Prever alterações à prática empresarial nas suas emissões com a análise de hipóteses (pré-visualização)
Microsoft Cloud for Sustainability
Importante
Algumas ou todas estas funcionalidades estão disponíveis como parte de uma versão de pré-visualização. O conteúdo e a funcionalidade estão sujeitos a alterações.
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.
Todos os cenários requerem os seguintes campos:
- Nome
- Unidade organizacional
- Tipo de dados
- Modelo de cálculo
- Versão do AR
As instalações não são necessárias para todos os cenários, mas pode utilizá-las para restringir ainda mais os dados à sua previsão.
Todos os cenários dependem dos respetivos campos obrigatórios ao monitorizar atividades para essa categoria. Por exemplo, o cenário de Viagem de negócios depende do campo Distância para aplicar com precisão uma percentagem de aumento ou diminuição à previsão.
Campos necessários
Esta tabela lista os campos obrigatórios específicos da categoria para cada cenário.
Para assegurar previsões bem-sucedidas para cenários que mencionem uma ou mais colunas numéricas, certifique-se de que preenche a coluna de unidade correspondente. Certifique-se também de que o modelo de cálculo escolhido utiliza os mesmos campos.
| Categoria de cenário | Campos necessários |
|---|---|
| Processo industrial | Tipo de processo industrial |
| Combustão móvel | Tipo de veículo, Tipo de combustível |
| Combustão estacionária | Tipo de combustível, Rácio de conversão de energia |
| Arrefecimento comprado | Instalações, É renovável |
| Eletricidade comprada | Instalações, É renovável |
| Calor comprado | Instalações, É renovável |
| Vapor comprado | Instalações, É renovável |
| 1. Bens e serviços adquiridos | Tipo de gasto |
| 2. Bens de capital | Tipo de gasto |
| 4. Transporte e distribuição a jusante | Modo de transporte, Distância, Quantidade de bens |
| 5. Resíduos gerados nas operações | Material, Método de eliminação |
| 6. Viagem de negócios | Tipo de viagem de negócio, Distância |
| 7. Deslocação do colaborador | Tipo de deslocações do colaborador, Distância |
| 9. Transporte e distribuição a jusante | Modo de transporte, Distância, Quantidade de bens |
| 12. Tratamento de fim de vida de produtos vendidos | Material, Método de eliminação |
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 (pré-visualização).
Na página Análise de hipóteses (pré-visualização), selecione Novo cenário.
No painel Novo Cenário de hipóteses, introduza as informações para o seu cenário e, em seguida, 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 associadas.
Cenários suportados
A análise de hipóteses suporta os cenários seguintes. Cada cenário tem diferentes níveis de personalização que lhe permitem adaptar a previsão aos dados e às necessidades da sua organização.
Âmbito 1
Processo industrial: o cenário de processo industrial permite prever o impacto da mudança do Tipo de processo industrial para uma determinada Unidade organizacional ou Instalação atribuída à Unidade organizacional.
Combustão móvel: o cenário de combustão móvel permite-lhe prever o impacto da mudança de veículos em estrada e todo-o-terreno que estão a ser utilizados. Por exemplo, pode prever o impacto nas emissões da mudança de uma frota movida a gasóleo para uma frota movida a gasolina para uma determinada Unidade organizacional.
Combustão estacionária: o cenário de combustão estacionária permite-lhe prever o impacto da mudança do combustível que está a ser utilizado numa determinada instalação. Para fornecer uma previsão mais precisa, este cenário também requer que forneça um Rácio de conversão de energia.
Para calcular os rácios de conversão de energia, 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.
Âmbito 2: Energia comprada
Todos os cenários de previsão da categoria de Âmbito 2 seguem o mesmo padrão: mudar de energia não renovável para renovável, ou vice-versa, através do campo É renovável .
Para estes cenários, 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 .
Âmbito 3
1. Bens e serviços comprados e 2. Bens de capital: as categorias 1 e 2 do Âmbito 3 permitem-lhe prever o impacto da mudança de fornecedor junto do qual compra bens e serviços. Antes de criar e executar um cenário de previsão para qualquer uma destas categorias, certifique-se de que conclui os seguintes passos:
- Importe quaisquer fatores de emissão personalizados e específicos de fornecedor necessários para a previsão.
- Mapeie todos os fatores de emissão personalizados para um Tipo de gasto correspondente.
- Crie ou modifique um modelo de cálculo para utilizar os fatores personalizados.
Nota
Recomendamos que armazene todos os fatores específicos de fornecedor numa única biblioteca de fatores, para que o modelo de cálculo correspondente possa escolher dinamicamente o correto com base no Tipo de gasto mapeado.
Depois de concluir estes itens, utilize os campos Tipo de gasto: atual e Tipo de gasto: novo para mapear os seus fornecedores atuais e propostos, garantindo que estes estão alinhados com os dois primeiros passos.
4. A Montante e 9. Transporte e distribuição a montante: as categorias 4 e 9 do Âmbito 3 proporcionam algumas das flexibilidades mais amplas em termos de cenários de previsão. Para cada uma destas categorias, o cenário permite-lhe prever o impacto da mudança do Modo de transporte que está a ser utilizado e a Distância percorrida e Quantidade de bens a ser transportada correspondentes.
Para Distância percorrida e Quantidade de bens, forneça uma estimativa do aumento ou diminuição percentual que espera ver como resultado da alteração do Modo de transporte. Por exemplo, se mudar de Avião para Navio, poderá ver uma diminuição na distância percorrida e um aumento na quantidade de bens que estão a ser transportados. Os números inteiros positivos representam aumentos e os inteiros negativos representam diminuições.
Nota
As diminuições não podem ser superior a 100%. Quaisquer aumentos ou diminuições na Distância percorrida ou na Quantidade de bens são aplicados na previsão ao nível mensal agregado.
5. Desperdício gerado em operações e 12. Tratamento de fim de vida de produtos vendidos: as categorias 5 e 12 do Âmbito 3 permitem-lhe prever o impacto de alterar a forma como elimina um determinado material. Por exemplo, pode prever o impacto da compostagem dos seus resíduos alimentares em vez de os enviar para um aterro.
6. Viagem de negócio e 7. Viagem diária entre casa e emprego dos colaboradores: as categorias 6 e 7 do Âmbito 3 permitem-lhe prever o impacto da mudança do modo de transporte que os membros da sua organização utilizam para viagens de negócios ou deslocações dos colaboradores através dos campos Tipo de viagem de negócios e Tipo de deslocação do colaborador, respetivamente. Tal como as categorias 5 e 12, as categorias 6 e 7 também permitem introduzir uma percentagem estimada de aumento ou diminuição da distância percorrida.
Nota
Quaisquer aumentos ou diminuições na Distância percorrida são aplicados na previsão ao nível mensal agregado.
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.
Nova estratégia: 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.
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.
