3 häufige Herausforderungen bei der Berechnung von CO₂-Fußabdrücken für Hunderte SKUs

Ein einzelner Product Carbon Footprint kann erheblichen manuellen Aufwand erfordern, insbesondere wenn Produkt- und Lieferantendaten erfasst, bereinigt und zugeordnet werden müssen. Multipliziert man das mit Hunderten von SKUs, mehreren Lieferantenebenen und Stücklisten (BOMs), die sich im Zeitverlauf ändern, wird die Herausforderung schnell zu einem Datenmanagementproblem – nicht nur zu einem Rechenproblem.

Das kann für Nachhaltigkeits-, Beschaffungs- und Fertigungsteams zu einer erheblichen Herausforderung werden. Kunden und Partner in der Lieferkette können Umweltdaten von Lieferanten anfordern, während Produktteams Kohlenstoffdaten nutzen können, um zu verstehen, wie Konstruktionsänderungen die Emissionen beeinflussen.

Für Unternehmen mit großen Produktportfolios werden tabellenbasierte Workflows schwer skalierbar, wenn die Zahl der Produkte, Datenquellen und Aktualisierungen steigt.

Die Berechnung von CO₂-Fußabdrücken für Hunderte SKUs bringt zusätzliche Herausforderungen bei Datenmanagement und Konsistenz mit sich, verglichen mit der Berechnung eines einzelnen Produkts. Hier sind drei zentrale Herausforderungen, die im großen Maßstab entstehen, und was bei ihrer Lösung helfen kann.

Ein Product Carbon Footprint (PCF) misst die Treibhausgasemissionen eines Produkts, ausgedrückt in CO₂e, über eine definierte Lebenszyklusgrenze. In der Fertigung kann das Emissionen von den Rohstoffen bis zur Produktionsstufe umfassen.

Für jede SKU können Materialien, Mengen, Lieferanten und andere Produktdaten unterschiedlich sein. Bei Hunderten von SKUs wird es deutlich schwieriger, diese Informationen konsistent zu verwalten.

Eine kleinere Zahl von PCFs lässt sich noch manuell bewältigen. Wird der Prozess jedoch auf Hunderte Produkte skaliert, steigt der repetitive Aufwand für Datenerfassung, Mapping, Berechnung und Prüfung.

Änderungen an Produktdaten können zudem eine Überprüfung oder Neuberechnung von PCFs erfordern, sodass ein großes Portfolio schwerer aktuell und korrekt zu halten ist.

Daraus ergeben sich drei zentrale Herausforderungen.

Eine der ersten Herausforderungen tritt oft schon vor der Emissionsberechnung auf: saubere, strukturierte Produktdaten an einem Ort zusammenzuführen.

Hunderte SKUs können Hunderte von Stücklisten oder BOM-Varianten bedeuten, die von verschiedenen Teams, in verschiedenen Tabellen und Versionen gepflegt werden. Diese Informationen in eine konsistente Struktur zu bringen, wird mit wachsendem Produktportfolio zunehmend schwieriger. BOMs liefern wichtige Material- und Mengendaten, die als Aktivitätsdaten in PCF-Berechnungen verwendet werden.

Lieferanten und interne Teams können unterschiedliche Vorlagen und Formate nutzen. Eine BOM listet Materialien etwa nach Gewicht, eine andere nach prozentualer Zusammensetzung, eine dritte nach Teilenummer mit wenigen Materialdetails. Diese Unterschiede manuell abzugleichen, erzeugt repetitiven Aufwand.

Im großen Maßstab werden Datenlücken schwerer zu managen. Ein Material kann ohne Lieferanten gelistet sein, einer Menge die Einheit fehlen oder einem Bauteil eine unvollständige Beschreibung. Solche Lücken können Vollständigkeit und Zuverlässigkeit der Daten beeinträchtigen – wichtige Aspekte der produktbezogenen THG-Bilanzierung.

Die Standardisierung von BOM-Strukturen und die Automatisierung von Import, Prüfung und Organisation der Produktdaten kann repetitive manuelle Vorbereitung reduzieren. Statt jede BOM manuell aufzubereiten, können Produktdaten hochgeladen und vor Beginn der Berechnung konsistent strukturiert werden.

Sobald die Produktdaten aufbereitet sind, müssen die relevanten Materialien, Komponenten und Aktivitäten mit passenden Emissionsdaten verknüpft werden. Ein Emissionsfaktor steht für Treibhausgasemissionen pro Einheit der im Berechnungsschritt verwendeten Aktivitätsdaten.

Dasselbe oder ein ähnliches Material kann bei verschiedenen Lieferanten und BOMs unter unterschiedlichen Namen erscheinen. Das „6061 Aluminium“ eines Lieferanten und die „Aluminiumlegierung, stranggepresst“ eines anderen können verwandte Materialinputs beschreiben. Daraus folgt jedoch nicht, dass derselbe Emissionsfaktor gilt; der passende Faktor hängt von Spezifikation und Produktionseigenschaften ab.

Ein einzelnes Produkt kann zahlreiche Material- und Komponentenpositionen enthalten. Ein Katalog mit Hunderten SKUs kann eine große Zahl solcher Positionen umfassen, von denen jede mit passenden Emissionsdaten verknüpft werden muss. Die richtige Wahl erfordert oft eine Einschätzung nach Material, Prozess, Geografie und Datenqualität.

Wenn das Mapping über Hunderte SKUs manuell erfolgt, steigt das Risiko inkonsistenter oder falscher Zuordnungen. Wird dieselbe falsche Zuordnung über mehrere SKUs hinweg wiederverwendet, pflanzt sich der Fehler im gesamten Portfolio fort.

Die Automatisierung der Zuordnung von Material zu Emissionsfaktor kann konsistente Mapping-Regeln über SKUs hinweg anwenden und repetitiven manuellen Aufwand reduzieren. Eine konsistente Methodik und Zuordnung verbessert zudem die Vergleichbarkeit zwischen Produkten, wenn Grenzen, Annahmen und andere methodische Entscheidungen übereinstimmen.

Die ersten beiden Herausforderungen lassen sich bei der Erstberechnung angehen. Diese dritte kann jedoch immer wieder auftreten, sobald sich Produkt- oder Lieferantendaten ändern.

Produkte werden umformuliert. Eine Verpackungsspezifikation ändert sich. Ein Bauteil wird aus Kosten- oder Verfügbarkeitsgründen ersetzt. Manche Änderungen machen den bestehenden CO₂-Fußabdruck nicht mehr repräsentativ für das aktuelle Produkt und erfordern eine Neubewertung oder Neuberechnung.

Lieferanten können aktualisierte oder genauere Emissionsdaten bereitstellen. Wo angemessen, können aktualisierte lieferantenspezifische Daten eine frühere generische oder sekundäre Quelle ersetzen. Manuell nachzuhalten, welche SKUs welche Datenquelle nutzen, und betroffene Berechnungen zu aktualisieren, ist schwer konsistent zu steuern.

Ohne einen Prozess zur Identifikation relevanter Änderungen können PCF-Ergebnisse veralten. Die gemeldete Zahl spiegelt dann möglicherweise nicht mehr die aktuelle Produktkonfiguration oder die zugrunde liegenden Daten wider. Das wird problematisch, wenn veraltete Informationen in Kundenangaben oder anderer Berichterstattung verwendet werden.

Eine einzelne Material- oder Lieferantenänderung kann mehrere SKUs betreffen, die denselben Input teilen. Die Prüfung und, wo nötig, Neuberechnung betroffener Produkte bei einer Material- oder Spezifikationsänderung erzeugt in einem großen Portfolio erheblichen repetitiven Aufwand.

Ein strukturierter PCF-Workflow erleichtert es, zu erkennen, welche Produkte bei Änderungen an BOM- oder Lieferantendaten überprüft werden müssen. Das reduziert manuelles Tracking und hilft Teams, relevante PCFs aktuell zu halten.

Wenn diese drei Herausforderungen manuell bearbeitet werden, verstärken sich die Auswirkungen im gesamten Nachhaltigkeitsprogramm.

Carbalyze basiert auf Caly, einem KI-gestützten Nachhaltigkeitsassistenten, der Stücklistendaten in Product Carbon Footprints überführt und den Bedarf an umfangreicher interner LCA-Expertise reduziert. Der Workflow deckt mehrere der manuellen Schritte der PCF-Berechnung im großen Maßstab ab.

Zusammengenommen sieht ein skalierbarer Workflow weniger wie eine einzelne Berechnung aus und mehr wie eine Pipeline: BOM-Daten kommen in unterstützten Formaten wie Excel oder CSV an, werden für die Analyse aufbereitet und strukturiert, gegen relevante Emissionsfaktordaten gemappt und fließen als strukturierter PCF-Bericht für jedes analysierte Produkt heraus. Carbalyze verbindet BOM-Verarbeitung, Emissions-Mapping, Berechnungen, Hotspot-Identifikation und Reporting in einem zusammenhängenden Workflow.

Das ist der strukturelle Unterschied zwischen einem Prozess für ein Produkt und einem Prozess für einen Katalog. Es geht nicht nur um schnellere Mathematik. Es ist ein Workflow, der einen wachsenden Produktkatalog unterstützen soll.

Nicht jedes Team muss am ersten Tag automatisieren. Mehrere Signale können jedoch darauf hinweisen, dass Automatisierung sinnvoll wäre.

Die Berechnung von CO₂-Fußabdrücken über ein großes SKU-Portfolio hinweg ist komplex: BOM-Daten müssen organisiert und nutzbar sein, Materialien müssen passenden Emissionsfaktoren zugeordnet werden, und Berechnungen müssen überprüft werden, wenn sich Produktdaten ändern.

Carbalyze hilft Herstellern, diese Schritte über einen verbundenen Workflow für BOM-Verarbeitung, Emissionsfaktor-Mapping, PCF-Berechnung, Hotspot-Analyse und Reporting zu vereinfachen. Statt jede Produktberechnung separat zu steuern, können Teams einen konsistenteren Prozess nutzen, der für die Skalierung über das Produktportfolio hinweg ausgelegt ist.