Prognostizieren Sie Änderungen der Geschäftspraxis in Bezug auf Ihre Emissionen mit der Was-wäre-wenn-Analyse (Vorschau)
Microsoft Cloud for Sustainability
Wichtig
Einige oder alle dieser Funktionen sind als Teil einer Vorschauversion verfügbar. Inhalt und Funktionalität können sich ändern.
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.
Für jedes Szenario sind die folgenden Felder erforderlich:
- Name des Dataflows
- Organisationseinheit
- Datentyp
- Berechnungsmodell
- AR-Version
Standort wird nicht für jedes Szenario benötigt, Sie können ihn jedoch verwenden, um die Daten für Ihre Prognose weiter einzugrenzen.
Alle Szenarien basieren beim Verfolgen von Aktivitäten für diese Kategorie auf den entsprechenden Pflichtfeldern. Beispielsweise ist im Geschäftsreiseszenario das Feld Entfernung erforderlich, um einen genauen Prozentsatz für die Erhöhung oder Verringerung der Prognose anzuwenden.
Erforderliche Felder
In dieser Tabelle sind die kategoriespezifischen Pflichtfelder für jedes Szenario aufgeführt.
Um erfolgreiche Prognosen für Szenarien sicherzustellen, in denen eine oder mehrere numerische Spalten erwähnt werden, achten Sie darauf, die entsprechende Einheitenspalte auszufüllen. Stellen Sie außerdem sicher, dass das von Ihnen gewählte Berechnungsmodell dieselben Felder verwendet.
| Szenariokategorie | Erforderliche Felder |
|---|---|
| Industrieller Prozess | Industrieller Prozesstyp |
| Mobile Verbrennung | Fahrzeugtyp, Kraftstofftyp |
| Stationäre Verbrennung | Kraftstofftyp, Energiekonvertierungsverhältnis |
| Gekaufte Kühlung | Standort, Ist erneuerbar |
| Gekaufter Strom | Standort, Ist erneuerbar |
| Gekaufte Wärme | Standort, Ist erneuerbar |
| Gekaufter Dampf | Standort, Ist erneuerbar |
| 1. Erworbene Waren und Dienstleistungen | Ausgabentyp |
| 2. Investitionsgüter | Ausgabentyp |
| 4. Nachgelagerter Transport und Verteilung | Transportmittel, Entfernung, Warenmenge |
| 5. Betriebsabfälle | Material, Entsorgungsmethode |
| 6. Geschäftsreisen | Geschäftsreisetyp, Entfernung |
| 7. Pendelnder Mitarbeiter | Typ von Arbeitswegen von Mitarbeitern, Entfernung |
| 9. Downstream-Transport und -Vertrieb | Transportmittel, Entfernung, Warenmenge |
| 12. End-of-Life-Behandlung verkaufter Produkte | Material, Entsorgungsmethode |
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 (Vorschau) aus.
Wählen Sie auf der Seite Was-wäre-wenn-Analyse (Vorschau) die Option Neues Szenario aus.
Geben Sie im Feld Neue Was-wäre-wenn-Analyse die erforderlichen Informationen für Ihr Szenario ein, und wählen Sie dann 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 Prognosen visualisiert.
Unterstützte Szenarien
Die Was-wäre-wenn-Analyse unterstützt die folgenden Szenarien. Jedes Szenario verfügt über unterschiedliche Stufen der Anpassbarkeit, sodass Sie die Prognose an die Daten und Anforderungen Ihres Unternehmens anpassen können.
Bereich 1
Industrieller Prozess: Mit dem Szenario des industriellen Prozesses können Sie die Auswirkungen einer Umstellung des Typs des industriellen Prozesses für eine bestimmte Organisationseinheit oder einen Standort vorhersagen, die bzw. der einer Organisationseinheit zugewiesen ist.
Mobile Verbrennung: Mit dem Szenario der mobilen Verbrennung können Sie die Auswirkungen einer Umstellung sowohl auf Straßen- als auch auf Geländefahrzeuge vorhersagen. Sie können beispielsweise die Emissionsauswirkungen prognostizieren, die sich für eine bestimmte Organisationseinheit aus der Umstellung von einer dieselbetriebenen Flotte auf eine benzinbetriebene Flotte ergeben.
Stationäre Verbrennung: Mit dem Szenario der stationären Verbrennung können Sie die Auswirkungen einer Umstellung des Kraftstoffs an einem bestimmten Standort vorhersagen. Um eine genauere Prognose zu ermöglichen, müssen Sie in diesem Szenario auch ein Energiekonvertierungsverhältnis angeben.
Um Energiekonvertierungsverhältnisse 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.
Bereich 2: Gekaufte Energie
Alle Prognoseszenarien der Kategorie Bereich 2 folgen demselben Muster: Umstellung von nicht erneuerbarer auf erneuerbare Energie oder umgekehrt durch das Feld Ist erneuerbar.
Stellen Sie für diese Szenarien sicher, dass Sie ein Berechnungsmodell auswählen, 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.
Bereich 3
1. Gekaufte Waren und Dienstleistungen und 2. Investitionsgüter: Mit den Kategorien 1 und 2 für Bereich 3 können Sie die Auswirkungen eines Wechsels des Lieferanten, von dem Sie Waren und Dienstleistungen kaufen, vorhersehen. Bevor Sie ein Prognoseszenario für eine dieser Kategorien erstellen und ausführen, stellen Sie sicher, dass Sie die folgenden Schritte ausführen:
- Importieren Sie alle benutzerdefinierten, anbieterspezifischen Emissionsfaktoren, die für die Prognose benötigt werden.
- Ordnen Sie alle benutzerdefinierten Emissionsfaktoren einem entsprechenden Ausgabentyp zu.
- Erstellen oder ändern Sie ein Berechnungsmodell, um die benutzerdefinierten Faktoren zu verwenden.
Anmerkung
Wir empfehlen, alle lieferantenspezifischen Faktoren in einer einzigen Faktorenbibliothek zu speichern, damit Ihr entsprechendes Berechnungsmodell dynamisch den richtigen Faktor basierend auf den zugeordneten Ausgabentyp auswählen kann.
Nachdem Sie diese Elemente abgeschlossen haben, verwenden Sie die Felder Ausgabentyp: aktuell und Ausgabentyp: neu, um Ihre aktuellen und potenziellen Lieferanten zuzuordnen und sicherzustellen, dass sie den ersten beiden Schritten entsprechen.
4. Upstream und 9. Downstream-Transport und Vertrieb: Die Kategorien 4 und 9 des Bereichs 3 bieten hinsichtlich der Prognoseszenarien die größte Flexibilität. Für jede dieser Kategorien können Sie mit dem Szenario die Auswirkungen einer Umstellung des verwendeten Transportmodus und der entsprechenden Zurückgelegten Strecke sowie der transportierten Warenmenge prognostizieren.
Für Zurückgelegte Strecke und Warenmenge geben Sie eine Schätzung der prozentualen Erhöhung oder Verringerung an, die Sie als Ergebnis der Änderung des Transportmodus erwarten. Wenn Sie beispielsweise von Flugzeug zu Schiff wechseln, stellen Sie möglicherweise eine Verringerung der zurückgelegten Entfernung und eine Erhöhung der transportierten Warenmenge fest. Positive Ganzzahlen stehen für Erhöhungen und negative Ganzzahlen für Verringerungen.
Anmerkung
Verringerungen können nicht größer als 100 % sein.
Jegliche Erhöhung oder Verringerung der Zurückgelegten Strecke oder der Warenmenge wird auf aggregierter Monatsebene auf die Prognose angewendet.5. Beim Betrieb entstehender Abfall und 12. End-of-Life-Behandlung verkaufter Produkte: Mit den Kategorien 5 und 12 von Bereich 3 können Sie die Auswirkungen einer Änderung der Entsorgung eines bestimmten Materials vorhersagen. Sie können beispielsweise abschätzen, welche Auswirkungen es hat, wenn Sie Ihre Lebensmittelabfälle kompostieren, anstatt sie auf einer Mülldeponie zu entsorgen.
6. Geschäftsreise und 7. Mitarbeiterpendeln: Die Kategorien 6 und 7 von Bereich 3 ermöglichen Ihnen über die Felder Typ der Geschäftsreise und Pendelart der Mitarbeiter die Prognose der Auswirkungen einer Änderung des Transportmittels, das die Mitglieder Ihrer Organisation für Geschäftsreisen oder die Mitarbeiter zum Pendeln verwenden. Ähnlich wie in den Kategorien 5 und 12 können Sie auch in den Kategorien 6 und 7 einen geschätzten Prozentsatz für die Erhöhung oder Verringerung der zurückgelegten Strecke eingeben.
Anmerkung
Jegliche Erhöhung oder Verringerung der Zurückgelegten Strecke wird auf aggregierter Monatsebene auf die Prognose angewendet.
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 Strategie: 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.
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.
