A rastreabilidade dos dados é a capacidade de verificar quais dados de entrada e tratamentos produziram o resultado final. Na gestão de dados de MRV, é preciso conectar a preservação dos dados originais, as regras de cálculo e o histórico de calibrações e alterações. Os capítulos 7 e 8 de Tecnologia e soluções para comprovar a redução de carbono abordam em conjunto a rastreabilidade metrológica das medições e a rastreabilidade dos cálculos.

Defina primeiro os conceitos e o escopo de aplicação

É preciso registrar a fonte dos valores, as transformações, as regras e quem as executou, bem como os motivos das alterações. Talvez não baste apenas incluir uma data no nome do arquivo. É necessário preservar as mesmas entradas e regras de processamento e permitir o acesso com as autorizações necessárias. O período de retenção deve ser definido de acordo com a finalidade de uso, os sistemas aplicáveis, o contrato e os requisitos de privacidade. Não é adequado acumular todos os dados por tempo indeterminado. É preciso preservar os dados necessários para revisão e, ao mesmo tempo, controlar o uso para outros fins e o acesso.

Mesmo que o equipamento seja preciso, será difícil confiar na conclusão se os limites do sistema ou a linha de base forem inadequados. E mesmo que os cálculos estejam corretos, a possibilidade de verificação será limitada se faltarem dados originais e histórico de alterações. Precisão e rastreabilidade não substituem uma à outra. É preciso examinar tanto a qualidade dos valores medidos quanto o processo pelo qual eles levam à conclusão.

O relato (R) registra o contexto e os cálculos. Documenta todo o processo, desde as regras usadas para tratar os dados originais até a conclusão obtida. Isso inclui como os dados ausentes foram preenchidos, quais critérios foram usados para excluir valores atípicos, que versão de qual modelo foi utilizada e como a incerteza foi estimada. A qualidade de um relatório é avaliada pela possibilidade de reproduzir os resultados, e não pelo brilho das conclusões.

O controle de qualidade (QC) é a atividade de verificar a consistência, a completude e os erros durante a coleta e a estimativa dos dados. A garantia da qualidade (QA) inclui a análise de se o sistema e os resultados atendem aos objetivos de qualidade definidos. A prevenção na etapa de planejamento, as verificações durante a execução e a revisão dos resultados devem se complementar. As funções e os procedimentos específicos devem seguir as diretrizes aplicáveis; não se deve reduzir a QA apenas à prevenção nem o QC apenas à correção posterior.

Regras para tratar dados ausentes. Deve-se definir com antecedência o que fazer quando houver dados ausentes: interpolar linearmente, excluir o intervalo ou substituí-lo por um valor conservador? Se a decisão for tomada depois, o método poderá ser escolhido em função dos resultados.

As regras para valores atípicos também devem ser definidas com antecedência. Distinga valores fora dos limites físicos daqueles que são estatisticamente raros e preserve os dados originais, indicando os motivos das exclusões. Se os critérios forem alterados depois de se conhecerem os resultados, explique quando isso ocorreu e qual foi o impacto na análise.

Anotar apenas o nome do equipamento não garante a reprodutibilidade. A frase “medido com GreenFeed” representa apenas uma pequena parte das informações necessárias para reproduzir o processo. Sem especificar quantas visitas por dia foram consideradas válidas, qual foi a duração mínima de cada visita e como foi feito o ajuste da taxa de recuperação, não é possível comparar os resultados com os de outras pesquisas. Manter juntos os detalhes do protocolo e os registros da execução real é essencial para a QA/QC.

Condições e limites da aplicação no campo

Imagine que dois relatórios do mesmo período tenham sido elaborados e indiquem quantidades diferentes de redução. Talvez os fatores de calibração ou o método de tratamento dos dados ausentes tenham mudado. Deve ser possível verificar quais entradas foram alteradas, quando isso aconteceu e quais períodos foram afetados. Se apenas o arquivo de resultados tiver sido preservado, será difícil distinguir uma melhoria, um erro e uma alteração inadequada.

Dados de qualidade reúnem adequação ao objetivo e rastreabilidade. Mesmo que seja possível reproduzir o mesmo cálculo, um viés comum nos dados de entrada pode levar a um resultado incorreto. A possibilidade de verificação não substitui a exatidão; ela permite que outras pessoas avaliem a exatidão e o escopo de aplicação.

As quantidades de redução de emissões dependem tanto da rastreabilidade metrológica da medição quanto da rastreabilidade dos cálculos. Os valores medidos são vinculados a referências por meio de uma cadeia de calibração documentada e da incerteza; os dados de atividade e os fatores de emissão ou modelos são rastreados até o resultado final por suas fontes, versões e condições de aplicação. Nem toda quantidade de redução de emissões vem de uma única medição direta. Quem revisa deve verificar tanto se os cálculos podem ser reproduzidos quanto se os dados e métodos utilizados são adequados à alegação.

Também é comum haver um equívoco sobre o momento da verificação. Se ela for considerada apenas o carimbo final na tabela de resultados, será tarde demais. A verificação deve ser a primeira pergunta do desenho do projeto. É preciso saber o que deverá ser verificado para decidir o que registrar. Se dissermos “vamos pedir a verificação agora” depois que o projeto terminar, geralmente os registros necessários não terão sido mantidos.

Método do gás traçador. A renovação do ar é estimada com base em uma taxa de liberação conhecida ou no padrão de diminuição da concentração. Os resultados variam conforme a semelhança entre a mistura e o transporte do gás traçador e do gás-alvo e conforme o tratamento da concentração de fundo. O nome do método, por si só, não garante precisão.

Evidências necessárias para a análise de investimento

Os investidores devem distinguir entre a afirmação de que os dados estão armazenados e a de que é possível revisá-los. É necessário verificar os direitos de acesso de revisores qualificados, as versões das regras de processamento e os procedimentos de recuperação e reprodução. Mesmo os dados que não são divulgados publicamente podem ser organizados para permitir as revisões necessárias, respeitando a segurança e as condições contratuais.

A linhagem dos dados é o caminho que mostra quais dados originais e transformações geraram o valor final. Registre as conversões de unidade, ajustes, filtragens e regras de agregação, juntamente com o equipamento, o canal e o horário de geração. Registre também quem executou e aprovou o processo e o que foi alterado posteriormente, e por quê. A existência dos dados originais e a possibilidade de um revisor qualificado verificar novamente o processamento são condições que devem ser examinadas em conjunto.

Se a linhagem dos dados for insuficiente, será difícil para quem revisa verificar como os números foram produzidos, e a aceitação dos dados poderá ser limitada conforme a finalidade de uso. O período de retenção dos dados originais e do histórico de alterações deve ser definido de acordo com os requisitos do sistema aplicável, do contrato e da privacidade. Os dados que precisam ser preservados não devem ser sobrescritos arbitrariamente, mas não se deve adotar como princípio a retenção de todos os dados por tempo indeterminado.

Critérios a manter na avaliação

A rastreabilidade não substitui a exatidão. Ela permite que outras pessoas avaliem a adequação dos dados de entrada e o percurso dos cálculos. Os dados originais, os registros e os direitos de revisão precisam estar conectados para que seja possível explicar o significado do valor final e os motivos das alterações.

Sobre o autor

Bongjun Lee concluiu a pós-graduação em Gestão de Tecnologia (MOT) da Sogang University. Trabalhou durante 27 anos no setor de medição de gases, incluindo 7 anos na Infitron Co., Ltd. e 20 anos na Honeywell, atuando como engenheiro de serviços, em vendas técnicas e na gestão de canais. Atualmente, como fundador da AI Safety Korea Co., Ltd., pesquisa o monitoramento de metano na pecuária com o uso de sensores, IA e análise de dados, bem como sistemas de medição, relato e verificação (MRV).