RSE Reporting
Reporting RSE

Données pour le reporting RSE : formidable source à exploiter

Après toute campagne de collecte d’informations, la question de l’exploitation des données reporting RSE se pose. En un mot, comment faire parler ses données pour mieux contribuer au pilotage de la performance globale de l’entreprise ?

Pourquoi analyser les données reporting RSE ?

Dès la fin de la collecte de leurs données reporting RSE, les entreprises procèdent à leur analyse. Les apports d’une analyse approfondie sont nombreux.

L’analyse des données extra-financières permet en effet de mieux piloter leurs enjeux matériels. Les entreprises évaluent et comparent les résultats des sites, des filiales, des zones géographiques, des branches, des métiers…

 

Quelles sont les limites des analyses « classiques » ?

De quelle analyse parle-t-on ici ? De l’analyse des données brutes et des informations qualitatives qui les illustrent. Ce qui permet de procéder à des analyses de tendance sur différents axes (taille de sites, pays, métier, région, continent…).

Pour évaluer et comprendre ces tendances au niveau d’un groupe, on commence souvent par comparer les courbes des indicateurs correspondant aux enjeux matériels. A titre d’exemple, on étudiera en même temps les évolutions de la consommation d’eau, de la consommation d’énergie ainsi que la quantité de produits fabriqués. L’idée étant d’observer si, oui ou non, elles évoluent dans le même sens ou, de manière plus générale, si elles sont corrélées les unes aux autres.

Cela dit, travailler sur les données brutes ne permet pas de réaliser des analyses fines de tendances.

De ce fait, la seconde étape est souvent de calculer des « intensités ». Il s’agit là de ratios du type « consommation d’énergie par produit fabriqué », « consommation d’eau par m2 de surface », « nombre de jours de formations par salarié »… . Ces intensités fournissent des informations intéressantes. Elles permettent de relativiser les données brutes « consommations d’énergie », « consommation d’eau » ou « nombre de jours de formations »…

donnees-reporting-rse

L’exploitation de ces intensités est toutefois encore difficile et parfois même trompeuse :

  • Une intensité ne représente qu’une facette d’un sujet et ne tient pas compte de la complexité réelle de l’entreprise. Par exemple, la consommation d’énergie d’un site industriel dépend certes du nombre de produits fabriqués mais elle dépend peut-être également de la technologie mise en œuvre, de la taille des bâtiments, de l’effectif présent sur le site, de la météo, etc. Dès lors, on peut apprécier la performance réelle du site en matière de consommation d’énergie. On voit bien que la seule intensité par produit fabriqué ne suffit pas ;
  • Consolidée au niveau d’un groupe, une intensité ne veut plus dire grand chose. La raison : elle peut masquer une grande hétérogénéité de situations ;
  • L’analyse de l’évolution dans le temps d’une intensité consolidée au niveau d’un groupe est bien plus complexe qu’il n’y parait. Ainsi, un calcul du type « variation de l’intensité globale d’une année à l’autre au niveau du groupe » peut donner le sentiment d’une amélioration alors qu’en fait ce n’est pas le cas. Par exemple, l’intensité « consommation d’énergie / quantité de produits fabriqués » au niveau du groupe pourra diminuer. La raison : parce que l’activité la plus énergivore aura fortement régressé (due, par exemple, à une baisse des ventes). Dans ce cas, conclure à une amélioration de la performance énergétique du groupe sera certainement faux.

 

Comment aller plus loin ?

On voit bien que comprendre la performance réelle d’une entreprise mérite d’analyser plus finement les données reporting RSE. Cela nécessite d’associer un regard métier sur les données et l’usage de modèles statistiques. Une telle approche passe par la compréhension initiale des facteurs (c’est-à-dire des autres indicateurs) pouvant influencer les données brutes qui nous intéressent (tels que les consommations d’énergie ou d’eau pour reprendre les exemples mentionnés plus haut).

Ensuite, l’analyse des données et de leurs corrélations à ces facteurs à l’aide de modèles statistiques permet de mieux cerner la performance de l’entreprise. Quels sont les sites ou activités les plus performantes ? Comment évoluent leur performance dans le temps ?

Ce type d’analyse établit des ponts entre les données financières et extra-financières. Il ouvre aussi le champ des possibles quant à la publication de futurs rapports intégrés.  Il favorise le partage d’informations utiles et des bonnes pratiques, ainsi que la (re)définition des priorités. Il contribue au développement de l’innovation. Celui-ci alimente le portefeuille de bonnes pratiques des « best in class » de l’entreprise.

La mise en place de modèles statistiques permet également de faire ressortir simplement les sites présentant un fort potentiel d’amélioration. Cet exercice pouvant s’avérer complexe lorsque l’on travaille sur des périmètres de centaines de sites présentant chacun des caractéristiques différentes.

De ce type  d’analyse, découlera également la définition des objectifs d’amélioration – réalistes – et le plan d’action à mettre en œuvre pour les atteindre.

Notons que, dans cette logique d’amélioration continue, l’analyse des données reporting rse doit couvrir l’analyse des « taux de couverture ». Pourquoi ? Afin de se poser les bonnes questions sur l’évolution de son protocole de reporting rse, du référentiel d’indicateurs (par exemple pour supprimer les questions inutiles), du circuit de validation…

 

donnees-reporting-rse

Conclusion

Faire parler les données Reporting RSE : voilà un enjeu essentiel pour piloter et améliorer la performance globale d’une entreprise. Cet exercice complexe et passionnant nécessite d’associer les regards « métiers » à des analyses mathématiques et statistiques.

Cela ne sera possible que pour celles et ceux qui disposeront de données reporting rse fiables et qui auront le temps nécessaire. Cela suppose d’être équipés d’un logiciel de reporting extra-financier. Celui-ci  facilite la collecte des données, favorise la fiabilité des données collectées et permette l’analyse multidimensionnelle des données.