Rolf Schmitz, CollectiveCrunchin Co-Perustaja ja Co-Toimitusjohtaja – Haastattelusarja

Rolf Schmitz on CollectiveCrunchin Co-Perustaja ja Co-Toimitusjohtaja, joka on alusta, joka muuttaa maailman ymmärrystä metsistä tarjoamalla tarkin, skaalautuvan ja ajantasaisen analytiikan maailmanlaajuisesti ja mahdollistaen kestävän metsänhoidon ja läpinäkyvyyden hiilidioksidikaupassa.

Rolf on koulutukseltaan insinööri ja hänellä on MBA-tutkinto Manchesterin liiketoimintakoulusta. Hänellä on syvä kokemus globaalista liiketoimintakehityksestä ja myyntiin, ja hän on rakentanut tiimejä Aasiassa, Yhdysvalloissa ja Euroopassa.

Voitko kertoa CollectiveCrunchin syntytarinan?

Olemme syvästi mukana suurten tietomäärien käsittelyssä ja niistä saatavien oivallusten etsimisessä. Alkuperäinen ideamme CollectiveCrunchin perustamisessa oli yhdistää ilmastodata liiketoimintaprosesseihin, koska koimme, että se oli yksi ilmastonmuutoksen laiminlyötyjä osa-alueita.

Aluksi keskityimme logistiikkaan ja energiaan. Rakensimme tuotteen, joka ennustaa tuulivoimaloiden sähköntuotantoa, mikä on tärkeää energiaverkkojen vakauden ylläpitämiseksi. Tuote on käytössä Fingridissä, Suomen kansallisverkkoyhtiössä. Kuitenkin havaitsemme, että logistiikka ja energia ovat ruuhkaisia markkinoita, joissa pieni yritys ei voi helposti luoda johtavan aseman.

Ystävämme Jarkon, yhden Co-Perustajistamme, kautta tuli tietoon metsien inventointiin liittyvät haasteet. Ajattelimme, että siinä on hämmästyttävän alhainen teknologisen kehityksen taso. Seurauksena on, että inventoinnit ovat kalliita, epätarkkoja ja tehdään vain joka 5-10 vuosi. Metsien merkitys ilmastonmuutoksen hillinnässä, ekosysteemipalveluissa ja luonnonperusteisissa ratkaisuissa oli selvä jo silloin. Niinpä CollectiveCrunchista tuli “metsätekoälyyritys”. Henkilökohtaisesti me kaikki olemme kasvaneet maaseudulla, joten meillä on luontainen suhde metsiin. Niinpä päädyimme rakentamaan tekoälymallit metsille.

Mitä työkaluja ja kamerat käytetään metsän seuraamiseen?

Lähestymistapamme on yhdistää kaikki relevantit tietolähteet, joita voimme saada käsiimme. Jokaisella aistimismenetelmällä on vahvuudet ja heikkoudet; yhdistämällä tietolähteitä voimme kompenoida heikkoudet. Esimerkiksi optiset kuvat ovat hyvin hyödyllisiä, mutta ne eivät ole saatavilla satelliiteista, kun on pilvipeite. Liiketoimintamallin kannalta emme osallistu tietojen keräämiseen, kuten drone-lennoille tai lentokoneiden vuokraamiseen alueiden skannaukseen.

Muut kuin satelliittiperäiset aistimismenetelmät, kuten LIDAR-skannaukset, ovat hyvin tärkeitä työkaluja. Korkearesoluutioiset optiset kuvat, jotka on otettu ilmakampanjoilla, ovat vähemmän merkittäviä kuin LIDAR, mutta niitä käytetään myös. Työkalu, jota yllättäen käytetään edelleen laajasti, on vanha 1800-luvun menetelmä, jossa otetaan näytteitä manuaalisesti. Tilastojen kanssa voisin kutsua sitä työkaluksi.

Onko järjestelmä kykeneväinen oppimaan eri paikallisten ekosysteemien tunnistamiseen, patogeenisten infektioiden, poikkeamien ja häiriöiden tunnistamiseen tai muiden puun tautien tunnistamiseen?

On sopeutumista eri alueellisiin ekosysteemeihin, mukaan lukien muutosten havaitseminen. Puulajit, kasvumallit ja metsänhoitokäytännöt vaihtelevat suuresti alueittain. Samoin tekevät tietojen keräämismenetelmät ja -käytännöt. Niinpä ei ole vain puita, vaan myös koulutusdataa, joka on erilainen.

Mitä toimivia oivalluksia voidaan saada tästä tiedosta?

• Ryhmittyneenä “muutosten havaitsemiseksi” voimme havaita myrskyn vahingot, tuhohyönteisten puhkeamisen ja muita negatiivisia vaikutuksia, jotka vaativat toimenpiteitä maanpinnalla ja rajoittavat vahinkojen vaikutusta.
• Hiilivarastot tarjoavat läpinäkyvyyden hiiliprojekteille ja helpottavat päätöksiä niiden arvon ja oston ympärillä.
• Uudelleenmetsittämisprojekteissa uusien puiden elinkyky riippuu oikeasta määrästä kosteutta maassa. Liian kuivuuden tai märän havaitseminen voi laukaista toimenpiteet estämään nuorten puiden epäonnistumista.
• Metsän inventoinnit kaupallisessa metsänhoidossa ohjaavat päätöksiä, kuten alueiden harvennusta (joka lisää kasvua) ja sadon optimointia. Lajitunnistus tekee toimitusketjun tehokkaammaksi ja lisää voittomarginaaleja. Yhdessä nämä mahdollistavat teollisuuden käyttää metsävaroja tehokkaammin. Tämä on tärkeää, koska suurin osa kaupallisesta metsästä on avainasemassa maaseutuyhteisöjen ylläpitämisessä ja kestävien tuotteiden ja pakkausten omaksumisessa.
• Lajien seuraaminen voi laukaista toimenpiteet, jos alue kärsii degradaatiosta. Lajien monimuotoisuus on tärkeää, jotta metsämme tulevat kestävämmiksi ilmastonmuutoksen keskellä.

Miten analytiikka hyödyttää kestävää metsänomistusta?

Useat hyödyt tulivat esiin. Ensinnäkin kaupallinen metsänhoito on jatkuvasti omaksuvaa uusia toimia kestävyyden parantamiseksi. Monet näistä vaativat parempaa ja syvempää analytiikkaa. Esimerkiksi: raivausalueet, joilla metsäalue raivataan 100%, vaikuttavat voimakkaasti paikalliseen ekosysteemiin. Se tehdään tehokkuuden vuoksi – monet kestävät tuotteet, kuten kuitupohjaiset pakkaukset, eivät voisi kilpailla vähemmän kestävien vaihtoehtojen kanssa, jos metsäteollisuus tulisi vähemmän tehokkaaksi. Teollisuus tutkii vaihtoehtoja, joissa vain suurimmat puut jokaisessa alueessa kaadetaan. Se on paljon kestävämpää, mutta logistiikan ja kustannusten kannalta se on hyvin haasteellista. Ja se voidaan tehdä vain viimeisimmän analytiikan avulla.

Lajien monimuotoisuus on välttämätöntä metsien kestävyydelle. Lajien seuraaminen ja tarvittaessa toimenpiteiden käynnistäminen on tärkeää metsän elinkykyyn sekä lyhyellä että pitkällä aikavälillä.

Miten järjestelmä varmistaa, että hiilensidontaprojekti vähentää ilmastonmuutoksen vaikutuksia?

Järjestelmä saavuttaa tietyn tarkkuuden metsän inventoinnissa, joka on verifiointikelpoinen. Suurin osa vihreästä pesuhuumasta ei tapahdu analytiikan tasolla, vaan siinä, miten projektit on rakennettu. Metsähiiliprojektit, jotka pyrkivät välttämään metsien hävittämistä, kärsivät usein kahdesta ongelmasta:

• Vertailukohteet: Tämä on joukko oletuksia, jotka ennustavat, mitä tapahtuisi ilman interventiota. Interventio lasketaan sitten “lisäarvon” vertailukohdan yläpuolelle. Vertailukohteet eivät tule tänä päivänä data-perusteisesta analytiikasta, vaan usein karkeista keskiarvoista. Lisäksi vertailukohde lasketaan itse projektinjohtajien toimesta, jotka ovat ristiriidassa etujensa kanssa: mitä alempi vertailukohde, sitä enemmän luotuja krediittejä.
• Spillage: Ilmiö, jossa myönteiset asiat, jotka tapahtuvat määritellyissä projektialueissa (kuten vähennetty metsänhakkuu), kompensoituvat asioilla, jotka tapahtuvat projektialueen ulkopuolella. Usein näitä alueita ei seurata, joten projekti saa krediittejä, kun taas ylätaso menetetään ympäröiville metsille.

Perusongelma on, että on puute data-perusteisesta analytiikasta, jolla voidaan seurata, mitä tapahtuu. Tämä on mahdollista tänä päivänä, voimme tehdä sen suurimittakaavaisesti, mutta on hyvin hidasta sopeutumista viimeisimpiin teknologioihin tässä alalla. Lyhyesti sanottuna, ongelma ei ole analytiikassa, vaan siinä, mitä krediittien laskemiseen perustuu.

Onko teillä case-tutkimuksia, joita voitte jakaa asiakkaiden käyttäessä järjestelmää?

• ENCE, Espanjan suurin metsänomistaja, käyttää järjestelmäämme.
• Ensimmäinen ja suurin asiakkaamme on Metsähallitus (Suomen valtion metsät).
• Yhteistyökumppanimme Forliance, yksi maailman suurimmista ja arvostetuimmista hiiliprojektien johtajista, työskentelee kanssamme yhdessä Kolumbian suurimmista hiiliprojekteista.
• 7 kymmenestä suurimmasta metsämaasta Euroopan pohjoisissa maissa ovat asiakkaitamme. Viimeisin asiakkaamme, joka ilmoitetaan pian, on yksi Suomen “kolmesta suuresta”.

Mikä on visio teidän tulevaisuuden metsien suojelulle?

Visiomme on data-perusteinen, faktaperusteinen analytiikka luonnonperusteisissa ratkaisuissa. On hyvin selvää, että meidän on toimittava nopeasti ilmastonmuutoksen hillitsemiseksi. Tällä hetkellä suurin osa maailman metsistä inventoidaan vain joka 5-10 vuosi. Meidän pitäisi vähentää tätä aikaa kuukausittaiseen seuraamiseen, jotta voimme ymmärtää, mitä tapahtuu. Lisäksi meidän on seurattava lajien monimuotoisuutta. Ilman lajien monimuotoisuutta menetämme metsien kestävyyden ilmastonmuutoksen keskellä.

Onko mitään muuta, mitä haluaisitte jakaa CollectiveCrunchista?

Kykenemme tekemään tämän suurimittakaavaisesti. Kattavuus on 20 miljoonaa hehtaaria, noin 50 miljoonaa eekkeriä metsää. Teemme tämän tarkkuudella, joka on parempi kuin perinteiset menetelmät, joita korvaamme. Tämä on todellista, ja se mahdollistaa läpinäkyvyyden hiilidioksidikaupassa.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla CollectiveCrunchissa.