3 défis courants lors du calcul de l'empreinte carbone de centaines de SKU

Une seule empreinte carbone produit peut exiger un effort manuel important, surtout lorsque les données produit et fournisseur doivent être collectées, nettoyées et mises en correspondance. Multipliez cela par des centaines de SKU, plusieurs niveaux de fournisseurs et des nomenclatures (BOM) qui évoluent dans le temps, et le défi devient rapidement un problème de gestion des données, et non plus seulement de calcul.

Cela peut devenir un défi majeur pour les équipes durabilité, achats et fabrication. Les clients et les partenaires de la chaîne d'approvisionnement peuvent demander des données environnementales aux fournisseurs, tandis que les équipes produit peuvent utiliser l'empreinte carbone pour comprendre l'effet des changements de conception sur les émissions.

Pour les entreprises qui gèrent de vastes portefeuilles de produits, les workflows basés sur des tableurs deviennent difficiles à faire évoluer à mesure que le nombre de produits, de sources de données et de mises à jour augmente.

Calculer l'empreinte carbone de centaines de SKU introduit des défis supplémentaires de gestion des données et de cohérence par rapport au calcul d'un seul produit. Voici trois défis clés qui apparaissent à grande échelle, et ce qui peut aider à les résoudre.

Une empreinte carbone produit (PCF) mesure les émissions de gaz à effet de serre associées à un produit, exprimées en CO₂e, sur un périmètre de cycle de vie défini. Pour la fabrication, cela peut inclure les émissions des matières premières jusqu'à l'étape de production.

Pour chaque SKU, les matériaux, les quantités, les fournisseurs et les autres données produit peuvent différer. Lorsque des centaines de SKU sont concernés, gérer ces informations de manière cohérente devient beaucoup plus difficile.

Un petit nombre de PCF peut encore se gérer manuellement, mais étendre le processus à des centaines de produits augmente le travail répétitif de collecte, de mapping, de calcul et de revue.

Les changements de données produit peuvent aussi exiger de revoir ou de recalculer les PCF, ce qui rend plus difficile de maintenir un grand portefeuille exact et à jour.

Cela conduit à trois défis clés.

L'un des premiers défis apparaît souvent avant le calcul des émissions lui-même : rassembler des données produit propres et structurées en un seul endroit.

Des centaines de SKU peuvent signifier des centaines de nomenclatures ou de variantes de BOM, maintenues par différentes équipes, dans différents tableurs et versions. Rassembler ces informations dans une structure cohérente devient de plus en plus difficile à mesure que le portefeuille s'agrandit. Les BOM fournissent des données importantes de matériaux et de quantités, utilisées comme données d'activité dans le calcul de l'empreinte carbone produit.

Les fournisseurs et les équipes internes peuvent utiliser des modèles et des formats différents. Par exemple, une BOM peut lister les matériaux par poids, une autre par composition en pourcentage, et une autre par numéro de pièce avec peu de détails matériaux. Réconcilier ces différences manuellement ajoute un travail répétitif.

À grande échelle, les lacunes de données deviennent plus difficiles à gérer. Un matériau peut être listé sans fournisseur, une quantité sans unité, ou un composant avec une description incomplète. Ces lacunes peuvent affecter l'exhaustivité et la fiabilité des données, des considérations importantes dans la comptabilité GES des produits.

Standardiser les structures de BOM et automatiser l'ingestion, le contrôle et l'organisation des données produit peut réduire la préparation manuelle répétitive. Au lieu de préparer chaque BOM à la main, les données produit peuvent être téléchargées et structurées de manière cohérente avant le début du calcul.

Une fois les données produit préparées, les matériaux, composants et activités concernés doivent être associés à des données d'émissions appropriées. Un facteur d'émission représente les émissions de gaz à effet de serre par unité de donnée d'activité utilisée dans le calcul.

Un même matériau, ou un matériau similaire, peut apparaître sous des noms différents selon les fournisseurs et les BOM. L'« aluminium 6061 » d'un fournisseur et l'« alliage d'aluminium, extrudé » d'un autre peuvent décrire des inputs liés, mais il ne faut pas supposer qu'ils requièrent le même facteur d'émission ; le facteur approprié dépend de leurs spécifications et de leurs caractéristiques de production.

Un seul produit peut contenir de nombreuses lignes de matériaux et de composants. Un catalogue de centaines de SKU peut contenir un grand nombre de lignes, chacune pouvant devoir être associée à des données d'émissions appropriées. Le bon choix peut exiger un jugement fondé sur le matériau, le procédé, la géographie et la qualité des données.

Lorsque le mapping est fait manuellement sur des centaines de SKU, le risque de correspondances incohérentes ou incorrectes augmente. Si le même mapping erroné est réutilisé sur plusieurs SKU, l'erreur se propage dans tout le portefeuille.

Automatiser la mise en correspondance des matériaux et des facteurs d'émission permet d'appliquer des règles cohérentes à l'ensemble des SKU tout en réduisant le travail manuel répétitif. Une méthodologie et un mapping cohérents améliorent aussi la comparabilité entre produits lorsque les périmètres, les hypothèses et les autres choix méthodologiques sont alignés.

Les deux premiers défis peuvent être traités lors du calcul initial, mais celui-ci peut réapparaître à chaque changement de données produit ou fournisseur.

Les produits sont reformulés. Une spécification d'emballage change. Un composant est remplacé pour des raisons de coût ou de disponibilité. Certains changements peuvent rendre l'empreinte carbone existante non représentative du produit actuel et exiger une réévaluation ou un recalcul.

Les fournisseurs peuvent fournir des données d'émissions actualisées ou plus précises. Le cas échéant, des données spécifiques fournisseur actualisées peuvent remplacer une source générique ou secondaire antérieure. Suivre manuellement quels SKU utilisent quelle source, et mettre à jour les calculs concernés, est difficile à gérer de manière cohérente.

Sans processus pour identifier les changements pertinents, les résultats de PCF peuvent devenir obsolètes. Le chiffre reporté peut ne plus refléter la configuration actuelle du produit ni les données sous-jacentes, ce qui pose problème lorsque des informations obsolètes sont utilisées dans des divulgations client ou d'autres reportings.

Un seul changement de matériau ou de fournisseur peut affecter plusieurs SKU qui partagent cet input. Revoir et, si nécessaire, recalculer les produits concernés lorsqu'un matériau ou une spécification change crée un travail répétitif important dans un grand portefeuille.

Un workflow PCF structuré facilite l'identification des produits à revoir lorsque les données BOM ou fournisseur changent. Cela réduit le suivi manuel et aide les équipes à maintenir les PCF pertinents à jour.

Lorsque ces trois défis sont traités manuellement, les effets s'accumulent dans tout le programme de durabilité.

Carbalyze s'appuie sur Caly, un assistant durabilité alimenté par l'IA, conçu pour transformer les données de nomenclature en empreintes carbone produit tout en réduisant le besoin d'une expertise ACV interne approfondie. Le workflow couvre plusieurs des étapes manuelles du calcul PCF à grande échelle.

Mis bout à bout, un workflow scalable ressemble moins à un calcul unique qu'à un pipeline : les données BOM arrivent dans des formats pris en charge tels qu'Excel ou CSV, sont traitées et structurées pour l'analyse, mappées aux données de facteurs d'émission pertinentes, puis produisent un rapport PCF structuré pour chaque produit analysé. Carbalyze rassemble le traitement des BOM, le mapping des émissions, les calculs, l'identification des hotspots et le reporting dans un workflow connecté.

C'est la différence structurelle entre un processus conçu pour un produit et un processus conçu pour un catalogue. Il ne s'agit pas seulement d'un calcul plus rapide. C'est un workflow conçu pour accompagner un catalogue produit en croissance.

Toutes les équipes n'ont pas besoin d'automatiser dès le premier jour, mais plusieurs signaux peuvent indiquer que l'automatisation serait utile.

Calculer l'empreinte carbone d'un large portefeuille de SKU implique une vraie complexité : les données BOM doivent être organisées et utilisables, les matériaux doivent être mappés à des facteurs d'émission appropriés, et les calculs doivent être revus lorsque les données produit changent.

Carbalyze aide les fabricants à simplifier ces étapes grâce à un workflow connecté pour le traitement des BOM, le mapping des facteurs d'émission, le calcul PCF, l'analyse des hotspots et le reporting. Au lieu de gérer chaque calcul produit séparément, les équipes peuvent s'appuyer sur un processus plus cohérent, conçu pour s'étendre à l'ensemble de leur portefeuille.