de processo industrial - Quantidade - Tipo de gasto |
| 4. Transporte e distribuição upstream | - Custo - Distância - Quantidade de combustível - Tipo de combustível - Quantidade de mercadorias - Tipo de processo industrial - Quantidade - Tipo de gasto - Modo de transporte - Tipo de transporte e distribuição - Tipo de veículo |
| 5. Resíduos gerados nas operações | - Custo - Método de descarte - Distância - Quantidade de combustível - Tipo de processo industrial - Material - Quantidade - Tipo de gasto - Modo de transporte - Quantidade de resíduos |
| 6. Viagem de negócios | - Tipo de viagem de negócios - Custo - Distância - Quantidade de combustível - Tipo de processo industrial - Quantidade - Tipo de veículo |
| 7. Deslocamento de funcionários para o trabalho | - Custo - Distância - Tipo de deslocamento de funcionários - Quantidade de combustível - Tipo de combustível - Tipo de processo industrial - Quantidade - Tipo de veículo |
| 9. Downstream de transporte e distribuição | - Custo - Distância - Quantidade de combustível - Tipo de combustível - Quantidade de mercadorias - Tipo de processo industrial - Quantidade - Tipo de gasto - Modo de transporte - Tipo de transporte e distribuição - Tipo de veículo |
| 12. Tratamento de fim de vida útil de produtos vendidos | - Custo - Método de descarte - Distância - Quantidade de combustível - Tipo de processo industrial - Material - Quantidade - Tipo de gasto - Modo de transporte |
Observação
Para calcular as taxas de conversão de energia para seu cenário de combustão estacionária, divida o conteúdo de energia do combustível existente pelo conteúdo de energia do combustível que você deseja prever. Alternativamente, você também pode usar valores de aquecimento. Por exemplo, se o conteúdo de energia do seu combustível existente for 33 MJ/kg e o novo for 38 MJ/kg, então a sua taxa de conversão de energia será de cerca de 0,87.
Observação
Ao prever o impacto da mudança de energia não renovável para renovável, certifique-se de escolher um modelo de cálculo que ofereça suporte a cálculos de fontes de energia não renováveis e renováveis. A maneira mais fácil é usar uma condicional no campo É renovável.
Aspectos da previsão
Estratégia existente :A previsão da estratégia existente é uma visão das suas emissões projetadas caso você não mudasse nada na maneira atual de gerar emissões para essa categoria. Por exemplo, se você está prevendo o impacto da mudança de carvão para biocombustível para uma instalação específica, a previsão da estratégia existente representa as emissões projetadas de continuar a usar carvão.
Novas estratégias :A nova previsão da estratégia é uma visão das suas emissões projetadas caso você mudasse para a nova estratégia de negócios representada pelo seu cenário de previsão. Por exemplo, se você está prevendo o impacto da mudança de carvão para biocombustível para uma instalação específica, a nova previsão da estratégia representa as emissões projetadas de mudar para biocombustível. Você pode ter entre uma e três novas estratégias para explorar, dependendo de como você configurou seu cenário.
Intervalos previsão : Os intervalos previsão representam a estimativa de um intervalo no qual uma observação futura cai com uma certa probabilidade (usamos 95% de confiança), dado o dados históricos. Os intervalos de previsão representam essencialmente a incerteza associada a uma previsão.
Falhas do modelo e mensagens informativas
Esta seção explica erros ou problemas que podem ocorrer com previsões.
Fizemos alguns ajustes para gerar essa previsão
Mudando para um método de previsão de fallback :Usamos um método de previsão de fallback caso o número de pontos dados históricos e/ou a qualidade dos dados necessária para ajustar os modelos (S)ARIMA ou ETS seja insuficiente. Há dois casos específicos em que se torna necessário mudar para uma metodologia de fallback:
- Muitos pontos de dados ausentes em uma série temporal de dados históricos espaçados relativamente de forma uniforme
- Dados históricos espaçados de forma irregular
Verificação de uniformidade de dados e ajuste de frequência :Antes da previsão, seus dados são agregados mensalmente para gerar uma linha de base mensal e uma previsão hipotética. No entanto, se após a agregação os dados não apresentarem uma cadência mensal relativamente uniforme, tenta-se agregação adicional para dois, três, quatro ou seis meses. Se não for possível para a série alcançar uma relativa uniformidade nesses ajustes, um modelo de fallback mais simples será usado para a previsão.
Não é possível gerar a previsão
Os dados históricos são muito escassos : Para garantir uma previsão bem-sucedida, exigimos que seu dados históricos tenha uma frequência de pelo menos um ponto de dados a cada seis meses. Se os dados forem mais esparsos que esse intervalo, haverá falha na previsão.
Nenhum ou poucos pontos dados históricos : Os modelos de previsão de análise de hipóteses requerem pelo menos seis pontos de dados (após o ajuste de frequência, descrito anteriormente em Verificação de uniformidade de dados e ajuste de frequência) para gerar uma previsão com sucesso.
Modelos de previsão de séries temporais com suporte
O Sustainability Manager oferece suporte a modelos de previsão de séries temporais univariadas (Sazonal) de Média Móvel Integrada Autorregressiva ((S)ARIMA) e Sazonalidade de Tendência de Erro (ETS) para gerar previsões sobre dados de atividades. A estrutura de seleção de modelo escolhe o melhor modelo de previsão com base nos dados históricos de atividade. As previsões de nível de atividade geradas passam pelo modelo de cálculo para transformá-las em previsões de nível de emissões.
ARIMA e ETS são os métodos de previsão de séries temporais mais utilizados. Os modelos de ETS baseiam-se nas descrições de tendência e sazonalidade nos dados, enquanto os modelos ARIMA descrevem as autocorrelações nos dados. Para saber mais sobre esses modelos, consulte o Capítulo 7 (Suavização Exponencial) e o Capítulo 8 (Modelos ARIMA) do livro didático Previsão: Princípios e Prática.
Em certas ocasiões, como quando os dados históricos são muito poucos ou altamente irregulares, um modelo de fallback simples é selecionado, em vez de ARIMA ou ETS.
