Te vaak proberen modemerken nu nog hun reputatie op het gebied van milieu, maatschappij en bestuur (ESG) te verbeteren door greenwashing, suggestieve marketing, slimme labels en onverifieerbare duurzaamheidstoezeggingen. Hoe kan de mode-industrie het tij keren en een verhaal vertellen dat op feiten is gebaseerd? Het antwoord is eenvoudig: dirty data aanpakken.  

Ongegrond
Regeringen over de hele wereld nemen steeds vaker drastische maatregelen om kledingmerken ter verantwoording te roepen over hun duurzaamheidsbeleid. Wat begon met de vraag om steeds transparanter te worden, groeide uit tot een wereldwijde wildgroei van wetgevingen. Met als laatste toevoeging de regels van de Europese Unie om greenwashing verder terug te dringen. De EU zegt in een onderzoek dat 53 procent van alle duurzaamheidsclaims van bedrijven te vaag of ongegrond is. Veertig procent is zelfs helemaal onbewezen. Consumenten willen steeds vaker duurzame producten én de garantie dat die claim echt is. 

Hoe konden kledingmerken zo lang wegkomen met deze onjuiste duurzaamheidsclaims? Dat komt mede door ‘dirty data’, oftewel: incomplete, onnauwkeurige en inconsistente gegevens. Dat wil niet zeggen dat bedrijven dat met opzet gebruiken. Integendeel, dirty data ontstaat meestal door slecht databeheer, data van lage kwaliteit en slechte data maturity, oftewel: hoe geavanceerd is de data-analyse van een bedrijf? Dat leidt vervolgens tot een incorrect en onduidelijk beeld van de supply chain, en zo ontstaan er onjuiste ESG-rapportages. 

Overvloed aan gegevens
Als de mode-industrie het probleem wil tackelen, moet eerst achterhaald worden waar het ontstaat. Doorgaans zijn daar drie oorzaken voor. Om te beginnen is er een overvloed aan gegevens. Denk alleen al aan de grote hoeveelheid data die modemerken genereren met hun aanwezigheid op sociale media, zoals het posten van foto’s en video’s, plaatsen van stories, betaalde advertenties en samenwerkingen met influencers. Veel van deze gegevens zijn afkomstig van ongestructureerde of semigestructureerde bronnen. Dat zorgt voor een probleem wat betreft geloofwaardigheid, want de overvloed aan gegevens zorgt ervoor dat bedrijven talloze tegenstrijdige KPI’s ontwikkelen. Daardoor zijn die KPI’s lastig te meten en dat leidt weer tot onjuiste rapportages.  

Data governance biedt hier een oplossing. Dit concept zorgt ervoor dat data in het juiste formaat staat en waarborgt de kwaliteit van datastromen binnen en buiten het bedrijf.  Bedrijven moeten ook normen voor gegevenskwaliteit vaststellen die door alle leveranciers in de supply chain kunnen worden gevolgd. Zo houden bedrijven hun data onder controle – zelfs als deze afkomstig is van verschillende bronnen – en dan is die ook meetbaar voor KPI’s. 

Bijproducten
Bedrijven in de mode-industrie hebben vaak een grote en geavanceerde supply chain. Daar komt bij dat de meeste modemerken geen eigenaar zijn van hun productielijnen. De productie van alle bijproducten, zoals knopen, garen, ritsen en riemen wordt uitbesteed aan externe leveranciers over de hele wereld. Ook zij hebben allemaal hun eigen, soms ondoorzichtige, data. Het aantal vertakkingen in de supply chain is eindeloos dankzij die wereldwijde keten van leveranciers en onderleveranciers. Dat er in zo’n vertakte keten een gebrek aan uniformiteit is, lijkt vanzelfsprekend. 

Het standaardiseren van data verhelpt dit probleem. Verkopers en leveranciers gebruiken verschillende formaten, kwaliteitsniveaus en waarden om gegevens te begrijpen. Dat leidt tot verschillende interpretaties en misleidende KPI's. Dat risico is uit te sluiten door met leveranciers uniforme afspraken over gegevens te maken. 

Tussenpersonen
Tot slot moet het uitbestedingsprobleem aangepakt worden. Een kledingmerk heeft, zoals al eerder vastgesteld, nauwelijks inzicht in de volledige supply chain. Tussenpersonen sluiten vaak deals met andere leveranciers. Dat zorgt voor ruis op het gebied van betrouwbare data. Het resultaat: er worden veel aannames en ruwe schattingen gemaakt. Data-automatisering is daar een oplossing voor en zelfs cruciaal voor bedrijven met een exponentiële datagroei. Het proces bestaat uit drie hoofdfasen: gegevens uit spreadsheets halen, de gegevens transformeren om compatibiliteit te garanderen en ze in een centrale opslagplaats laden. Geautomatiseerde gegevensverzameling verlaagt de werkdruk aanzienlijk en verbetert de gegevenskwaliteit. Er hoeft dan immers niemand meer handmatig op zoek naar de volledige herkomst van die set knopen of die ene riem. 

De aanpak van dirty data kun je zien als reinigingsmiddel bij greenwashing. Je hebt geloofwaardige gegevens van topkwaliteit nodig om aan te tonen hoe groot je ecologische voetafdruk is. Zo bescherm je de stakeholders van een kledingmerk en het bedrijf zelf. Toch is het geen wondermiddel. Bedrijven moeten continu bouwen aan een transparante bedrijfscultuur en toeleveringsketen. Daar zijn stabiele rapportagesystemen voor nodig. Alleen dan kunnen kledingmerken hun duurzaamheidsverplichtingen nakomen én onderbouwen, zonder geloofwaardigheid te verliezen.

Maria Nikolaidou
Senior sustainability manager Cognizant