What-if 分析を使用して、排出量に関するビジネス慣行の変化を予測します (プレビュー)
注意
この機能は Microsoft Sustainability Manager Premium に含まれています。
What-if 分析は、いくつかのビジネス慣行の変更が組織の炭素排出量に与える影響を予測できるカスタム AI モデルです。 より情報に基づいた炭素削減戦略を作成し、全体的な持続可能性の目標を加速する際に役立ちます。 たとえば、風力や太陽光発電などの再生可能エネルギー源への切り替えや、サプライヤー固有の要因によるサプライヤーの切り替えの影響を予測できます。
この記事では、what-if 分析予測を作成する方法を説明します。 また、予測を最大限に活用するための考慮事項、詳細、および情報も提供します。
次のビデオでは、ドキュメント分析 と what-if 分析の使用方法を示します。
重要な考慮事項
予測シナリオを作成する際には、これらの考慮事項に留意してください。
シナリオの数 フィールドを使用して、1 つのシナリオ内で 1 から 3 までの戦略を指定できます。
変数 フィールドは複数選択可能で、変化を予測するデータまたは数量を選択できます。 たとえば、4. 上流の輸送と配送シナリオの一部として、輸送される コスト、距離 、商品の数量 の変更を選択できます。
すべてのシナリオには次のフィールドが必要です:
- 件名
- 組織単位
- データ型
- 算定モデル
- AR バージョン
- 戦略数
- 変数
設備 はフィールドで必須ではありませんが、予測のデータをさらに絞り込むために使用できます。
What-If 分析予測の作成
What-If 分析の使用を開始するには、以下の手順に従います:
ナビゲーション ペインで、What-if 分析を選択します。
What-if分析 ページで、新しいシナリオを選択します。
新規 What-if シナリオ ペインで、以下の詳細を入力します:
- 件名
- 組織単位
- データ型
- 算定モデル
- AR バージョン
次に、戦略の数 フィールドに、実行する戦略の数を入力します。
次に、戦略の一部として変化すると予測する 変数 を選択します。 まず、これらの変数の履歴値を入力する必要があります。これは、あなたの組織が使用している現在の戦略を表します。 たとえば、移動式内燃機関の車両を変更した場合の影響を予測する場合、まず現在の戦略に現在の車両と燃料タイプを入力する必要があります。
フォームに入力した後、保存して閉じるを選択します。
作成したシナリオを選択し、シナリオの実行を選択します。 シナリオ ジョブが完了すると、結果を通知するアプリ内通知と、その結果に移動するハイパーリンクが表示されます。 このページには、シナリオの詳細と、履歴データと関連する戦略の予測を視覚化したグラフが表示されます。
注意
シナリオの予測期間の長さは、取り込まれる履歴データの量によって決まります。 一般的な目安として、予測期間は常に履歴データの約半分になります。 たとえば、1 か月間隔で 2 年間の履歴データがある場合、同じ内部期間で 1 年間の予測期間を確認できるようになります。
サポートされているシナリオ
各シナリオには異なるレベルのカスタマイズ性があり、変数を用いてデータやニーズに合わせて予測を調整することができます。 この表には、各データ型で使用可能なすべての変数がリストされています。
| シナリオのカテゴリ | 使用できる変数 |
|---|---|
| 工業プロセス | - コスト - 商品の数量 - 工業プロセス タイプ - 費用の種類 - 数量 |
| 移動燃焼 | - コスト - 距離 - 燃料量 - 燃料の種類 - 商品の数量 - 工業プロセス タイプ - 数量 - 費用の種類 - 車両の種類 |
| 固定燃焼 | - コスト - エネルギー変換率 - 燃料量 - 燃料の種類 - 商品の数量 - 工業プロセス タイプ - 数量 - 費用の種類 |
| 購入した冷却 | - 契約証書の種類 - コスト - 商品の数量 - 再生可能である - 数量 - 費用の種類 |
| 購入した電力 | - 契約証書の種類 - コスト - 商品の数量 - 再生可能である - 数量 - 費用の種類 |
| 購入した熱 | - 契約証書の種類 - コスト - 商品の数量 - 再生可能である - 数量 - 費用の種類 |
| 購入した蒸気 | - 契約証書の種類 - コスト - 商品の数量 - 再生可能である - 数量 - 費用の種類 |
| 1. 購入した商品とサービス | - コスト - 商品の数量 - 工業プロセス タイプ - 数量 - 費用の種類 |
| 2. 資本財 | - コスト - 工業プロセス タイプ - 数量 - 費用の種類 |
| 4. 上流への輸送と流通 | - コスト - 距離 - 燃料量 - 燃料の種類 - 商品の数量 - 工業プロセス タイプ - 数量 - 費用の種類 - 輸送モード - 輸送と流通の種類 - 車両の種類 |
| 5. 事業で発生した廃棄物 | - コスト - 処分算出方法 - 距離 - 燃料量 - 工業プロセス タイプ - マテリアル - 数量 - 費用の種類 - 輸送モード - 廃棄物の量 |
| 6. 出張 | - 出張の種類 - コスト - 距離 - 燃料量 - 工業プロセス タイプ - 数量 - 車両の種類 |
| 7. 従業員の通勤 | - コスト - 距離 - 従業員の通勤の種類 - 燃料量 - 燃料の種類 - 工業プロセス タイプ - 数量 - 車両の種類 |
| 9. 下流の輸送と流通 | - コスト - 距離 - 燃料量 - 燃料の種類 - 商品の数量 - 工業プロセス タイプ - 数量 - 費用の種類 - 輸送モード - 輸送と流通の種類 - 車両の種類 |
| 12. 販売した製品の廃棄後の処理 | - コスト - 処分算出方法 - 距離 - 燃料量 - 工業プロセス タイプ - マテリアル - 数量 - 費用の種類 - 輸送モード |
注意
固定燃焼シナリオのエネルギー変換比を計算するには、既存の燃料のエネルギー含有量を、予測する燃料のエネルギー含有量で割ります。 あるいは、発熱量を使用することもできます。 たとえば、既存の燃料のエネルギー含有量が 33 MJ/kg で、新しい燃料のエネルギー含有量が 38 MJ/kg の場合、エネルギー変換率は約 0.87 になります。
注意
非再生可能エネルギーから再生可能エネルギーへの切り替えによる影響を予測する際には、非再生可能エネルギーと再生可能エネルギーの両方のエネルギー源の計算に対応した計算モデルを選択する必要があります。 最も簡単な方法は、再生産されている フィールドに条件文を使用することです。
予測の側面
既存の戦略: 既存の戦略予測は、そのカテゴリの排出量を生成する現在の方法について、何も変更しない場合に予測される排出量を示します。 たとえば、特定の施設で石炭からバイオ燃料への切り替えの影響を予測する場合、既存の戦略予測は石炭を引き続き使用した場合に予想される排出量を表します。
新しい戦略: 新しい戦略の予測は、予測シナリオで表される新しいビジネス戦略に切り替えた場合に予測される排出量を示します。 たとえば、特定の施設について、石炭からバイオ燃料への切り替えによる影響を予測する場合、新戦略予測は、バイオ燃料への切り替えによる予測排出量を月次レベルで集計したものです。 シナリオの設定方法に応じて、1 ～ 3 個の新しい戦略を検討できます。
予測区間: 予測区間は、過去のデータに基づいて、将来の観測値が一定の確率 (95% の信頼度を使用) で含まれる区間の推定値を表します。 予測区間は本質的に、予測に関連する不確実性を表します。
モデルの失敗と情報メッセージ
このセクションでは、予測で発生する可能性のあるエラーや問題について説明します。
この予測を生成するための調整が行われました
フォールバック予測方法への切り替え: (S) ARIMA または ETS モデルに適合するために必要な履歴データ ポイントの数やデータ品質が不十分な場合は、フォールバック予測方法を使用します。 フォールバック方法への切り替えが必要になる具体的なケースは 2 つあります:
- 比較的均一な間隔の履歴データ時系列に、欠落しているデータポイントが多くなる
- 不規則な間隔の履歴データ
データの均一性チェックと頻度調整: 予測の前に、データが月単位で集計され、月ごとのベースラインと仮定予測が生成されます。 ただし、集計時にデータが比較的均一な月ごとのリズムを示さない場合は、さらに 2 か月、3 か月、4 か月、または 6 か月に集計することが試みられます。 これらの調整によって系列が相対的な均一性を達成できない場合は、より単純なフォールバック モデルが予測に使用されます。
予測 を生成できません
履歴データがまばらすぎる: 予測を成功させるには、履歴データの頻度が 6 か月ごとに少なくともひとつの データ ポイント である必要があります。 データがその間隔よりもまばらな場合、予測は失敗します。
履歴データ ポイントがない、または少なすぎる: what-if 分析予測モデルでは、予測を正常に生成するために、少なくとも 6 つのデータ ポイント (前述の データ均一性チェックと頻度調整で説明した頻度調整後) が必要です。
サポートされている時系列予測モデル
Sustainability Manager は、アクティビティ データの予測を生成するために、(季節) 自己回帰和分移動平均 ((S)ARIMA) とエラー トレンド季節性 (ETS) 単変量時系列予測モデルをサポートしています。 モデル選択フレームワークは、過去のアクティビティ データに基づいて最適な予測モデルを選択します。 生成された活動レベルの予測は計算モデルを経て、排出量レベルの予測に変換されます。
ARIMA と ETS は、最も広く使用されている時系列予測方法です。 ETS モデルはデータ内の傾向と季節性の記述に依存しますが、ARIMA モデルはデータ内の自己相関を記述します。 これらのモデルの詳細については、予測: 原則と実践 テキスト 第 7 章 (指数平滑法) と 第 8 章 (ARIMA モデル) を参照してください。
履歴データが少なすぎる場合や非常に不規則な場合など、特定の状況では、ARIMA または ETS の代わりに単純なフォールバック モデルが選択されます。
