Kundcase · Peab
Peabs experters bedömningar, skalade till tusentals konton.
Peab ville förstå Scope 3 för sina inköp, med en metod som håller vid en extern granskning.
- Kund
- Peab, nordiskt samhällsbyggnadsföretag
- Tillsammans med
- Miljögiraff, LCA-konsulter
- Omfattning
- Scope 3 för inköpen, tusentals konton
- Resultat
- Ett eget AI-stöd som blir säkrare med tiden
Utmaningen.
Tusentals konton, stora mängder transaktioner och siffror som skulle vara både tillförlitliga och användbara i verksamheten. Peab krävde från början att metoden skulle hålla vid en extern granskning.
Så gjorde vi.
Vi byggde metoden och modellen, i nära samarbete med Peabs egna experter och LCA-konsulterna på Miljögiraff. De klassade ett första urval konton för hand, och vi tränade en språkmodell på deras bedömningar. Modellen lärde sig Peabs inköpsbeskrivningar, leverantörsnamn och kontostruktur, och föreslog sedan klassningar för resten. Varje klassning är en utgiftsbaserad emissionsfaktor med en motivering som bygger på LCA-praxis.
Samarbetet fångar också missförstånd. Inköpen från arbetskläderföretaget Björnkläder tolkade modellen tidigt som pälsvaror. Med experternas återkoppling rättas sådant snabbt.
- Viktat urval. Ett litet urval konton som ingen har granskat, till exempel tjugo, dras med en sannolikhet som följer kontots uppskattade klimatpåverkan.
- Experterna bedömer. Miljögiraff och Peab klassar urvalet för hand.
- Jämförelse. Varje bedömning jämförs med modellens förslag.
- Ny version. De nya bedömningarna läggs till träningsdatan, och modellen tränas om.
- Mätning. Skillnaden mot förra versionen mäts, och varvet upprepas tills den ligger under en överenskommen tröskel.
AI blir precis så bra som de människor som tränar den.
Resultatet: ett eget AI-stöd.
Peabs eget
Modellen är tränad på Peabs egna bedömningar och kontostruktur. Samma metod körs på nya data varje år, och varje ny bedömning gör nästa förslag bättre.
Granskningsbart
Varje steg, från de första manuella klassningarna till resultatet, går att följa vid en extern granskning. Förändringar i inköpen syns som trender, utan att metoden behöver byggas om.
Allt det lilla med
De mindre inköpen är för många för att klassas för hand, men tillsammans väger de. Modellen kopplar dem till en emissionsfaktor, så att Scope 3 blir komplett utan att någon behöver klassa varje rad.
Detaljen där den väger
Modellen pekar ut de största utsläppskällorna, så att Peab ser var de stora klimatvinsterna finns och var en schablonfaktor räcker.
Kumulativ andel av utsläppen mot andel av kontona. Varje punkt är ett konto. De fem största kontona, tre procent av alla, står för 24 procent av utsläppen.
Nästa steg: riktiga siffror där de väger mest.
För de största utsläppskällorna behövs data från leverantörerna, år för år, hur förfinad schablonfaktorn än är. Det behövs för att kunna sätta mål som betyder något och följa upp dem. Det är det MASSIV+ arbetar med: att dela klimatdata i värdekedjan, så att schablonfaktorerna kan bytas mot riktiga siffror där det spelar störst roll.
Förmågorna bakom.
Caset vilar på tre av våra förmågor: faktorer på varje rad, spårbarhet från summa till verifikat och AI som föreslår medan människor beslutar.