Förutse affärsmetodändringars inverkan på dina utsläpp med konsekvensanalys
Obs
Funktionen ingår i Microsoft Sustainability Manager Premium.
Konsekvensanalys är en anpassad AI-modell som du kan använda för att förutse vilken inverkan flera affärsmetodändringar har på organisationens koldioxidutsläpp. Det hjälper dig att skapa mer välinformerade koldioxidminskningsstrategier och snabbare nå övergripande hållbarhetsmål. Du kan till exempel göra en prognos om inverkan av en omställning till förnybara energikällor, som vind- eller solkraft, eller att byta leverantörer via leverantörsspecifika faktorer.
I den här artikeln beskrivs hur du skapar en konsekvensanalysprognos. Den innehåller också saker som du bör tänka på, detaljer och information för att få ut så mycket som du kan av prognosen.
I det här avsnittet av Let's Talk Video om hållbarhet visas hur du använder konsekvensanalys:
Viktigt!
Tänk på det här när du skapar ett prognosscenario.
Du kan lägga mellan en och tre strategier inom ett enda scenario med hjälp av fältet Antal scenarier.
Fältet Variabler markeras i flera steg och du kan välja vilka data eller kvantiteter som du vill förutse ändras. Du kan till exempel välja att ändra Kostnad, Avstånd och Varor kvantitet transporteras som en del av scenariot 4. Uppströms transport och distribution.
För alla scenarion krävs följande fält:
- Namn
- Organisatorisk enhet
- Datatyp
- Beräkningsmodell
- AR version
- Antal strategier
- Variabler
Anläggning är inte ett obligatoriskt fält, men du kan använda det för att ytterligare begränsa data för din prognos.
Skapa en konsekvensanalysprognos
Följ de här stegen för att komma igång med konsekvensanalys:
Välj Konsekvensanalys i navigeringsfönstret.
Välj Nytt scenario på sidan Konsekvensanalys.
I rutan Ny konsekvensanalys fyller du i följande uppgifter:
- Namn
- Organisatorisk enhet
- Datatyp
- Beräkningsmodell
- AR version
Välj sedan antalet strategier som du vill lägga genom fältet Antal strategier.
Välj sedan de variabler som du vill prognostisera förändringar för som en del av din strategi eller dina strategier. Du måste först ange de tidigare värdena för dessa variabler, som motsvarar den aktuella strategin som organisationen använder. Om du till exempel prognostiserar effekten av att ändra din fordonsflotta med mobil förbränning, måste du först ange den nuvarande fordonstypen och bränsletypen under Aktuell strategi.
När du har slutfört formuläret väljer du Spara och stäng.
Välj scenariot du skapade och välj sedan Kör scenario. När scenariojobbet är klart får du en avisering i appen om resultatet med en hyperlänk som leder dig till dem. På den här sidan visas scenarioinformationen och ett diagram som visualiserar dina tidigare data och tillhörande strategiprognoser.
Obs
Längden på scenariots prognoshorisont baseras på mängden historiska data som tas in. Som en allmän regel kommer prognoshorisonten alltid att vara ungefär halva dina tidigare data. Om du till exempel har två års historiska data med ett månadsintervall kan du förvänta dig att en prognos om ett år visas på samma interna nivå.
Stödda scenarier
Varje scenario har olika anpassningsbarhetsnivåer som gör att du kan anpassa prognosen efter organisationens data och behov med variabler. I den här tabellen visas alla tillgängliga variabler för varje datatyp.
| Scenariokategori | Tillgängliga variabler |
|---|---|
| Industriell process | - Kostnad - Varor kvantitet - Industriell processtyp - Utgiftstyp - Kvantitet |
| Mobil förbränning | - Kostnad - Avstånd - Bränslemängd - Bränsletyp - Varor kvantitet - Industriell processtyp - Kvantitet - Utgiftstyp - Fordonstyp |
| Stationär förbränning | - Kostnad - Konverteringsgrad för energi - Bränslemängd - Bränsletyp - Varor kvantitet - Industriell processtyp - Kvantitet - Utgiftstyp |
| Köpt kyla | - Avtalsinstrumenttyp - Kostnad - Varor kvantitet - Kan förnybar energi - Kvantitet - Utgiftstyp |
| Köpt el | - Avtalsinstrumenttyp - Kostnad - Varor kvantitet - Kan förnybar energi - Kvantitet - Utgiftstyp |
| Köpt värme | - Avtalsinstrumenttyp - Kostnad - Varor kvantitet - Kan förnybar energi - Kvantitet - Utgiftstyp |
| Köpt ånga | - Avtalsinstrumenttyp - Kostnad - Varor kvantitet - Kan förnybar energi - Kvantitet - Utgiftstyp |
| 1. Inköpta varor och tjänster | - Kostnad - Varor kvantitet - Industriell processtyp - Kvantitet - Utgiftstyp |
| 2. Kapitalvaror | - Kostnad - Industriell processtyp - Kvantitet - Utgiftstyp |
| 4. Uppströms transport och distribution | - Kostnad - Avstånd - Bränslemängd - Bränsletyp - Varor kvantitet - Industriell processtyp - Kvantitet - Utgiftstyp - Transportläge - Typ av transport och distribution - Fordonstyp |
| 5. Avfall som genererats i driften | - Kostnad - Avyttringsmetod - Avstånd - Bränslemängd - Industriell processtyp - Materiell - Kvantitet - Utgiftstyp - Transportläge - Avfallskvantitet |
| 6. Affärsresor | - Affärsresetyp - Kostnad - Avstånd - Bränslemängd - Industriell processtyp - Kvantitet - Fordonstyp |
| 7. Arbetspendling | - Kostnad - Avstånd - Arbetspendlingstyp - Bränslemängd - Bränsletyp - Industriell processtyp - Kvantitet - Fordonstyp |
| 9. Nedströms transport och distribution | - Kostnad - Avstånd - Bränslemängd - Bränsletyp - Varor kvantitet - Industriell processtyp - Kvantitet - Utgiftstyp - Transportläge - Typ av transport och distribution - Fordonstyp |
| 12. Slutbehandling av sålda produkter | - Kostnad - Avyttringsmetod - Avstånd - Bränslemängd - Industriell processtyp - Materiell - Kvantitet - Utgiftstyp - Transportläge |
Obs
För beräkning av energikonverteringsfaktorer för din för ditt stationära förbränningsscenario delar du energiinnehållet i ditt befintliga bränsle med energiinnehållet i det bränsle som du vill göra en prognos för. Du kan också använda värmevärden. Om energiinnehållet i befintligt bränsle till exempel är 33 MJ/kg och 38 MJ/kg i det nya bränslet, är din energikonverteringsfaktor cirka 0,87.
Obs
När du prognostiserar effekten av att byta från icke-förnybar till förnybar energi, se till att du väljer en beräkningsmodell som stödjer både icke-förnybara och förnybara energikällor. Det enklaste sättet är att använda ett villkor för fältet Är förnybar .
Prognosaspekter
Befintlig strategi: Den befintliga strategiprognosen är en vy över dina beräknade utsläpp om du inte skulle ändra något i det nuvarande sättet att generera utsläpp för den kategorin. Om du t.ex. gör en prognos för omställningspåverkan av att byta från kol till biobränsle för en viss anläggning, visar prognosen för den befintliga strategin de uppskattade utsläppen från att fortsätta använda kol.
Nya strategier: Den nya strategiprognosen är en vy över dina beräknade utsläpp om du skulle byta till den nya affärsstrategin som representeras av ditt prognosscenario. Om du t.ex. gör en prognos för omställningspåverkan av att byta från kol till biobränsle för en viss anläggning, visar prognosen för den nya strategin de uppskattade utsläppen från att byta till biobränsle. Du kan ha mellan en och tre nya metoder att utforska beroende på hur du konfigurerar ett scenario.
Prediktionsintervall: Prediktions intervall representerar uppskattningen av ett intervall där en framtida observation faller med en viss sannolikhet (vi använder 95 % konfidens), givet historiska data. Prediktionsintervaller motsvarar den osäkerhet som är associerat med en prognos.
Modellfel och informationsmeddelanden
Det här avsnittet innehåller information om fel eller problem som kan uppstå med prognoserna.
Vi har gjort en del justeringar för att generera prognosen
Byta till en reservprognosmetod: Vi använder en reservprognosmetod om antalet historiska datapunkter och/eller den datakvalitet som krävs för att passa (S)ARIMA- eller ETS-modeller är otillräcklig. Det finns två specifika fall då det blir nödvändigt att byta till en reservmetod:
- För många datapunkter saknas i en annars relativt jämnt fördelad historisk datatidsserie
- Oregelbundet fördelade historiska data
Kontroll av dataenhetlighet och frekvensjustering: Innan du gör prognoser aggregeras dina data på månadsnivå för att generera en månatlig baslinje och en konsekvensprognos. Men om dessa data vid aggregeringen inte visar en relativt enhetlig tak under månaden, görs försök att aggregera för två, tre, fyra eller sex månader. Om det inte är möjligt att serierna uppnår relativ enhetlighet under dessa anpassningar används en enklare reservmodell för prognoserna.
Det gick inte att generera prognosen
Historiska data är för glesa: För att säkerställa en lyckad prognos kräver vi att dina historiska data har en frekvens på minst en datapunkt var sjätte månad. Om dina data är mer glesa än det intervallet misslyckas prognosen.
Inga eller för få historiska datapunkter: Prognosmodellerna för konsekvensanalys kräver minst sex datapunkter (efter frekvensjustering, som beskrevs tidigare i Kontroll av dataenhetlighet och frekvensjustering) för att en prognos ska kunna genereras.
Prognosmodeller för tidsserier som stöds
Sustainability Manager stöder prognosmodellerna för univariata tidsserier (S)ARIMA – (Seasonal) Auto Regressive Integrated Moving Average – samt ETS – Error Trend Seasonality – för generering av prognoser från aktivitetsdata. I modellens urvalsramverk väljer du den bästa prognosmodellen utifrån historiska aktivitetsdata. De genererade prognoserna på aktivitetsnivå går igenom beräkningsmodellen och omvandlas dem till utsläppsnivåprognoser.
ARIMA och ETS är de mest använda metoderna för tidsserieprognoser. ETS-modeller bygger på beskrivningar av trend och säsongsvariationer i dessa data, medan ARIMA-modeller beskriver autokorrelationerna i dessa data. Mer information om de här modellerna finns i Chapter 7 (Exponential Smoothing) och Chapter 8 (ARIMA models) i textboken Forecasting: Principles and Practice.
Vid vissa tillfällen, t.ex. när historika data är för få eller mycket orgelbunda, väljs en enkel reservmodell, i stället för ARIMA eller ETS.
