Préparation des rapports CSRD : mise en œuvre d'une architecture de données ESG dans un environnement réglementaire en mutation

Alors que la première année de publication de la taxonomie de l'UE s'achève et que les organisations se préparent à se conformer à la directive sur les rapports sur le développement durable des entreprises (CSRD), une leçon cruciale est apparue : la collecte et la standardisation efficaces des données ESG sont primordiales. Les entreprises rencontrent souvent des difficultés pour consolider les données ESG provenant de divers systèmes informatiques (ERP, finances, ressources humaines, comptabilité carbone, etc.), ce qui entraîne des incohérences entre les entités et les niveaux organisationnels. Pour résoudre ces problèmes de qualité des données, il est devenu crucial d'adopter un système capable de collecter et de standardiser les données ESG dans un modèle de données unifié. Cet article explore les avantages de la mise en œuvre d'une bibliothèque de données ESG alimentée par une architecture Data Lake pour relever ces défis.

Plateformes de gestion des données : Entrepôt de données, Data Lake, Data Lakehouse

Avec l'essor des services d'hébergement dans le cloud et la quantité croissante de données à stocker, les entreprises ont tendance à être submergées de données et confrontées à des problèmes de qualité des données. Il est apparu nécessaire pour eux de centraliser, de synthétiser et de nettoyer les données avant de pouvoir transformez-le en informations exploitables. Des plateformes de gestion des données ont été développées pour répondre à ce besoin.

Avant d'explorer comment le concept de lac de données s'applique aux données ESG, nous allons d'abord explorer ce que l'on entend par les différents termes « entrepôt de données », « lac de données » et « lac de données ».

Entrepôt de données

Les entrepôts de données sont utilisés par les organisations en tant que référentiel unifié pour stocker des ensembles de données provenant de différentes sources, mais ceux-ci ne peuvent prendre en charge que des données structurées. Les données structurées utilisent le langage de programmation SQL (Structured Query), sont stockées dans des bases de données relationnelles SQL et sont facilement accessibles via des applications telles que la planification des ressources d'entreprise (ERP). Les données étant déjà structurées, les entrepôts de données sont facilement accessibles pour des analyses ad hoc par les utilisateurs professionnels.

Lac de données

Un lac de données permet de stocker et de gérer de grandes quantités de données structurées, mais également semi-structurées (c'est-à-dire : CSV, JSON, XML) et non structurées dans un format brut naturel (c'est-à-dire Word, PDF, images). Les données sont copiées « telles quelles » de la source vers le lac de données, puis transformées en fonction de ce qui doit être analysé. Les lacs de données profitent généralement aux data scientists et aux ingénieurs qui peuvent travailler avec les données sous leur forme brute pour obtenir de nouvelles informations.

Data Lakehouse

Le type d'architecture de gestion des données le plus récent est appelé data lakehouse: il combine la structure robuste et les fonctionnalités de gestion des données d'un entrepôt de données avec les fonctionnalités de stockage, d'évolutivité et de flexibilité à faible coût d'un lac de données. Les data lakehouses sont d'excellentes plateformes pour les outils avancés d'analyse, d'apprentissage automatique et de science des données.

Bien que le data lakehouse offre les fonctionnalités les plus avancées, en fonction des exigences de reporting des entreprises et de la complexité des sources de données, l'une ou l'autre de ces solutions peut être appliquée à un système de gestion des données ESG. Aux fins de cet article, les termes lac de données et lac de données seront utilisés de manière interchangeable.

Lacs de données et rapports ESG

Garantir la qualité, l'intégrité et la cohérence des données

Les exigences de l'UE en matière de rapports sur la finance durable pour les entreprises, à savoir la CSRD et la taxonomie de l'UE, constituent un ensemble de réglementations particulièrement complexes. Avec plus de 3 700 points de données ESG qui doivent être déclarés et proviennent d'une grande variété de sources, la collecte et l'organisation d'un volume d'informations aussi important nécessitent des efforts et des ressources considérables. Les lacs de données offrent une solution à ces défis en garantissant la qualité des données, en vérifiant leur intégrité et en corrigeant les éventuelles lacunes ou incohérences.

Les lacs de données peuvent prendre en charge divers types de données ESG, allant des données structurées sur les employés provenant d'un logiciel dédié aux données de consommation d'énergie non structurées dans différents formats, tels que des documents PDF. Les données ESG brutes peuvent également être extraites de capteurs de l'Internet des objets (IoT), qui surveillent la consommation d'énergie ou la gestion des déchets. Certains des indicateurs de performance clés doivent être inclus dans les rapports CSRD. Ces données d'entrée non assorties, rendues anonymes si nécessaire, sont nettoyées et normalisées dans le lac de données, par le biais de processus manuels, semi-automatisés ou automatisés.

Émission de rapports prêts à être audités

Les données sont ensuite mises en correspondance avec le modèle de données ESG de la plateforme de reporting, conçu pour fournir les indicateurs clés de performance (KPI) ESG pertinents correspondant aux points de données réglementaires. Les mises à jour de la réglementation ou les futures exigences en matière de rapports peuvent facilement être prises en compte et doivent simplement être recoupées avec le modèle de données d'entrée existant, évitant ainsi la duplication des travaux de collecte et d'ingestion des données.

L'architecture Data Lake garantit une traçabilité complète des KPI ESG, permettant aux entreprises de suivre les données jusqu'à leurs systèmes sources et améliorant la transparence et l'auditabilité. Cette fonctionnalité de piste d'audit est essentielle pour se conformer à l'exigence d'assurance limitée de la CSRD.

Pour en savoir plus sur la CSRD, consultez notre article dédié sur le L'essentiel de la CSRD.

Application des lacs de données au CSRD : un cas d'utilisation des données RH

Alors que la CSRD impose à près de 50 000 entreprises de publier un rapport de développement durable soumis à une assurance limitée, les KPI ESG à déclarer et leur format sont détaillés dans les normes européennes d'information sur le développement durable (ESRS). Le la dernière version de l'ESRS a été publiée début juin, et les autres normes sont attendues en 2024. Dans cette section, nous expliquerons comment un lac de données répond aux défis des cadres réglementaires qui sont constamment mis à jour ou complétés au fil du temps.

Pour illustrer cela, examinons certains des indicateurs de performance clés des ressources humaines (RH) à déclarer dans le cadre de l'ESRS S1 (pilier « social »). Les données RH proviennent généralement de diverses sources de données structurées (ERP, systèmes RH spécialisés), semi-structurées (listes d'employés au format Excel) et non structurées (CV, fiches de paie au format PDF) au sein d'une organisation. En outre, différentes entités au sein d'un même groupe de sociétés peuvent utiliser des systèmes de classification distincts, ce qui entraîne une disparité des données.

Si nous examinons de plus près l'exemple de l'écart salarial entre les femmes et les hommes, divulgué dans le cadre de l'ESRS S1, les listes d'employés par sexe, fonction et niveau de salaire peuvent provenir de différentes sources et sous différents formats. Outre l'utilisation de divers systèmes RH, les entreprises doivent également rendre compte en suivant différentes méthodologies basées sur les exigences nationales. La bibliothèque de données ESG les transforme en une liste mondiale standardisée d'employés par sexe, fonction et échelle salariale. Ces données sont intégrées dans un modèle de données construit à partir des modèles de rapports ESRS, en utilisant ici la méthodologie appropriée de calcul de l'écart de rémunération entre hommes et femmes décrite dans l'ESRS S1.

Le travail accompli pour fournir un modèle de données d'entrée unifié et validé pourra être mis à profit à l'avenir pour d'autres obligations de déclaration, à savoir : le deuxième ensemble de normes ESRS sectorielles, les nouvelles réglementations de l'UE et d'autres cadres internationaux que l'entreprise peut choisir/avoir besoin de rendre compte. Si, par exemple, une exigence de divulgation du pourcentage de personnes LGBTQ+ dans la direction est ajoutée, le modèle de données existant peut facilement être étendu : les propriétaires des données commerciales concernés ajoutent simplement un nouveau champ dans la bibliothèque de données ESG avec inclusion automatique dans la divulgation du cadre.

Une étape supplémentaire : mise en œuvre d'une solution de données ESG pour la Business Intelligence (BI) et l'intelligence artificielle (IA)

Nous avons constaté que les modèles de données ESG fournissent une architecture de gestion des données qui soutient les entreprises sur le long terme, qu'elles soient confrontées à des changements organisationnels ou à de nouvelles exigences de divulgation. Au-delà de la conformité ESG, les solutions de données offrent des outils plus complets pour aider à transformer une entreprise. Le fait de disposer de données ESG structurées permet aux entreprises de connecter de manière fluide leurs outils de Business Intelligence (BI) afin d'obtenir des informations exploitables qui améliorent les décisions commerciales. En plus d'utiliser des outils d'intelligence artificielle (IA) intégrés, ils peuvent proposer des analyses ESG prédictives et des cas d'utilisation avancés. Cela peut être encore activé à l'aide de l'extraction de preuves par apprentissage automatique (ML) à partir de documents PDF.

Au fur et à mesure que les organisations élaborent leur stratégie de transition, elles peuvent utiliser la solution de données pour modéliser des objectifs de durabilité à court et à long terme, aligner les initiatives sur l'ensemble de leurs opérations et prendre des décisions éclairées sur la base d'une compréhension intégrée des critères ESG, des finances et des opérations.

Alors que la CSRD oblige les entreprises à réévaluer leur approche en matière de reporting ESG, les résultats positifs de la rationalisation des rapports CSRD sont multiples : engagement accru des parties prenantes, confiance des investisseurs et avantage concurrentiel.

La bibliothèque de données ESG de Greenomy : un modèle complet de collecte de données pour les rapports CSRD

La mise en œuvre d'une bibliothèque de données ESG offre une solution complète aux défis liés à la collecte et à la standardisation des données pour les rapports sur le développement durable. Cette architecture garantit la flexibilité, l'intégrité et la traçabilité des données tout en permettant une adaptabilité future. En tirant parti des capacités des lacs de données, les organisations peuvent non seulement répondre aux exigences réglementaires, mais également prendre des décisions transformatrices et atteindre leurs objectifs de durabilité.

Consciente de la nécessité pour les entreprises de disposer d'une plateforme centralisée pour la gestion des données et les rapports réglementaires, Greenomy a développé sa bibliothèque de données ESG, intégrée au frontend du portail de l'entreprise. La plateforme vous permet d'alimenter le modèle de données avec des données granulaires provenant de votre système, via des modèles d'importation prédéfinis personnalisables ou via nos plus de 100 connecteurs de données provenant de vos systèmes informatiques. Une fois l'ESRS de la CSRD mappé dans une interface conviviale, nous vous guidons ensuite tout au long de votre exercice de reporting afin de publier votre rapport CSRD prêt à être divulgué et audité. Greenomy travaille avec ses partenaires consultants en données pour intégrer son modèle de données dans votre environnement informatique existant.

En outre, notre solution a été récompensée par la deuxième place du SWIFT Innotribe Hackathon 2023, le premier prix SWIFT pour le développement durable au SIBOS en 2022 à Amsterdam et le premier prix à Milan en 2021 lors du concours TechSprint du G20 pour les solutions de financement durable.

Contactez nos experts en données ESG pour découvrir comment Greenomy peut vous aider à rationaliser nos rapports de taxonomie CSRD/UE.