Vamos pensar em situações em que os números aparecem claramente na tela, mas as decisões no campo não mudam. Isso pode acontecer quando não está definido quem deve fazer o quê diante de determinado valor. No capítulo 9 de Tecnologia e soluções para comprovar a redução de carbono, Carbon Intelligence é um conceito prático que conecta dados de carbono às decisões operacionais e de investimento. Ao analisar uma plataforma de gestão de carbono, espero que você também observe essa conexão.

O que vale a pena distinguir primeiro no livro

Quando começamos pelas decisões operacionais, ficam claras as unidades e a frequência dos dados necessários. Se observarmos uma anomalia que exige ação diária apenas pela média anual, talvez seja tarde; e também não há motivo para coletar em tempo real tudo o que é necessário para um relatório anual. Defina a frequência dos dados de acordo com a finalidade e o custo. Ao conectar os indicadores de uma fazenda aos de uma empresa compradora, é preciso verificar as definições dos itens, os períodos e os direitos de acesso. Reutilizar dados já registrados é conveniente, mas devemos distinguir conclusões diferentes para que não sejam explicadas pelo mesmo número.

Primeiro, vamos rever os limites do termo. Carbon Intelligence não é o nome de uma norma internacional nem de um sistema de certificação. Neste livro, o termo é usado como conceito analítico para descrever uma estrutura prática que conecta dados de carbono a custos, riscos, produtividade e decisões de políticas. O termo, por si só, não significa superioridade tecnológica nem verificação concluída.

Os dados de carbono da pecuária podem ser estruturados em dados de atividade, dados ambientais e operacionais e dados de medição de precisão. Essa divisão distingue finalidades e formas de coleta; ela não estabelece automaticamente uma hierarquia de confiabilidade. É preciso avaliar a qualidade e o escopo de aplicação de cada dado e verificar como erros e incertezas se propagam durante a combinação.

O consumo de ração, a composição da mistura, o ganho de peso e os dias de criação podem ser usados em conjunto na avaliação da produtividade e na estimativa das emissões. Registrar uma vez os dados de entrada comuns e compartilhar o histórico de alterações pode ajudar a reduzir trabalho duplicado. No entanto, como os limites, denominadores e períodos de agregação dos dois cálculos podem ser diferentes, deve ser possível rastrear as razões para resultados distintos.

Quando o fornecimento de dados e o trabalho de verificação se conectam, podem surgir riscos de autorrevisão ou pressão comercial. Em vez de olhar apenas os nomes das funções ou o organograma, examine as relações de receita, a autoridade de revisão e eventuais pedidos para alterar resultados. Em projetos que exigem verificação por terceiros, a independência e a qualificação devem ser confirmadas separadamente, conforme os requisitos aplicáveis.

A melhoria da qualidade dos dados pode ajudar as decisões públicas, mas esse benefício não se transfere automaticamente para a receita do fornecedor. Defina os trabalhos cobertos por recursos públicos e os remunerados por clientes privados, além de responsabilidades para evitar cobranças duplicadas e conflitos de direitos.

Para avaliar se há demanda recorrente por serviços de dados, é preciso verificar como os clientes os utilizam e quais contratos existem. A capacidade de produzir dados precisos é necessária, mas, por si só, não garante a intenção de compra. É preciso especificar a frequência e a qualidade da entrega, os direitos de acesso e as condições de transferência, além das condições para corrigir erros, renovar e encerrar o serviço. A conformidade regulatória, os relatórios da cadeia de suprimentos e a operação da fazenda exigem dados e momentos de decisão diferentes; por isso, o escopo e os custos do serviço também devem ser avaliados separadamente.

O que observar no campo

Imagine que os responsáveis por uma fazenda recebam um gráfico todos os dias. Para que isso leve a uma resposta, é preciso definir os critérios para alertar sobre anomalias, quem receberá o aviso e quais tarefas devem ser verificadas. Também devemos rever se alguma ação foi tomada após o alerta e qual foi o resultado. Trata-se de projetar a ligação entre as funções da tela e as ações no campo.

O apoio de campo, as atividades econômicas, as finanças e a verificação independente de uma organização cooperativa agrícola são funções distintas. É possível conectar a elaboração de registros, as compras coletivas e a capacitação, mas a autoridade para determinar o efeito final e decidir pagamentos deve ser verificada separadamente. É preciso projetar em conjunto a conveniência de usar os pontos de contato da organização, a neutralidade do fornecedor e os controles de conflitos de interesse. A confiança geral na organização não substitui evidências de resultados específicos de redução.

A especialização em pecuária e a equipe de dados podem variar entre cooperativas. Em vez de impor o mesmo trabalho a todas, verifique as capacidades existentes e separe as tarefas a serem realizadas diretamente daquelas que receberão apoio externo.

Os indicadores finais devem mostrar a classificação de qualidade e a origem. Sem isso, Carbon Intelligence se limita à combinação de dados, em vez de constituir um sistema responsável de tomada de decisão.

Papéis desejáveis. O bom papel das finanças não é transformar dados de redução em uma pontuação para filtrar fazendas, mas oferecer financiamento de longo prazo e instrumentos de mitigação de riscos para investimentos verificados em ventilação, refrigeração, mudança de ração e energia de emergência. Os seguros também devem priorizar indicadores causalmente pertinentes, como ondas de calor, falta de energia, doenças e resiliência da produtividade, em vez de indicadores de carbono.

O que podemos perguntar também na análise de investimentos?

Seria bom perguntar aos investidores que decisão concreta dos usuários mudou. Mais importante do que saber se instalaram mais equipamentos pode ser saber se os dados reduziram o trabalho repetitivo e a dificuldade de decidir. É claro que o próprio nome Carbon Intelligence não significa desempenho verificado nem certificação.

Na transferência dos dados, verifique os dados brutos e o dicionário de dados, os equipamentos e o histórico de calibração, as regras para tratar dados ausentes e valores atípicos e as versões dos modelos. Um teste que recrie, a partir dos dados brutos, os resultados do período acordado pode ajudar a avaliar a possibilidade de uso real. Também é preciso definir antecipadamente os dados e formatos a serem entregues no encerramento do contrato, os direitos de acesso e as condições de retenção e exclusão. A disponibilização da tela de um painel não deve ser considerada prova de que todos os dados necessários foram transferidos.

A solução não é romper a relação. É separar as responsabilidades. O fornecimento e o apoio em campo podem estar conectados, mas a amostragem, o cálculo dos efeitos, as decisões de pagamento e a verificação independente devem poder se fiscalizar mutuamente. Essa fiscalização não é o oposto da eficiência; é uma condição para que a eficiência se transforme em confiança.

Perguntas para levar ao fechar o livro

Ao explicar uma plataforma, em vez de começar pelos dados e acrescentar funções, tente raciocinar de trás para frente, partindo das decisões necessárias. Quando definimos o momento da decisão, a pessoa responsável e a qualidade exigida, os dados a coletar também ficam mais concretos. Espero que, junto com o livro, você encontre o caminho pelo qual os números são usados no trabalho.

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).