La qualità dei dati è diventata uno degli elementi più critici della rendicontazione di sostenibilità. Con l’entrata in vigore della Corporate Sustainability Reporting Directive (CSRD), le informazioni ambientali, sociali e di governance sono chiamate a raggiungere livelli di affidabilità comparabili a quelli del reporting finanziario. La conformità agli European Sustainability Reporting Standards (ESRS) non dipende soltanto dalla disponibilità dei dati richiesti, ma soprattutto dalla loro accuratezza, completezza, coerenza e capacità di essere verificati lungo l’intero processo di produzione.
La crescente attenzione verso la qualità delle informazioni riflette un cambiamento più profondo. Il bilancio di sostenibilità non rappresenta più soltanto uno strumento di comunicazione verso investitori e stakeholder, ma diventa un documento destinato a essere sottoposto ad assurance, con la conseguente necessità di dimostrare la solidità dei processi attraverso cui ogni dato è stato raccolto, elaborato e validato.
In questo scenario, parlare di data quality significa affrontare un tema che coinvolge governance, organizzazione aziendale, sistemi informativi, controlli interni e cultura del dato. Un’informazione imprecisa o non adeguatamente documentata può compromettere la credibilità dell’intera rendicontazione, rallentare le attività di revisione e aumentare il rischio di rilievi da parte degli auditor.
La stessa Commissione europea sulla Corporate Sustainability Reporting Directive sottolinea come le imprese debbano predisporre informazioni di sostenibilità comparabili, affidabili e rilevanti, mentre gli European Sustainability Reporting Standards definiscono con precisione le disclosure richieste e i criteri da seguire nella predisposizione del reporting.
Prepararsi alla conformità normativa significa quindi costruire un’infrastruttura informativa nella quale ogni dato possa essere misurato secondo criteri condivisi, controllato durante tutto il proprio ciclo di vita e supportato da evidenze documentali idonee alla successiva fase di assurance.
Perché la qualità dei dati ESG è il presupposto fondamentale per la conformità normativa
L’introduzione della CSRD ha modificato profondamente il ruolo delle informazioni ESG all’interno delle imprese. Se in passato molti indicatori venivano raccolti principalmente per finalità volontarie o di comunicazione, oggi la qualità dei dati diventa un requisito essenziale per rispettare gli obblighi normativi europei.
La conformità agli ESRS richiede infatti che ogni informazione pubblicata sia accurata, completa, coerente, verificabile e sufficientemente documentata. La semplice disponibilità di un indicatore non è più sufficiente: occorre dimostrare come sia stato prodotto, quali metodologie siano state adottate, quali controlli siano stati effettuati e quali soggetti ne abbiano approvato il contenuto.
È proprio questa evoluzione che avvicina progressivamente la rendicontazione di sostenibilità al reporting finanziario. In entrambi i casi, il valore dell’informazione dipende dalla qualità del processo che la genera e dalla capacità dell’organizzazione di dimostrarne l’affidabilità nel tempo.
Le recenti attività di monitoraggio condotte da EFRAG nello State of Play 2026 confermano come le imprese europee abbiano concentrato una parte significativa degli sforzi iniziali proprio sulla costruzione dei processi di raccolta e validazione delle informazioni, evidenziando quanto la maturità organizzativa rappresenti uno dei principali fattori di successo nella prima applicazione degli ESRS.
La stessa evoluzione normativa europea rafforza questa impostazione. La revisione degli standard adottata dalla Commissione europea punta a rendere la rendicontazione più focalizzata sui dati realmente materiali. Ridurre il numero delle disclosure non significa ridurre l’importanza della qualità delle informazioni, ma attribuire ancora maggiore valore ai dati che concorrono alla rappresentazione delle performance ambientali, sociali e di governance.
La qualità del dato diventa così il punto di incontro tra conformità normativa, affidabilità del reporting e capacità decisionale dell’organizzazione. Un sistema informativo costruito su dati accurati consente infatti di migliorare non soltanto il bilancio di sostenibilità, ma anche la gestione dei rischi, la pianificazione strategica e il dialogo con investitori, istituti finanziari e autorità di vigilanza.
I costi operativi e reputazionali della scarsa accuratezza informativa nel bilancio
Gli effetti di una bassa qualità dei dati si manifestano ben prima della pubblicazione della dichiarazione di sostenibilità. Informazioni incomplete, incoerenti o raccolte con metodologie differenti generano attività manuali di riconciliazione, rallentano il processo di reporting e aumentano il numero di verifiche necessarie per validare gli indicatori.
Ogni errore individuato nelle fasi finali della predisposizione del bilancio produce un effetto moltiplicatore sui costi operativi. Le funzioni coinvolte devono ricostruire il percorso dell’informazione, verificare le fonti originarie, aggiornare le elaborazioni e ripetere i controlli già effettuati. Quanto più il dato è distante dalla propria origine documentale, tanto maggiore sarà il tempo necessario per ripristinarne l’affidabilità.
Le conseguenze si estendono anche alla reputazione dell’impresa. Investitori, finanziatori e stakeholder attribuiscono crescente importanza alla qualità delle informazioni ESG utilizzate per valutare strategie climatiche, gestione dei rischi, politiche sociali e capacità di creare valore nel lungo periodo. Informazioni incoerenti, rettifiche frequenti o metodologie poco trasparenti possono compromettere la fiducia costruita nel tempo.
Anche ESMA, nelle proprie linee guida sull’enforcement delle informazioni di sostenibilità richiama l’attenzione sulla necessità di assicurare elevati livelli di qualità e coerenza nella preparazione delle disclosure, favorendo un’applicazione uniforme degli ESRS da parte degli emittenti europei.
La qualità del dato assume quindi un valore che supera la sola compliance. Ridurre gli errori significa diminuire i costi della rendicontazione, facilitare le attività di assurance e rafforzare la credibilità dell’organizzazione nei confronti del mercato.
Differenze metodologiche tra la gestione dei dati finanziari e non finanziari
Le imprese dispongono da molti anni di procedure consolidate per garantire la qualità dei dati finanziari. Sistemi ERP integrati, controlli contabili, riconciliazioni periodiche e responsabilità chiaramente attribuite consentono di produrre informazioni generalmente standardizzate e facilmente verificabili.
I dati ESG presentano caratteristiche differenti. Provengono da funzioni aziendali eterogenee, utilizzano metodologie di raccolta diverse e comprendono sia misurazioni quantitative sia informazioni descrittive, stime e valutazioni professionali. Emissioni climalteranti, consumi idrici, indicatori sulla forza lavoro, dati relativi alla catena del valore e informazioni sulla governance seguono spesso processi autonomi, sviluppati nel tempo per finalità operative differenti.
Questa eterogeneità rende la data quality un’attività trasversale, nella quale sostenibilità, amministrazione, sistemi informativi, controllo interno, operations, risorse umane e procurement devono condividere definizioni comuni, criteri di misurazione e responsabilità chiaramente attribuite.
Proprio per accompagnare questa evoluzione, IFAC, nella guida “Building Trust in Sustainability Reporting and Preparing for Assurance” evidenzia come la maturità della rendicontazione ESG dipenda dall’integrazione tra governance, controlli interni e processi organizzativi, avvicinando progressivamente la gestione delle informazioni di sostenibilità agli standard già adottati per il reporting economico-finanziario.
Metodologie per strutturare un framework di data quality ESG in azienda
Garantire la qualità delle informazioni di sostenibilità richiede un sistema strutturato, capace di accompagnare il dato dalla prima acquisizione fino alla sua inclusione nella dichiarazione aziendale. Controlli occasionali eseguiti in prossimità della pubblicazione difficilmente riescono a compensare errori, lacune e incoerenze accumulati durante l’anno.
Un framework di data quality ESG deve quindi stabilire quali caratteristiche rendono affidabile un’informazione, come misurarle, chi ne risponde e quali interventi attivare quando il livello qualitativo risulta insufficiente.
Il punto di partenza consiste nel definire un linguaggio comune. Termini come accuratezza, completezza, coerenza, validità e tempestività devono assumere un significato concreto e uniforme per tutte le funzioni coinvolte. Senza criteri condivisi, due unità aziendali possono valutare diversamente la qualità dello stesso dato oppure utilizzare metodologie incompatibili per indicatori destinati a essere consolidati a livello di gruppo.
La serie di standard ISO 8000 dedicata alla qualità dei dati offre un riferimento metodologico utile per organizzare questo lavoro. Il suo valore, nel contesto ESG, risiede soprattutto nella possibilità di trasformare requisiti generali di affidabilità in caratteristiche osservabili e misurabili.
La costruzione del framework dovrebbe partire dai datapoint rilevanti per la rendicontazione e dai processi che li generano. Per ogni informazione materiale è necessario identificare la fonte, la funzione proprietaria, la frequenza di aggiornamento, il formato, il metodo di calcolo, le trasformazioni applicate e i controlli previsti.
L’Implementation Guidance 3 di EFRAG sulla lista dei datapoint ESRS costituisce una base operativa particolarmente utile. La guida permette di collegare le richieste informative degli standard ai sistemi e alle funzioni aziendali chiamati a produrre i dati, trasformando l’architettura normativa in un inventario gestibile.
Questo inventario può essere organizzato all’interno di un catalogo dei dati ESG. Ogni scheda dovrebbe descrivere il significato dell’indicatore, il perimetro di applicazione, l’unità di misura, le regole di calcolo, il responsabile, le fonti documentali e la destinazione nel report.
Il catalogo consente di passare da una gestione basata sulla conoscenza delle singole persone a un sistema organizzativo documentato e replicabile. Riduce la dipendenza da procedure informali, facilita l’ingresso di nuovi responsabili e rende più rapido il confronto con revisori e funzioni di controllo.
Un framework maturo dovrebbe inoltre prevedere livelli di qualità attesi differenti in funzione della rilevanza del dato. Le informazioni materiali, gli indicatori soggetti a maggiore incertezza e i flussi caratterizzati da un’elevata componente manuale richiedono controlli più frequenti e soglie di tolleranza più rigorose.
La priorità può essere stabilita considerando l’impatto che un errore produrrebbe sul reporting, la probabilità che si verifichi e la difficoltà di individuarlo prima della pubblicazione. Questa impostazione collega la data quality alla gestione del rischio e permette di concentrare le risorse sui punti più vulnerabili del processo.
Definizione delle metriche chiave e dei criteri di misurazione della precisione
La qualità dei dati diventa governabile quando può essere misurata attraverso indicatori comprensibili, ripetibili e confrontabili nel tempo. Ogni dimensione qualitativa dovrebbe quindi essere associata a una metrica, a una modalità di calcolo e a una soglia di accettabilità.
L’accuratezza esprime il grado di corrispondenza tra il dato registrato e il fenomeno reale che intende rappresentare. Per valutarla, l’impresa può confrontare le informazioni presenti nei sistemi con documenti originari, misurazioni fisiche, fatture, registri o altre evidenze indipendenti.
Nel caso dei consumi energetici, per esempio, il valore consolidato può essere verificato attraverso il confronto con fatture, letture dei contatori e dati provenienti dai sistemi di monitoraggio degli impianti. Per gli indicatori relativi alla forza lavoro, i dati del reporting possono essere riconciliati con payroll, anagrafiche HR e sistemi di rilevazione delle presenze.
La precisione deve essere valutata anche rispetto alle regole con cui il dato viene elaborato. Un valore originario corretto può infatti produrre un indicatore errato quando viene applicato un fattore di conversione non aggiornato, una formula incompleta oppure un perimetro di consolidamento incoerente.
La completezza misura la presenza di tutti gli elementi necessari. Può essere espressa come percentuale dei campi compilati rispetto a quelli attesi oppure come quota di entità aziendali che hanno trasmesso il dato entro la scadenza stabilita.
Questa dimensione è particolarmente rilevante per i gruppi articolati, nei quali le informazioni devono essere raccolte da stabilimenti, controllate, sedi internazionali e soggetti appartenenti alla catena del valore. Un indicatore calcolato sulla base di un perimetro incompleto può risultare formalmente corretto, ma incapace di rappresentare adeguatamente la performance dell’organizzazione.
La coerenza riguarda invece la compatibilità tra informazioni provenienti da sistemi, periodi o funzioni differenti. Il numero dei dipendenti utilizzato per calcolare un tasso di infortuni, per esempio, deve essere coerente con il perimetro temporale e organizzativo degli eventi registrati.
La coerenza può essere valutata attraverso controlli incrociati, riconciliazioni e regole logiche. Una riduzione significativa delle emissioni dovrebbe trovare riscontro nei consumi energetici, nei volumi di produzione, nelle modifiche al perimetro o nelle iniziative di decarbonizzazione realizzate durante l’esercizio.
La validità verifica che il dato rispetti formati, unità di misura, intervalli e regole predefiniti. Date impossibili, valori negativi incompatibili con la metrica, codici non riconosciuti o unità di misura differenti da quelle previste possono essere intercettati automaticamente al momento dell’inserimento.
La tempestività misura la disponibilità dell’informazione entro i tempi necessari al reporting e alle decisioni aziendali. Un dato accurato ma ricevuto dopo la chiusura del processo perde parte della propria utilità e può costringere l’organizzazione a utilizzare stime o valori relativi a periodi precedenti.
Un’ulteriore dimensione è rappresentata dall’unicità. La presenza di duplicati può alterare i risultati consolidati, soprattutto quando le informazioni vengono acquisite attraverso fogli di calcolo, caricamenti manuali e sistemi che utilizzano codifiche differenti per la stessa entità.
A queste metriche si aggiunge la tracciabilità, cioè la capacità di collegare il valore finale alla fonte, alle trasformazioni, alle verifiche e alle approvazioni ricevute. In un sistema orientato all’assurance, un dato privo di evidenze accessibili presenta un livello qualitativo insufficiente anche quando il suo valore numerico risulta corretto.
Le metriche devono essere accompagnate da soglie esplicite. L’impresa può stabilire, per esempio, che un flusso sia considerato completo quando raggiunge una determinata percentuale di copertura, che ogni scostamento superiore a un intervallo prefissato richieda un approfondimento oppure che nessun dato materiale venga approvato in assenza della documentazione obbligatoria.
La definizione delle soglie deve tenere conto del tipo di informazione, della sua materialità e del livello di incertezza intrinseco. Un dato misurato direttamente può essere sottoposto a criteri differenti rispetto a una stima relativa alla catena del valore.
La norma ISO 8000-63 sulla misurazione dei processi di data quality propone una struttura che collega obiettivi, domande, indicatori e metriche. Applicata alla sostenibilità, questa logica consente di partire dall’obiettivo generale di affidabilità del reporting e tradurlo in misure osservabili per ogni processo informativo.
I risultati possono essere raccolti in un cruscotto di qualità destinato ai responsabili ESG, ai data owner e alle funzioni di controllo. Il monitoraggio periodico permette di individuare le aree più deboli, seguire l’efficacia delle azioni correttive e verificare se la maturità del sistema migliora nel tempo.
Le metriche di data quality devono servire a orientare le decisioni, evitando di trasformarsi in un esercizio amministrativo aggiuntivo. Il loro valore dipende dalla capacità di segnalare tempestivamente le anomalie e di attivare responsabilità e procedure di remediation.
Quando un indicatore scende sotto la soglia prevista, il processo dovrebbe stabilire chi debba intervenire, entro quale termine e con quali evidenze documentare la correzione. La misurazione si integra così con il controllo operativo e con la preparazione alla verifica esterna.
Raccolta sistematica e standardizzazione dei flussi informativi da fonti eterogenee
Uno dei principali ostacoli alla qualità dei dati ESG deriva dall’eterogeneità delle fonti. Le informazioni possono provenire da ERP, sistemi HR, piattaforme per gli acquisti, applicazioni ambientali, sensori, registri tecnici, database locali, documenti e questionari trasmessi dai fornitori.
Ogni fonte utilizza strutture, codifiche, unità di misura e frequenze di aggiornamento differenti. La raccolta sistematica serve a trasformare questa varietà in un flusso informativo governato, nel quale regole e responsabilità siano definite prima dell’avvio del ciclo di reporting.
La prima attività consiste nel censire le fonti utilizzate. Per ciascuna occorre conoscere il proprietario, il formato, il livello di automazione, la periodicità, le modalità di accesso e gli eventuali limiti qualitativi.
Il censimento permette anche di distinguere i dati acquisiti automaticamente da quelli raccolti manualmente. Questa separazione è importante perché i processi manuali tendono a presentare un rischio più elevato di errori di trascrizione, modifiche non documentate e utilizzo di versioni obsolete.
La standardizzazione deve intervenire prima del consolidamento. Attendere la fase finale per uniformare le informazioni aumenta la complessità e rende più difficile risalire alle cause delle incoerenze.
Ogni flusso dovrebbe essere associato a un modello di raccolta che definisca campi obbligatori, unità di misura, perimetro, periodo di riferimento, regole di validazione e documenti da allegare. I modelli devono essere condivisi con tutte le entità e le funzioni chiamate a contribuire.
Un consumo energetico, per esempio, dovrebbe essere sempre accompagnato dall’unità di misura, dal sito cui si riferisce, dal periodo, dalla fonte energetica e dalla documentazione che ne attesta il valore. Un’informazione sulla formazione del personale dovrebbe indicare almeno il numero delle persone coinvolte, le ore erogate, il perimetro organizzativo e il criterio adottato per classificare le attività.
Particolare attenzione deve essere dedicata alle anagrafiche. Codici differenti utilizzati per stabilimenti, società, fornitori o categorie di lavoratori possono impedire la corretta aggregazione dei dati. La gestione di master data condivisi consente di ricondurre le informazioni a entità identificate in modo univoco.
La standardizzazione riguarda anche le formule. Quando società o unità operative calcolano lo stesso indicatore con metodologie differenti, il consolidamento produce valori scarsamente comparabili. Le regole di calcolo devono quindi essere definite a livello centrale, versionate e rese accessibili ai responsabili locali.
Le guide applicative di EFRAG dedicate agli ESRS aiutano a collegare questi flussi ai requisiti informativi europei, soprattutto quando le informazioni provengono dalla catena del valore oppure richiedono stime e fonti indirette.
Nel rapporto con i fornitori, la qualità dipende dalla capacità di comunicare requisiti precisi e proporzionati. Questionari troppo estesi o formulati senza indicazioni metodologiche possono generare risposte incomplete e difficilmente confrontabili. Le richieste dovrebbero concentrarsi sui dati materiali, indicare unità e periodi di riferimento e specificare le evidenze necessarie.
Quando il dato primario non è disponibile, il sistema deve stabilire in quali casi sia ammesso il ricorso a stime, proxy o informazioni settoriali. La metodologia utilizzata deve essere documentata insieme alle ipotesi, alle fonti e al livello di incertezza.
La standardizzazione non elimina l’eterogeneità delle attività aziendali, ma permette di governarla attraverso regole comuni. Le specificità locali possono essere mantenute, purché siano documentate e riconciliate con le definizioni adottate a livello di gruppo.
La tecnologia può automatizzare una parte rilevante del processo. Interfacce tra sistemi, controlli di formato, regole di validazione, gestione delle versioni e notifiche automatiche riducono gli interventi manuali e segnalano le anomalie prima che raggiungano il reporting.
L’automazione produce risultati affidabili soltanto quando le regole sono state definite con chiarezza. Un sistema può verificare che un campo sia stato compilato o che il valore rientri in un determinato intervallo, ma la correttezza del criterio applicato continua a dipendere dalle scelte metodologiche dell’organizzazione.
Per questa ragione, il framework deve integrare competenze tecnologiche, conoscenza degli standard e responsabilità operative. La data quality ESG diventa così un processo continuo, distribuito lungo l’intero ciclo di produzione delle informazioni e collegato direttamente alla futura attività di assurance.
Una volta stabiliti metriche, soglie, formati e responsabilità, l’organizzazione dispone delle basi necessarie per affrontare il passaggio successivo: trasformare il patrimonio informativo in un sistema audit-ready, capace di mettere a disposizione dei revisori dati verificabili, documentazione accessibile e piste di controllo complete.
Preparare il patrimonio informativo aziendale per la fase di certificazione
La qualità dei dati rappresenta il presupposto necessario per una rendicontazione affidabile, ma da sola non garantisce che l’organizzazione sia pronta ad affrontare una verifica esterna. L’audit readiness richiede infatti un passaggio ulteriore: trasformare un insieme di informazioni corrette in un patrimonio documentale capace di dimostrare come ogni dato sia stato raccolto, elaborato, controllato e approvato.
Questo cambiamento riguarda l’intero sistema informativo aziendale. Ogni indicatore pubblicato dovrebbe essere accompagnato da evidenze che consentano al revisore di ricostruire il processo seguito, comprendere le metodologie adottate e verificare la coerenza tra i valori riportati nel bilancio e le fonti originarie.
L’obiettivo non consiste nel produrre maggiore documentazione, ma nel costruire un sistema nel quale dati, controlli e documenti rimangano costantemente collegati.
La preparazione alla certificazione dovrebbe iniziare già durante la raccolta delle informazioni. Attendere la fase conclusiva della rendicontazione per recuperare documenti, ricostruire formule o verificare responsabilità comporta un aumento significativo dei tempi e dei costi operativi.
Per questo motivo, le organizzazioni più mature integrano la predisposizione delle evidenze direttamente nei flussi di lavoro ordinari, trasformando la qualità documentale in una componente permanente del processo di reporting.
Anche IFAC, nella guida “Building Trust in Sustainability Reporting and Preparing for Assurance” sottolinea come la preparazione all’assurance debba essere sviluppata progressivamente attraverso governance, controlli interni e documentazione strutturata, evitando interventi concentrati esclusivamente nelle settimane precedenti alla verifica.
Che cosa significa rendere un dato ESG certificabile e audit ready
Un dato può essere considerato audit ready quando consente a un revisore indipendente di comprenderne rapidamente l’origine, verificarne la correttezza e ricostruire tutte le principali elaborazioni effettuate durante il processo di reporting.
Questo significa che il valore numerico rappresenta soltanto una parte dell’informazione. Al dato devono essere associati il sistema sorgente, la metodologia utilizzata, le eventuali trasformazioni, le assunzioni adottate, le verifiche svolte, i responsabili del processo e la documentazione di supporto.
Nel caso di un indicatore relativo alle emissioni di gas serra, per esempio, l’organizzazione dovrebbe poter mettere a disposizione non soltanto il valore finale pubblicato, ma anche i dati di attività utilizzati, i fattori emissivi applicati, la loro versione, le fonti normative di riferimento, i criteri di consolidamento e gli eventuali modelli di stima impiegati.
Lo stesso principio vale per gli indicatori sociali e di governance. Informazioni sulla formazione del personale, sugli infortuni, sulla diversità o sulla composizione degli organi societari devono poter essere ricondotte ai sistemi che le hanno generate e ai controlli che ne hanno garantito l’affidabilità.
Un elemento particolarmente importante riguarda la gestione delle stime.
Gli ESRS prevedono che alcune informazioni possano essere elaborate utilizzando assunzioni ragionevoli, soprattutto quando riguardano la catena del valore oppure dati non direttamente disponibili. In questi casi, la certificabilità dipende dalla trasparenza del metodo utilizzato, dalla documentazione delle ipotesi e dalla possibilità di spiegare il livello di incertezza associato alla misurazione.
La preparazione all’audit richiede inoltre che tutte le modifiche apportate ai dati rimangano tracciabili. Aggiornamenti, correzioni, cambiamenti metodologici e revisioni successive dovrebbero conservare memoria delle versioni precedenti, della motivazione della modifica e del soggetto che l’ha autorizzata.
Questo approccio consente di ricostruire l’evoluzione dell’informazione e riduce il rischio che una correzione cancelli elementi utili alla verifica.
Il ruolo dei controlli interni e della documentazione dei processi di calcolo
L’affidabilità della rendicontazione dipende dalla qualità dei controlli distribuiti lungo tutto il ciclo informativo.
Le attività di verifica dovrebbero accompagnare il dato fin dalla raccolta iniziale, intervenendo nelle fasi di trasformazione, consolidamento, approvazione e pubblicazione. Individuare tempestivamente un’anomalia permette infatti di correggere il problema quando la sua origine è ancora facilmente ricostruibile.
Il framework COSO “Achieving Effective Internal Control Over Sustainability Reporting” propone di applicare al reporting ESG gli stessi principi di controllo interno già consolidati nella rendicontazione economico-finanziaria. L’obiettivo consiste nel creare un sistema capace di prevenire errori significativi, individuare tempestivamente eventuali anomalie e produrre informazioni affidabili per il management e per i revisori.
I controlli possono riguardare la correttezza dei dati acquisiti, la coerenza delle formule di calcolo, la riconciliazione tra sistemi differenti, il rispetto dei criteri di consolidamento, la completezza della documentazione e la conformità alle metodologie definite dall’organizzazione.
Ogni controllo dovrebbe lasciare un’evidenza verificabile. Una verifica eseguita ma non documentata risulta infatti difficilmente dimostrabile durante l’assurance.
Particolare attenzione merita la documentazione delle formule utilizzate per produrre gli indicatori ESG.
Coefficienti di conversione, fattori emissivi, criteri di allocazione, proxy, modelli statistici e algoritmi dovrebbero essere descritti in modo sufficientemente dettagliato da consentire a un soggetto indipendente di comprendere come sia stato ottenuto il risultato finale.
Questo principio assume un’importanza crescente anche con la diffusione dell’intelligenza artificiale nei processi di reporting.
L’impiego di algoritmi per classificare documenti, riconciliare dati o individuare anomalie rende ancora più importante documentare i criteri applicati, mantenere la supervisione umana e conservare evidenza delle decisioni assunte durante il processo.
Le recenti FAQ dell’IAASB sull’applicazione della materialità nell’ISSA 5000 ribadiscono come la valutazione dell’affidabilità debba considerare non soltanto il dato finale, ma anche il contesto nel quale esso è stato prodotto, il livello di rischio associato e le evidenze disponibili a supporto delle conclusioni.
Come impostare i flussi di lavoro per superare con successo la verifica dei revisori
La preparazione alla verifica esterna non inizia quando il revisore richiede la documentazione. In un sistema maturo, i flussi di lavoro sono progettati fin dall’origine per produrre automaticamente le evidenze necessarie all’assurance.
Questo significa che raccolta dei dati, controlli, approvazioni, gestione documentale e monitoraggio delle anomalie devono essere integrati all’interno dello stesso processo.
Ogni attività dovrebbe essere assegnata a un responsabile chiaramente identificato, accompagnata da scadenze definite e supportata da strumenti che consentano di documentare ogni fase senza ricorrere a ricostruzioni successive.
L’automazione può contribuire in modo significativo a questo obiettivo.
Workflow digitali, sistemi di approvazione elettronica, registrazione delle modifiche, gestione centralizzata dei documenti e piattaforme di data governance permettono di conservare memoria delle attività svolte durante tutto il ciclo di vita dell’informazione.
La tecnologia riduce il carico amministrativo perché trasforma la documentazione in un sottoprodotto naturale del processo, anziché in un’attività separata da svolgere in prossimità dell’assurance.
Questa impostazione favorisce anche il miglioramento continuo.
Le osservazioni formulate dai revisori durante ciascun ciclo di assurance possono infatti essere utilizzate per aggiornare controlli, procedure, modelli di raccolta e criteri di validazione, aumentando progressivamente la maturità dell’intero sistema informativo.
La predisposizione delle evidenze oggettive e delle piste di controllo per la limited assurance
Nel contesto della CSRD, la limited assurance richiede che il revisore acquisisca elementi sufficienti per concludere se siano emerse circostanze tali da far ritenere che la dichiarazione di sostenibilità contenga errori significativi.
Per raggiungere questo obiettivo, l’organizzazione deve essere in grado di mettere a disposizione evidenze oggettive, complete, accessibili e coerenti con il percorso seguito dal dato.
Le linee guida del CEAOB sulla limited assurance sottolineano l’importanza della comprensione dei processi aziendali, dei sistemi di controllo interno e delle modalità attraverso cui vengono prodotte le informazioni di sostenibilità.
Ogni dato materiale dovrebbe poter essere collegato alla propria pista di controllo. Questa comprende normalmente la fonte originaria, le trasformazioni effettuate, i controlli eseguiti, le approvazioni ricevute, la documentazione disponibile e le eventuali modifiche intervenute successivamente.
La pista di controllo rappresenta la dimostrazione concreta della qualità del sistema informativo. Più essa risulta completa e facilmente ricostruibile, minore sarà il tempo necessario ai revisori per verificare il processo e maggiore sarà la fiducia nella solidità della rendicontazione.
La predisposizione delle evidenze dovrebbe seguire criteri di uniformità. Documenti, registrazioni dei controlli, versioni delle metodologie, verbali di approvazione, log di sistema e supporti alle stime dovrebbero essere archiviati secondo regole condivise, facilmente accessibili e coerenti con il catalogo dei dati ESG predisposto dall’organizzazione.
In prospettiva, la crescente digitalizzazione del reporting europeo renderà ancora più importante questa integrazione. La qualità dei dati, la governance delle informazioni, i controlli interni e l’assurance tenderanno progressivamente a convergere all’interno di un’unica infrastruttura informativa, nella quale ogni dato potrà essere seguito dalla fonte originaria fino alla dichiarazione di sostenibilità.
È questa evoluzione che trasforma la data quality da semplice requisito tecnico a vero fattore strategico della rendicontazione ESG. Un’organizzazione capace di produrre informazioni accurate, documentate e verificabili non sarà soltanto più preparata ad affrontare l’assurance, ma potrà costruire un rapporto di maggiore fiducia con investitori, finanziatori, autorità di vigilanza e mercato.
Partecipa alla community