Datakvalitet og tilgjengelighet i forsyningsdata: små feil, store utslag

I eiendomsforvaltning er ikke data bare pynt. Det er et verktøy som gjør styring mulig og rapportering troverdig. En ujevn excel-fil fra en leverandør eller et hull i tidsserien kan slå ut i budsjett, KPI-er og ESG-rapportering. «You can’t manage what you don’t measure» er klisje av en grunn. Uten pålitelige, tilgjengelige data blir beslutninger tregere og mindre presise. Når tallene brukes i dialogen med banker, investorer og leietakere, kan svak datakvalitet bli fort en risikofaktor, operasjonelt og finansielt.

Hva vi mener med kvalitet og tilgjengelighet

Når vi snakker om datakvalitet, mener vi riktig granularitet (som varierer med datatypen, f.eks. energi, vann, avfall), enhetskontroll, fullstendige tidsstempler, tydelig merking av estimater gir et revisjonsspor fra rådata til nøkkeltall. Tilgjengelighet handler om hvor enkelt det er å hente, organisere og automatisere dataflyten på tvers av bygg, systemer, sensorer og leverandører, uten å låse seg til manuelle klipp-og-lim øvelser. Når disse to henger sammen, kan det samme datagrunnlaget drive både daglig styring og ESG-rapportering. Når de ikke gjør det, øker friksjon, tidsbruk og sannsynligheten for feil.

Selv i Norge er hverdagen ofte mer manuell enn vi skulle ønske. Mange avfallsleverandører leser av manuelt og sender tall på mail etter forespørsler, eller utydelige Excel-filer. Vannforbruk kan fortsatt baseres på manuelle avlesninger med årlige intervaller eller til og med stipulerte verdier. Konsekvensen er lav eller manglende granularitet, og en frekvens som ikke støtter løpende styring. Uten times- eller i det minste stabil døgn-/ukesfrekvens er det vanskelig å oppdage overforbruk eller lekkasjer tidlig, se effekten av tiltak eller drive enkel feilsøking. For eksempel: Ett datapunkt per år gir bare overordnet innsikt for å sammenligne mellom år eller eiendommer; det sier lite om forbruket var jevnt, om det toppet om vinteren eller sommeren, eller hvordan mønsteret var i helgene.

I praksis blir datavask og sammenstilling et miniprosjekt hver måned. Hver gang filer flyttes og formater endres, øker risikoen for feil i enheter, desimaler og tidsstempler, og revisjonssporet blir svakt.

Data som lønner seg: i drift og i rapporter

Forskningen er tydelig: bedre datakvalitet og tilgjengelighet gir målbare driftsgevinster. Smart Energy Analytics Campaign fant at energioppfølgingssystem (EOS) ga omtrent 3% median årlige energibesparelser, mens feildeteksjon og diagnostikk ga omtrent 9%, ofte med enkel tilbakebetaling rundt to år når data brukes systematisk (Granderson et al., 2020; Lin et al., 2022). I tillegg viser en studie fra Enova at et  EOS erfaringsmessig gir besparelser på 3–5 % (av og til mer), fordi feil i drift og tekniske anlegg avdekkes tidlig.

For rapportering virker de samme prinsippene. Når energi, vann og avfall har definert granularitet, rene enheter og robuste metadata, blir utslippsberegninger, intensiteter per m² og leietakerfordeling repeterbare og etterprøvbare. ESRS1 legger vekt på kvalitative egenskaper som relevans, troverdig framstilling, sammenlignbarhet og verifiserbarhet, altså at tallene kan underbygges og følges gjennom et klart revisjonsspor (EFRAG/EC, 2023). ESMA har også pekt ut første gangs anvendelse av ESRS som et fokusområde og fremhever behovet for klare, sammenlignbare og verifiserbare opplysninger (ESMA, 2024). Dermed kan dere gjenbruke samme datagrunnlag fra driften inn i ESG-rapporteringen, i stedet for å bygge en parallell «Excel-virkelighet» som skaper dobbeltarbeid.

ESRS1 (Generelle krav) er bruksanvisningen for EUs bærekraftsrapportering (CSRD)
ESMA er EUs verdipapirtilsyn og markedstilsynsmyndigheten

Når data er på plass: mer tid til prosess og styring

Usikkerhet i data er krevende å håndtere. Når man ikke er trygg på at data stemmer, blir optimalisering vanskelig. Når dataflyten er på plass, kan forvaltere fokusere på å forbedre prosesser og styring. Mindre tid går til datainnhenting, rensing og formatering, og mer kapasitet frigjøres til justere setpunkter og andre enkle tiltak som å skru av gatevarmen utenom vinterstid. I stedet for å «jage tall» hver måned kan teamet jobbe med varige forbedringer og prioritere der effekten er størst. Med et robust datagrunnlag flytter verdiskapingen seg fra Excel til eiendommen. Resultatet er lavere OPEX, færre revisjonsspørsmål og mer troverdige ESG-tall som holder over tid.

Slik gjør Varig det håndterbart

Her kommer Varig inn. Plattformen er bygget for kommersiell eiendom og gjør det enkelt å organisere data for både styring og bærekraftsrapportering. Varig kobler seg på målere og henter data fra energi-, vann-, og andre leverandører. Der API mangler, tar vi imot Excel/PDF og legger dem inn i samme automatiseringsflyt. Eventuelle estimeringer kan flagges, og hele kjeden fra rådata til KPI har revisjonsspor, slik at man kan stole på dataen og innsikten en får, og det kan styres og rapporteres med selvtillitt.

Det som ofte er krevende i forvaltning, er rettferdig fordeling og kontekst. Varig speiler porteføljen din som bygg, leietakere og målepunkter. Når en undermåler legges til, vet systemet hva den «hører til» og hvordan forbruk skal fordeles. Drift, forvaltning, økonomi, eiere og leietakere kan se den samme sannheten med rollebasert tilgang, slik at oppfølging, tiltak og rapportering skjer i ett og samme datagrunnlag. For ESG betyr det at intensiteter, utslippsfaktorer og dokumentasjon trekkes direkte fra driftsdata, uten manuelle mellomsteg. For styring betyr det at «før–etter» er tilgjengelig uten ekstra ad hoc-arbeid.

I en hverdag med ujevne datakilder er kanskje den viktigste gevinsten at Varig lar dere starte nå. Dere kan få kontroll på kvalitet og sporbarhet, og samtidig planlegge overgangen til mer sanntidsnære kilder der det er mulig. Når datakvalitet møter tilgjengelighet, blir styringen enklere, tiltakene mer treffsikre og rapporteringen forutsigbar.

Veien videre

Begynn å samle data systematisk, gi den en fast rytme, og la ett system være dataryggen for både drift og rapportering. Sett et minimum for frekvens per datakilde (månedlig eller ukentlig), prioriter undermåling der effekten er størst, og normaliser alltid for areal, driftstid og graddager ved sammenligning. Når du kan lene deg på samme datagrunnlag i Varig, blir forbedringer enklere å oppdage, enklere å dokumentere og enklere å forsvare, uke for uke.

Vil dere vite mer om datakvalitet? Ta kontakt med Vladimir Makhno

Referanser

Granderson, J., Kramer, H. (2020). Proving the Business Case for Building Analytics. Lawrence Berkeley National Laboratory. https://smartenergyanalytics.org/assets/EMIS%20Report.pdf

Lin, G., Granderson, J.  (2022). Building Analytics Tool Deployment at Scale: Benefits, Costs, and Deployment Practices. Energies, 15(13), 4858. https://www.mdpi.com/1996-1073/15/13/4858

EFRAG/EC. (2023). ESRS 1 – General requirements (Delegated Act). https://www.efrag.org/sites/default/files/media/document/2024-08/ESRS%201%20Delegated-act-2023-5303-annex-1_en.pdf

ESMA. (2024). Public Statement – Off to a good start: first application of ESRS by large issuers. https://www.esma.europa.eu/sites/default/files/2024-07/ESMA32-992851010-1597_-_ESRS_Statement.pdf