Prognostizieren Sie Änderungen der Geschäftspraxis in Bezug auf Ihre Emissionen mit der Was-wäre-wenn-Analyse (Vorschau)
Anmerkung
Dieses Funktion ist in Microsoft Sustainability Manager Premium enthalten.
Die Was-wäre-wenn-Analyse ist ein benutzerdefiniertes KI-Modell, mit dem Sie die Auswirkungen verschiedener Änderungen der Geschäftspraktiken auf den CO2-Fußabdruck Ihres Unternehmens vorhersagen können. Sie unterstützt Sie dabei, fundiertere Strategien zur CO2-Verringerung zu entwickeln und das Erreichen Ihrer allgemeinen Nachhaltigkeitsziele zu beschleunigen. So können Sie beispielsweise die Auswirkungen einer Umstellung auf erneuerbare Energiequellen wie Wind- oder Solarenergie oder eines Anbieterwechsels anhand anbieterspezifischer Faktoren prognostizieren.
In diesem Artikel erfahren Sie, wie Sie eine Was-wäre-wenn-Analyseprognose erstellen. Darüber hinaus bietet sie Überlegungen, Details und Informationen, die Ihnen dabei helfen, das Beste aus Ihrer Prognose herauszuholen.
Das folgende Video demonstriert die Verwendung der Dokumentenanalyse und der Was-wäre-wenn-Analyse:
Wichtige Überlegungen
Berücksichtigen Sie diese Überlegungen beim Erstellen Ihres Prognoseszenarios.
Sie können mithilfe des Felds Anzahl der Szenarien innerhalb eines einzelnen Szenarios zwischen einer und drei Strategien überlagern.
Im Feld Variablen ist eine Mehrfachauswahl möglich, und Sie können die Daten oder Mengen auswählen, deren Änderung Sie prognostizieren möchten. Sie können beispielsweise die Kosten, die Entfernung und die Warenmenge ändern, die im Rahmen Ihres Szenarios 4. Upstream-Transport und -Verteilung transportiert werden.
Für jedes Szenario sind die folgenden Felder erforderlich:
- Name des Dataflows
- Organisationseinheit
- Datentyp
- Berechnungsmodell
- AR-Version
- Anzahl der Strategien
- Variable(n)
Standort ist kein Pflichtfeld, Sie können ihn jedoch verwenden, um die Daten für Ihre Prognose weiter einzugrenzen.
Eine Was-wäre-wenn-Analyseprognose erstellen
Gehen Sie folgendermaßen vor, um mit einer Was-wäre-wenn-Analyse zu beginnen:
Wählen Sie im Navigationsbereich Was-wäre-wenn-Analyse aus.
Wählen Sie auf der Seite Was-wäre-wenn-Analyse die Option Neues Szenario aus.
Geben Sie im Bereich Neues Was-wäre-wenn-Szenario die folgenden Informationen ein:
- Name des Dataflows
- Organisationseinheit
- Datentyp
- Berechnungsmodell
- AR-Version
Wählen Sie als Nächstes die Anzahl der Strategien aus, die Sie über das Feld Anzahl der Strategien überlagern möchten.
Wählen Sie als Nächstes die Variablen aus, deren Änderung Sie als Teil Ihrer Strategien prognostizieren möchten. Sie müssen zunächst die historischen Werte für diese Variablen eingeben, welche die aktuelle Strategie Ihres Unternehmens darstellen. Wenn Sie beispielsweise die Auswirkungen von Veränderungen an Ihrem mobilen Verbrennerfuhrpark prognostizieren, müssen Sie zunächst unter aktuelle Strategie den aktuellen Fahrzeug- und Kraftstofftyp eingeben.
Nachdem Sie das Formular vollständig ausgefüllt haben, wählen Sie Speichern und schließen aus.
Wählen Sie Ihr erstelltes Szenario und dann Szenario ausführen aus. Nachdem der Szenarioauftrag abgeschlossen ist, erhalten Sie eine In-App-Benachrichtigung, die Sie über die Ergebnisse informiert und über einen Hyperlink dorthin führt. Auf dieser Seite werden Ihre Szenariodetails sowie ein Diagramm angezeigt, das Ihre historischen Daten und die zugehörigen Strategieprognosen visualisiert.
Anmerkung
Die Länge des Prognosehorizonts Ihres Szenarios basiert auf der Menge an eingebrachten historische Daten. Als allgemeine Faustregel gilt, dass Ihr Prognosehorizont immer etwa die Hälfte Ihrer historischen Daten beträgt. Wenn Sie beispielsweise über zwei Jahre historische Daten in monatlichen Abständen verfügen, können Sie davon ausgehen, dass Ihnen ein Prognosezeitraum von einem Jahr im gleichen Abstand angezeigt wird.
Unterstützte Szenarien
Jedes Szenario verfügt über unterschiedliche Stufen der Anpassbarkeit, sodass Sie die Prognose mithilfe von Variablen an die Daten und Anforderungen Ihrer Organisation anpassen können. Diese Tabelle listet alle verfügbaren Variablen für die einzelnen Datentypen auf.
| Szenariokategorie | Verfügbare Variablen |
|---|---|
| Industrieller Prozess | - Kosten - Warenmenge - Art des industriellen Prozesses - Ausgabentyp - Menge |
| Mobile Verbrennung | - Kosten - Entfernung - Kraftstoffmenge - Kraftstofftyp - Warenmenge - Art des industriellen Prozesses - Menge - Ausgabentyp - Fahrzeugtyp |
| Stationäre Verbrennung | - Kosten - Energiekonvertierungsverhältnis - Kraftstoffmenge - Kraftstofftyp - Warenmenge - Art des industriellen Prozesses - Menge - Ausgabentyp |
| Gekaufte Kühlung | - Vertragsinstrumententyp - Kosten - Warenmenge - Ist erneuerbar - Menge - Ausgabentyp |
| Gekaufter Strom | - Vertragsinstrumententyp - Kosten - Warenmenge - Ist erneuerbar - Menge - Ausgabentyp |
| Gekaufte Wärme | - Vertragsinstrumententyp - Kosten - Warenmenge - Ist erneuerbar - Menge - Ausgabentyp |
| Gekaufter Dampf | - Vertragsinstrumententyp - Kosten - Warenmenge - Ist erneuerbar - Menge - Ausgabentyp |
| 1. Erworbene Waren und Dienstleistungen | - Kosten - Warenmenge - Art des industriellen Prozesses - Menge - Ausgabentyp |
| 2. Investitionsgüter | - Kosten - Art des industriellen Prozesses - Menge - Ausgabentyp |
| 4. Nachgelagerter Transport und Verteilung | - Kosten - Entfernung - Kraftstoffmenge - Kraftstofftyp - Warenmenge - Art des industriellen Prozesses - Menge - Ausgabentyp - Transportmodus - Transport- und Verteilungstyp - Fahrzeugtyp |
| 5. Betriebsabfälle | - Kosten - Entsorgungsmethode - Entfernung - Kraftstoffmenge - Art des industriellen Prozesses - Material - Menge - Ausgabentyp - Transportmodus - Abfallmenge |
| 6. Geschäftsreisen | - Geschäftsreisetyp - Kosten - Entfernung - Kraftstoffmenge - Art des industriellen Prozesses - Menge - Fahrzeugtyp |
| 7. Pendelnder Mitarbeiter | - Kosten - Entfernung - Typ des Mitarbeiterpendelns - Kraftstoffmenge - Kraftstofftyp - Art des industriellen Prozesses - Menge - Fahrzeugtyp |
| 9. Downstream-Transport und -Vertrieb | - Kosten - Entfernung - Kraftstoffmenge - Kraftstofftyp - Warenmenge - Art des industriellen Prozesses - Menge - Ausgabentyp - Transportmodus - Transport- und Verteilungstyp - Fahrzeugtyp |
| 12. End-of-Life-Behandlung verkaufter Produkte | - Kosten - Entsorgungsmethode - Entfernung - Kraftstoffmenge - Art des industriellen Prozesses - Material - Menge - Ausgabentyp - Transportmodus |
Anmerkung
Um Energiekonvertierungsverhältnisse für Ihr stationäres Verbrennungsszenario zu berechnen, teilen Sie den Energiegehalt Ihres vorhandenen Kraftstoffs durch den Energiegehalt des Kraftstoffs, für den Sie eine Prognose erstellen möchten. Alternativ können Sie auch Heizwerte verwenden. Wenn beispielsweise der Energiegehalt Ihres vorhandenen Kraftstoffs 33 MJ/kg beträgt und der des neuen Kraftstoffs 38 MJ/kg, dann liegt Ihr Energiekonvertierungsverhältnis bei etwa 0,87.
Anmerkung
Achten Sie bei der Prognose der Auswirkungen der Umstellung von nicht erneuerbarer auf erneuerbare Energie darauf, dass Sie ein Berechnungsmodell wählen, das sowohl Berechnungen für nicht erneuerbare als auch für erneuerbare Energiequellen unterstützt. Am einfachsten geht das, indem Sie im Feld Ist erneuerbar eine Bedingung verwenden.
Prognoseaspekte
Vorhandene Strategie: Die Prognose zur vorhandenen Strategie ist ein Einblick in Ihre prognostizierten Emissionen, wenn Sie an der aktuellen Art und Weise der Emissionserzeugung für diese Kategorie nichts ändern würden. Wenn Sie beispielsweise die Auswirkungen der Umstellung von Kohle auf Biokraftstoff für einen bestimmten Standort prognostizieren, stellt die Prognose der vorhandenen Strategie die prognostizierten Emissionen dar, die bei fortgesetzter Nutzung von Kohle entstehen.
Neue Strategien: Die Prognose der neuen Strategie bietet einen Überblick über Ihre voraussichtlichen Emissionen, wenn Sie zu der neuen Geschäftsstrategie wechseln würden, die in Ihrem Prognoseszenario dargestellt ist. Wenn Sie beispielsweise die Auswirkungen der Umstellung von Kohle auf Biokraftstoff für einen bestimmte Standort prognostizieren, stellt die Prognose der neuen Strategie die prognostizierten Emissionen dar, die bei der Umstellung auf Biokraftstoff entstehen. Abhängig davon, wie Sie Ihr Szenario einrichten, können Sie zwischen einer und drei neue Strategien erkunden.
Vorhersageintervalle: Vorhersageintervalle stellen die Schätzung eines Intervalls dar, in das eine zukünftige Beobachtung unter Berücksichtigung der historischen Daten mit einer bestimmten Wahrscheinlichkeit (wir verwenden ein Konfidenzniveau von 95 %) fällt. Prognoseintervalle stellen im Wesentlichen die mit einer Prognose verbundene Unsicherheit dar.
Modellfehler und Informationsmeldungen
In diesem Abschnitt werden Fehler oder Probleme erläutert, die bei Prognosen auftreten können.
Um diese Prognose zu erstellen, haben wir einige Anpassungen vorgenommen
Umstellung auf eine Fallback-Prognosemethode: Wir verwenden eine Fallback-Prognosemethode für den Fall, dass die Anzahl der historischen Datenpunkte und/oder die Datenqualität, die zur Anpassung von (S)ARIMA- oder ETS-Modellen erforderlich ist, nicht ausreicht. Es gibt zwei spezielle Fälle, in denen der Wechsel zu einer Fallback-Methode erforderlich ist:
- Zu viele fehlende Datenpunkte in einer ansonsten relativ gleichmäßig verteilten Zeitreihe historischer Daten
- Unregelmäßig verteilte historische Daten
Prüfung der Dateneinheitlichkeit und Häufigkeitsanpassung: Vor der Prognose werden Ihre Daten auf monatlicher Ebene aggregiert, um eine monatliche Grundlinie und eine Was-wäre-wenn-Prognose zu erstellen. Wenn die Daten bei der Aggregation jedoch keinen relativ gleichmäßigen monatlichen Rhythmus aufweisen, wird eine weitere Aggregation auf zwei, drei, vier oder sechs Monate versucht. Wenn für die Reihe unter diesen Anpassungen keine relative Einheitlichkeit erreicht werden kann, wird für die Prognose ein einfacheres Fallback-Modell verwendet.
Planung kann nicht generiert werden
Historische Daten sind zu spärlich: Um eine erfolgreiche Prognose zu gewährleisten, benötigen wir für Ihre historischen Daten eine Häufigkeit von mindestens einem Datenpunkt alle sechs Monate. Wenn das Intervall Ihrer Daten geringer ist, schlägt die Prognose fehl.
Keine oder zu wenige historische Datenpunkte: Die Prognosemodelle der Was-wäre-wenn-Analyse erfordern mindestens sechs Datenpunkte (nach der Häufigkeitsanpassung, die zuvor unter Prüfung der Dateneinheitlichkeit und Häufigkeitsanpassung beschrieben wurde), um erfolgreich eine Prognose erstellen zu können.
Unterstützte Zeitreihenprognosemodelle
Der Sustainability Manager unterstützt (saisonale) autoregressive integrierte gleitende Durchschnittsmodelle ((S)ARIMA) und Fehlertrendsaisonalität (ETS) als univariate Zeitreihenprognosemodelle zum Generieren von Prognosen auf Grundlage von Aktivitätsdaten. Das Framework zur Modellauswahl wählt das beste Prognosemodell auf Grundlage der historischen Aktivitätsdaten aus. Die erstellten Aktivitätsniveauprognosen durchlaufen das Berechnungsmodell, um sie in Emissionsniveauprognosen umzuwandeln.
ARIMA und ETS sind die am häufigsten verwendeten Methoden zur Zeitreihenprognose. ETS-Modelle basieren auf der Beschreibung von Trends und Saisonalität in den Daten, während ARIMA-Modelle die Autokorrelationen in den Daten beschreiben. Weitere Informationen zu diesen Modellen finden Sie in Kapitel 7 (Exponenzielle Glättung) und Kapitel 8 (ARIMA-Modelle) des Lehrbuchs Prognose: Prinzipien und Praktik.
In bestimmten Fällen, etwa wenn zu wenige oder sehr unregelmäßige historischen Daten vorliegen, wird anstelle von ARIMA oder ETS ein einfaches Fallback-Modell ausgewählt.
