ESG

Die ESG-Aufgaben von Unternehmen lassen sich nur in Zusammenarbeit mit den Data- und KI-Teams bewältigen – ganz einfach, weil die Phänomene gemessen werden müssen (und dafür präzise, qualitativ hochwertige Daten erhoben und den Fachbereichen zugänglich gemacht werden müssen) und weil diese sehr komplexen Phänomene verstanden werden müssen (erklären, vorhersagen, Verbesserungsmaßnahmen empfehlen). Das erfordert den Einsatz von Algorithmen aus Data Science, Machine Learning, KI und sogar generativer KI.

Hauptaufgaben von Managern bzw. Heads of Data/KI im Bereich ESG

a. Governance und Erfassung der ESG-Daten

  • Zentralisierung der Daten: ESG-Daten aus unterschiedlichen Quellen (CSR-Berichte, interne Datenbanken, externe Anbieter, Vorschriften usw.) abrufen, bereinigen, strukturieren und mit Data Governance verwalten.

  • Schlüsselkennzahlen: ESG-KPIs definieren und verfolgen (z. B. CO₂-Fußabdruck, Diversität der Teams, Einhaltung regulatorischer Vorgaben).

b. Reporting und Visualisierung

  • Dashboards: Visualisierungstools (Power BI, Tableau, Python) konzipieren, um ESG-Daten für die Stakeholder zugänglich zu machen.

  • Automatisierung von Berichten: KI nutzen, um ESG-Berichte zu erstellen, die den gängigen Standards entsprechen (GRI, SASB, TCFD usw.).

c. Modellierung

  • Entwicklung erklärender, prädiktiver und präskriptiver Modelle: Machine-Learning- und KI-Algorithmen entwickeln, um ESG-Trends zu analysieren, Risiken vorherzusagen (z. B. Klima-, Compliance- oder Betrugsrisiken) und Maßnahmen an bestimmten Stellhebeln zu empfehlen, um den Fußabdruck zu verringern.

  • Entwicklung generativer KI und von NLP (Natural Language Processing): die Erstellung von Berichten automatisieren, Texte (Berichte, Artikel, Vorschriften) analysieren und relevante ESG-Informationen extrahieren.

d. Bereichsübergreifende Zusammenarbeit

  • Schnittstelle zu den Fachbereichen: Zusammenarbeit mit den operativen Teams (HR, Einkauf, Recht), um ESG-Daten in die Entscheidungsprozesse zu integrieren.

  • Regulierungsmonitoring: die Entwicklung der ESG-Vorschriften verfolgen (z. B. CSRD in Europa, EU-Taxonomie) und die Data-Tools entsprechend anpassen.

Beispiele für konkrete Projekte

  • Analyse des CO₂-Fußabdrucks: Modellierung der Scope-1-, Scope-2- und Scope-3-Emissionen eines Unternehmens auf Basis interner und externer Daten.

  • Erkennung von Greenwashing: NLP einsetzen, um die Kommunikation eines Unternehmens zu analysieren und Widersprüche zu seinem tatsächlichen Handeln zu identifizieren.

  • Optimierung der Lieferketten: soziale Daten (Kinderarbeit, Arbeitsbedingungen) mit Logistikdaten verknüpfen, um Risiken zu identifizieren.

  • Automatisiertes ESG-Scoring: ein Tool entwickeln, um Lieferanten oder Investitionen nach ESG-Kriterien zu bewerten.