ESG Data Analytics – KI als Schlüssel für mehr Nachhaltigkeit im Unternehmen

ESG Data Analytics bezeichnet eine innovative Herangehensweise, die es ermöglicht, umfassende Datenanalysen einzusetzen, um informierte Entscheidungen im Einklang mit ESG-Kriterien zu treffen.

Unternehmen sollten sich seit der CSRD-Richtlinie schnellstmöglich damit auseinandersetzen, da diese praktisch alle Unternehmen in der EU ab 2024 und 2025 dazu verpflichtet, ihre Nachhaltigkeit zu messen, zu dokumentieren und zu berichten.

Prof. Dr. Andreas Moring gibt in diesem Gastbeitrag einen umfassenden Überblick über ESG Data Analytics und zeigt, warum KI aus keiner Nachhaltigkeitsstrategie mehr wegzudenken ist.

Übrigens: In unserem Seminar „ESG Data Analytics“ lernen Sie, wie Sie Ihr Reporting mit KI optimieren, ohne dafür Data Science- oder KI-Spezialist sein zu müssen.

Nachhaltigkeit ist längst keine freiwillige Sache mehr. Für praktisch alle Unternehmen gilt ab dem diesem Jahr (2024), oder spätestens ab 2025, die sogenannte CSRD-Richtlinie der Europäischen Union.

CSRD steht für Corporate Sustainability Reporting Directive. Über diese Richtlinie werden alle Unternehmen in Europa dazu verpflichtet, jährlich ihre Nachhaltigkeit zu messen und zu berichten. Damit betreten Unternehmen ein neues Feld, um dass sie sich vorher in dieser Tiefe und in dieser Genauigkeit nicht kümmern mussten. Es ist also essenziell, das notwendige Wissen über Nachhaltigkeit zu messen und Nachhaltigkeitsberichte in Organisationen und Unternehmen schnell aufzubauen. Hierfür können ESG Data Analytis genutzt werden.

Zunächst einmal ist es wichtig, alle relevanten Pflichten, Standards, Metriken und KPIs zur Messung von ESG-Zielen und Kennzahlen im Unternehmen zu kennen. Es geht also um die Frage: Was muss ich messen?

Dazu gibt es aktuelle Richtlinien zur Nachhaltigkeitsmessung und zum Nachhaltigkeitsreporting. Die wichtigsten Kennzahlen sind in den sogenannten ESRS (European Sustainability Reporting Standards) aufgelistet.

Bei Kennzahlen spielen natürlich Daten im Unternehmen eine überragend wichtige Rolle. Mit den richtigen Daten und den richtigen Methoden können Unternehmen mit überschaubarem Aufwand ihre Nachhaltigkeitskennzahlen schnell und einfach messen, auswerten, berichten und für die Zukunft optimieren und steuern. Hierbei ist es entscheidend die relevanten KPIs für das eigene Unternehmen zu identifizieren. In den ESRS-Standards werden sehr viele Kennzahlen aufgelistet, aber nicht alle sind für jedes Unternehmen verpflichtend. Der erste Schritt zur erfolgreichen ESG-Strategie besteht deswegen darin, die relevanten Kennzahlen für sich zu kennen.

Der zweite Schritt und die zweite Frage danach lautet: Was muss ich mit den Daten tun? Nachdem die richtigen Daten gefunden und identifiziert sind, müssen genau diese Daten und Datenbestände für die Analyse und die Messung vorbereitet werden. Hierfür gibt es einen klaren Leitfaden und ein klares Vorgehen im Data Management bzw. im Data Science Management. Der passende Begriff hierfür lautet Data Cleaning Cycle. Mit den richtigen Tools und Programmen für diese Daten-Vorbereitung können Unternehmen – auch ohne spezielles Expertenwissen – ihren Datenschatz heben und für das eigene ESG-Reporting nutzen.

In Zeiten generativer KI stehen Unternehmen und Mitarbeitern ganz neue Möglichkeiten der Datenbearbeitung zur Verfügung, die noch vor ein bis zwei Jahren mehr oder weniger unmöglich erschienen. Das bedeutet, dass Mitarbeiterinnen und Mitarbeiter in Unternehmen die Anforderungen für nutzbare Daten selbst definieren können und die technologische Umsetzung bzw. das Programmieren von KI übernommen wird. Mit einem soliden Grundwissen zu Data Science Abläufen, zu generativer KI und zur Formulierung von Prompts können Mitarbeiterinnen und Mitarbeiter in Unternehmen heute das machen, wofür bisher KI und IT-Expertinnen und Experten zwingend notwendig gewesen sind.

Doch der Einsatz von KI geht noch darüber hinaus. Künstliche Intelligenz kann in vielen Bereichen und in unterschiedlichen Methoden für mehr Nachhaltigkeit in Unternehmen eingesetzt werden. Das beweisen viele Best Practices aus unterschiedlichen Branchen und in unterschiedlichen Szenarien national und international. Künstliche Intelligenz kann auch einen großen Teil und einen großen Aufwand der Steuerung und Optimierung von Nachhaltigkeit in Unternehmen übernehmen. Das ist eine der Domänen von künstlicher Intelligenz, nämlich Abläufe und Prozesse auf bestimmte Ziele hinzu optimieren. Und diese Ziele können und sollten auch gerade Nachhaltigkeitsziele sein. Es gibt dabei unterschiedliche KI-Methoden, die sich ganz speziell für unterschiedliche Nachhaltigkeitsziele eigenen. Eine Übersicht über diese unterschiedlichen Methoden hilft bei der Entscheidung, welches KI-Modell und welche Herangehensweise am besten für das eigene Unternehmen geeignet ist. Damit lässt sich ein großer Teil des Aufwandes von Systemen, Modellen und Maschinen leisten und der personelle Aufwand in Unternehmen bleibt überschaubar bis gering.

In der Nutzung von KI für Nachhaltigkeit und der Beherrschung von ESG Data Analytics liegt also der beste Weg, um mit den deutlich gestiegenen Anforderungen der CSRD-Richtlinie umzugehen. KI leistet einen wertvollen Dienst für mehr Nachhaltigkeit in Unternehmen und ist Garant dafür, dass die Prozesse und Abläufe hierfür in Unternehmen effizient und gleichzeitig produktiv ablaufen können. Und auch hier können Unternehmen wiederum generative KI genau dafür nutzen. Praktische Tools und Bibliotheken ermöglichen es, die Anforderungen für KI-Modelle für mehr Nachhaltigkeit in menschlicher Sprache zu definieren und dann automatisch in Code umzusetzen. Damit können Unternehmen bzw. Mitarbeiterinnen und Mitarbeiter ebenfalls wieder ohne spezielles Expertenwissen die ersten Schritte zur Nachhaltigkeitsmessung und zur Nachhaltigkeitssteuerung mit Hilfe von KI einfach und direkt selbst angehen.

Je nach technischem Wissensstand kann das über Prompts oder über unterstütztes Coden geschehen. Dabei ist es wichtig zu wissen, wie solche KI-Modelle getestet und validiert werden. Denn auch wenn die Technologie sehr gut funktioniert, so müssen doch alle Anwendungen überprüft werden, bevor sie in den wirklichen Betrieb in Unternehmen gehen. Hierfür gibt es unterschiedliche Test- und Validierungsmethoden. Denn gerade, wenn es um relevante und wichtige Nachhaltigkeitskennzahlen und Nachhaltigkeitsziele geht, müssen die genutzten und trainierten Modelle verlässlich, robust und belastbar sein. Schließlich ist der Report, der aus dem Daten mit Hilfe von KI erstellt wird, ein höchst wichtiges Dokument für alle Unternehmen, die von der CSRD-Richtlinie betroffen sind. Und das jährlich. Dabei sollte der jährliche ESG-Report nicht nur von den Zahlen her einwandfrei sein, sondern auch in seiner Gestaltung den Exzellenzkriterien im europäischen Markt entsprechen. Auch hierfür gibt es sehr viele Beispiele und Best Practices für herausragend gute ESG-Reports in verschiedenen Branchen und für verschiedene Unternehmen, vom großen Konzern über das mittelständische Unternehmen bis hin zum KMU. Unternehmen und Mitarbeiterinnen und Mitarbeiter mit technologischer Kompetenz und dem Wissen um ESG Data Analytics sind deswegen bestens für die Zukunft aufgestellt.