Prever alterações à prática empresarial nas suas emissões com a análise de hipóteses (pré-visualização)
Nota
Esta funcionalidade está incluída no Microsoft Sustainability Manager Premium.
A análise de hipóteses utiliza um modelo de IA que lhe permite prever o impacto de várias alterações às práticas de negócio nas emissões de carbono da sua organização. Ajuda-o a criar estratégias de redução de carbono mais informadas e a acelerar os seus objetivos globais de sustentabilidade. Por exemplo, pode prever o impacto da mudança para fontes de energia renováveis, como energia eólica ou solar, ou da mudança de fornecedores através de fatores específicos do fornecedor.
Este artigo mostra-lhe como criar uma previsão de análise de hipóteses. Também fornece considerações, detalhes e informações para o ajudar a tirar o máximo partido da sua previsão.
O vídeo seguinte demonstra como utilizar a análise de documentos e a análise de hipóteses:
Considerações importantes
Tenha estas considerações em mente quando criar o seu cenário de previsão.
Pode usar camadas entre uma e três estratégias num único cenário utilizando o campo Número de cenários.
O campo Variáveis é de seleção múltipla e permite-lhe escolher os dados ou as quantidades para os quais pretende prever a alteração. Por exemplo, pode optar por modificar o Custo, a Distância e a Quantidade de bens que estão a ser transportadas como parte do seu cenário 4. Transporte e distribuição a jusante.
Todos os cenários requerem os seguintes campos:
- Nome
- Unidade organizacional
- Tipo de dados
- Modelo de cálculo
- Versão do AR
- Número de estratégias
- Variáveis
instalações não é um campo obrigatório, mas pode utilizá-lo para restringir ainda mais os dados à sua previsão.
Criar uma previsão de análise de hipóteses
Para começar com a análise de hipóteses, siga estes passos:
No painel de navegação, selecione Análise de hipóteses.
Na página Análise de hipóteses, selecione Novo cenário.
No painel Nova cenário de hipóteses, introduza os seguintes detalhes:
- Nome
- Unidade organizacional
- Tipo de dados
- Modelo de cálculo
- Versão do AR
Em seguida, selecione o número de estratégias em que pretende utilizar camadas através do campo Número de estratégias.
Em seguida, selecione as Variáveis para as quais pretende prever a alteração como parte da sua estratégia ou estratégias. Primeiro, precisa de introduzir os valores históricos para estas variáveis, o que representa a estratégia atual que a sua organização está a utilizar. Por exemplo, se estiver a prever o impacto da alteração da sua frota de veículos de Combustão móvel, tem primeiro de introduzir o veículo atual e o tipo de combustível na Estratégia atual.
Depois de preencher o formulário, selecione Guardar e Fechar.
Selecione o cenário que criou e, em seguida, selecione Executar o cenário. Após a conclusão da tarefa de cenário, recebe uma notificação na aplicação que o alerta dos resultados, com uma hiperligação que o conduz até aos mesmos. Esta página apresenta os detalhes do cenário e um gráfico com os dados históricos e as previsões de estratégias associadas.
Nota
A duração do horizonte de previsão do seu cenário baseia-se na quantidade de dados históricos que estão a ser introduzidos. Regra geral, o seu horizonte de previsão será sempre cerca de metade dos seus dados históricos. Por exemplo, se tiver dois anos de dados históricos com intervalos de um mês, pode esperar ver um horizonte de previsão de um ano no mesmo intervalo.
Cenários suportados
Cada cenário tem diferentes níveis de personalização que lhe permitem adaptar a previsão aos dados e às necessidades de utilização de variáveis da sua organização. Esta tabela lista todas as variáveis disponíveis para cada tipo de dados.
| Categoria de cenário | Variáveis disponíveis |
|---|---|
| Processo industrial | - Custo - Quantidade de bens - Tipo de processo industrial - Tipo de gasto - Quantidade |
| Combustão móvel | - Custo - Distância - Quantidade de combustível - Tipo de combustível - Quantidade de bens - Tipo de processo industrial - Quantidade - Tipo de gasto - Tipo de veículo |
| Combustão estacionária | - Custo - Rácio de conversão de energia - Quantidade de combustível - Tipo de combustível - Quantidade de bens - Tipo de processo industrial - Quantidade - Tipo de gasto |
| Arrefecimento comprado | - Tipo de instrumento contratual - Custo - Quantidade de bens - É renovável - Quantidade - Tipo de gasto |
| Eletricidade comprada | - Tipo de instrumento contratual - Custo - Quantidade de bens - É renovável - Quantidade - Tipo de gasto |
| Calor comprado | - Tipo de instrumento contratual - Custo - Quantidade de bens - É renovável - Quantidade - Tipo de gasto |
| Vapor comprado | - Tipo de instrumento contratual - Custo - Quantidade de bens - É renovável - Quantidade - Tipo de gasto |
| 1. Bens e serviços adquiridos | - Custo - Quantidade de bens - 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 a jusante | - Custo - Distância - Quantidade de combustível - Tipo de combustível - Quantidade de bens - 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 eliminação - Distância - Quantidade de combustível - Tipo de processo industrial - Materiais - Quantidade - Tipo de gasto - Modo de transporte - Quantidade de resíduos |
| 6. Viagem de negócios | - Tipo de viagem de negócio - Custo - Distância - Quantidade de combustível - Tipo de processo industrial - Quantidade - Tipo de veículo |
| 7. Deslocação do colaborador | - Custo - Distância - Tipo de deslocamento do colaborador - Quantidade de combustível - Tipo de combustível - Tipo de processo industrial - Quantidade - Tipo de veículo |
| 9. Transporte e distribuição a jusante | - Custo - Distância - Quantidade de combustível - Tipo de combustível - Quantidade de bens - 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 de produtos vendidos | - Custo - Método de eliminação - Distância - Quantidade de combustível - Tipo de processo industrial - Materiais - Quantidade - Tipo de gasto - Modo de transporte |
Nota
Para calcular os rácios de conversão de energia para o seu cenário de combustão estacionária, divida o conteúdo energético do combustível existente pelo conteúdo energético do combustível para o qual gostaria de prever. Em alternativa, também poderá utilizar valores de aquecimento. Por exemplo, se o teor energético do combustível existente for de 33 MJ/kg e o novo for de 38 MJ/kg, então o rácio de conversão de energia é de cerca de 0,87.
Nota
Ao prever o impacto da mudança de energia não renovável para energia renovável, certifique-se de que está a escolher um modelo de cálculo que suporta cálculos de fontes de energia não renováveis e renováveis. A forma mais fácil é utilizar uma instrução condicional no campo É renovável .
Aspetos da previsão
Estratégia existente: a previsão da estratégia existente é uma vista das suas emissões projetadas se não alterar nada na forma atual como gera emissões para essa categoria. Por exemplo, se estiver a prever o impacto da mudança do carvão para o biocombustível para uma determinada instalação, a previsão da estratégia existente representa as emissões projetadas de continuar a utilizar carvão.
Novas estratégias: a previsão da nova estratégia é uma vista das suas emissões projetadas se mudar para a nova estratégia de negócio representada pelo seu cenário de previsão. Por exemplo, se estiver a prever o impacto da mudança do carvão para o biocombustível para uma determinada instalação, a previsão da nova estratégia representa as emissões projetadas da mudança para o biocombustível. Pode ter entre uma e três novas estratégias para explorar, dependendo da configuração do seu cenário.
Intervalos de previsão: os intervalos de previsão representam a estimativa de um intervalo em que uma observação futura incide com uma certa probabilidade (utilizamos 95% de confiança), considerando os dados históricos. Os intervalos de predição representam essencialmente a incerteza associada a uma previsão.
Falhas de modelo e mensagens informativas
Esta secção explica os erros ou problemas que poderá ter com as previsões.
Fizemos alguns ajustes para gerar esta previsão
Mudar para um método de previsão de contingência: utilizamos um método de previsão de contingência caso o número de pontos de dados históricos e/ou a qualidade dos dados necessária para ajustar os modelos (S)ARIMA ou ETS seja insuficiente. Existem dois casos específicos em que se torna necessário mudar para uma metodologia de contingência:
- Demasiados pontos de dados em falta numa série temporal de dados históricos espaçada de modo relativamente uniforme
- Dados históricos espaçados de forma irregular
Verificação da uniformidade dos dados e ajuste de frequência: antes da previsão, os dados são agregados mensalmente para gerar uma linha de base mensal e uma previsão de hipóteses. No entanto, se após a agregação os dados não apresentarem uma cadência mensal relativamente uniforme, tenta-se agregar adicionalmente para dois, três, quatro ou seis meses. Se não for possível para a série alcançar a uniformidade relativa sob estes ajustes, é utilizado um modelo de contingência mais simples para a previsão.
Não é possível gerar a previsão
Os dados históricos são muito esparsos: para garantir uma previsão bem-sucedida, necessitamos que os seus dados históricos tenham uma frequência de pelo menos um ponto de dados a cada seis meses. Se os dados forem mais esparsos do que esse intervalo, a previsão falha.
Nenhum ou muito poucos pontos de 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 êxito.
Modelos de previsão de séries temporais suportados
O Sustainability Manager suporta modelos de previsão de séries temporais univariadas de Média Móvel Integrada (S)ARIMA (Sazonal) Regressiva Automática e Sazonalidade de Tendência de Erro (ETS) para gerar previsões em dados de atividade. A estrutura de seleção de modelos seleciona o melhor modelo de previsão com base nos dados históricos de atividade. As previsões ao nível da atividade geradas passam pelo modelo de cálculo para as transformar em previsões ao nível das emissões.
Os modelos ARIMA e ETS são os métodos de previsão de séries cronológicas mais utilizados. Os modelos ETS baseiam-se nas descrições de tendência e sazonalidade nos dados, enquanto os modelos ARIMA descrevem as autocorrelações nos dados. Para obter mais informações sobre estes modelos, consulte o Capítulo 7 (Suavização Exponencial) e o Capítulo 8 (Modelos ARIMA) do manual Previsão: Princípios e Práticas .
Em determinadas situações, como quando os dados históricos são muito poucos ou extremamente irregulares, é selecionado um modelo de contingência simples, em vez do modelo ARIMA ou ETS.
