Vorbereitung auf die CSRD-Berichterstattung: Implementierung einer Data Lake-Architektur in einem sich wandelnden regulatorischen Umfeld

Die fortlaufenden Änderungen im Rahmen der CSRD und die neueste Vorstellung des ESRS-Entwurfs geben uns einen Einblick in die zukünftigen ESG-Berichtsstandards der EU. Diese Standards werden voraussichtlich immer anspruchsvoller. In diesem Beitrag betrachten wir, wie Data Lakes Unternehmen helfen können, ihre ESG-Informationen in einem dynamischen regulatorischen Kontext zu organisieren.

Während das erste Jahr der EU-Taxonomie-Berichterstattung zu Ende geht und sich die Unternehmen auf die Richtlinie zur Nachhaltigkeitsberichterstattung (CSRD) vorbereiten, hat sich eine wichtige Erkenntnis herauskristallisiert: Die effiziente Erfassung und Standardisierung von ESG-Daten ist von größter Bedeutung. Unternehmen stoßen bei der Konsolidierung von ESG-Daten aus verschiedenen IT-Systemen (ERP, Finanzwesen, Personalwesen, Kohlenstoffbilanzierung usw.) häufig auf Schwierigkeiten, was zu Unstimmigkeiten zwischen den einzelnen Einheiten und Organisationsebenen führt. Um diese Probleme mit der Datenqualität zu lösen, ist die Einführung eines Systems, das ESG-Daten in einem einheitlichen Datenmodell erfassen und standardisieren kann, unerlässlich geworden. In diesem Artikel werden die Vorteile der Implementierung einer Data Lake-Architektur zur Bewältigung dieser Herausforderungen untersucht.

Datenmanagement-Plattformen: Data Warehouse vs. Data Lake vs. Data Lakehouse

Die wachsende Datenflut, verstärkt durch Cloud-Hosting-Services, hat Unternehmen vor die Herausforderung gestellt, Daten effektiv zu verwalten und zu analysieren. Um diesem Bedarf gerecht zu werden, sind verschiedene Datenmanagement-Plattformen entstanden.

Bevor wir untersuchen, wie sich das Konzept eines Data Lake auf ESG-Daten anwenden lässt, werden wir zunächst klären, was mit den verschiedenen Begriffen „Data Warehouse“, „Data Lake“ und „Data Lakehouse“ gemeint ist.

Data Warehouse

Data-Warehouses werden von Unternehmen als einheitliches Repository zur Speicherung von Datensätzen aus verschiedenen Quellen verwendet, können aber nur strukturierte Daten unterstützen. Strukturierte Daten verwenden die Programmiersprache für strukturierte Abfragen (SQL), werden in relationalen SQL-Datenbanken gespeichert und sind über Anwendungen wie Enterprise Resource Planning (ERP) leicht zugänglich. Da die Daten bereits strukturiert sind, sind Data Warehouses für Ad-hoc-Analysen durch Geschäftsanwender leicht zugänglich.

Data Lake

Data Lakes bieten die Möglichkeit, eine Mischung aus strukturierten, halbstrukturierten und unstrukturierten Daten zu speichern. Sie behalten die Daten in ihrem ursprünglichen Format bei und ermöglichen Datenexperten, direkt mit diesen Rohdaten zu arbeiten, um wertvolle Einsichten zu erhalten.

Data Lakehouse

Die neueste Art der Datenverwaltungsarchitektur wird Data Lakehouse genannt:

Das Data Lakehouse-Konzept kombiniert die besten Eigenschaften von Data Warehouses und Data Lakes. Es bietet eine robuste Datenstruktur und gleichzeitig die Flexibilität und Skalierbarkeit eines Data Lake. Sie sind ideal für fortgeschrittene Datenanalysen und maschinelles Lernen.

Während das Data Lakehouse die fortschrittlichsten Funktionen bietet, kann je nach den Berichtsanforderungen des Unternehmens und der Komplexität der Datenquellen jede dieser Lösungen auf ein ESG-Datenmanagementsystem angewendet werden. Für die Zwecke dieses Artikels werden die Begriffe Data Lake und Data Lakehouse synonym verwendet.

*Quelle: Databricks: https://greenomy.io/blog/data-lake-csrd-reporting

Data Lakes und ESG-Berichterstattung

Sicherstellung von Datenqualität, -integrität und -konsistenz

Die komplexen EU-Vorschriften für nachhaltige Finanzberichterstattung, insbesondere CSRD und EU-Taxonomie, erfordern eine präzise Datenverwaltung. Mit Tausenden von ESG-Datenpunkten, die aus unterschiedlichen Quellen stammen, bieten Data Lakes eine effektive Lösung, um Datenqualität und -integrität zu gewährleisten und mögliche Datenlücken zu schließen.

Data Lakes können verschiedene Arten von ESG-Daten aufnehmen, von strukturierten Mitarbeiterdaten aus einer speziellen Software bis hin zu unstrukturierten Energieverbrauchsdaten in verschiedenen Formaten, wie beispielsweise PDF-Dokumenten. ESG-Rohdaten können auch von Internet-of-Things (IoT)-Sensoren bezogen werden, die den Energieverbrauch oder das Abfallmanagement überwachen – einige der KPIs, die in die CSRD-Berichterstattung aufgenommen werden sollen. Diese unsortierten und bei Bedarf anonymisierten Eingabedaten werden durch manuelle, halbautomatische oder automatisierte Prozesse bereinigt und im Data Lake standardisiert.

Erstellung prüfungsreifer Berichte

Die Daten werden dann dem ESG-Datenmodell der Meldeplattform zugeordnet, das so aufgebaut ist, dass die relevanten ESG-KPIs (Key Performance Indicators) mit den regulatorischen Datenpunkten übereinstimmen. Aktualisierungen der Vorschriften oder künftige Berichterstattungsanforderungen können problemlos berücksichtigt werden. Sie müssen lediglich mit dem bestehenden Eingabedatenmodell abgeglichen werden, wodurch eine doppelte Datenerfassung und -eingabe vermieden wird.

Durch die Zuordnung der Daten zu einem spezifischen ESG-Datenmodell können Unternehmen sicherstellen, dass ihre Berichte den regulatorischen Anforderungen entsprechen. Die Data Lake-Architektur ermöglicht eine klare Nachverfolgung der Datenquellen, was die Transparenz und Überprüfbarkeit der Berichte erhöht.

Implementierung von ESG Data Lakes für Business Intelligence (BI) und künstliche Intelligenz (AI)

Wir haben gesehen, dass ESG-Datenseen eine Datenmanagement-Architektur bieten, die Unternehmen langfristig unterstützt, unabhängig davon, ob sie organisatorische Veränderungen durchlaufen oder mit neuen Offenlegungspflichten konfrontiert sind. Über die ESG-Compliance hinaus bieten Data Lakes umfassendere Tools, die zur Transformation eines Unternehmens beitragen. Strukturierte ESG-Daten ermöglichen es Unternehmen, ihre Business Intelligence (BI)-Tools nahtlos zu verbinden, um umsetzbare Erkenntnisse zu gewinnen, die Geschäftsentscheidungen verbessern. Außerdem können sie mit integrierten Tools für künstliche Intelligenz (KI) prädiktive ESG-Analysen und erweiterte Anwendungsfälle anbieten. Dies kann durch maschinelles Lernen (ML) bei der Extraktion von Beweisen aus PDF-Dokumenten noch weiter unterstützt werden.

Während Unternehmen an ihrer Übergangsstrategie arbeiten, können sie das Datenmodell nutzen, um sowohl kurz- als auch langfristige Nachhaltigkeitsziele zu modellieren, Initiativen in allen Geschäftsbereichen abzustimmen und fundierte Entscheidungen auf der Grundlage eines integrierten Verständnisses von ESG, Finanzen und Betrieb zu treffen.

Fazit

In einer Zeit, in der die regulatorischen Anforderungen an die ESG-Berichterstattung immer komplexer werden, ist es für Unternehmen unerlässlich, über eine robuste und flexible Datenmanagement-Infrastruktur zu verfügen. Data Lakes und Data Lakehouses bieten eine effiziente Lösung für die Herausforderungen der Datenkonsolidierung, -qualität und -integrität. Doch die Implementierung und Verwaltung solcher Systeme erfordert spezialisiertes Wissen und Erfahrung.

Hier kommt Pexon Consulting ins Spiel. Mit unserer Expertise in der digitalen Transformation und tiefem Verständnis für Datenmanagement und -analyse sid wir der ideale Partner für Unternehmen, die sich auf die zukünftigen ESG-Berichtsanforderungen vorbereiten möchten. Ob es darum geht, die richtige Datenarchitektur zu wählen, Datenquellen zu integrieren oder fortschrittliche Analysetools zu implementieren – wir bietet maßgeschneiderte Lösungen, die auf die spezifischen Bedürfnisse und Herausforderungen jedes Unternehmens zugeschnitten sind.