DPP-Analyser ydeevnen i arbejdsområdet: Sådan bevarer du overblikket

Analyser arbejdsområdets samlede DPP-ydeevne: Hvilke målinger tæller, hvordan status for overensstemmelse og scanningsdata samles – og hvad EU-reglerne kræver fra 2027.

af QR3 Redaktion

DPP-Analyser ydeevnen i arbejdsområdet: Sådan bevarer du overblikket

Hvis man i dag driver mere end en håndfuld digitale produktpas, støder man hurtigt mod grænserne for en individuel produktvisning. Senest når en virksomhed administrerer flere produktlinjer, leverandører eller markedsregioner i ét qr3.app-arbejdsområde, opstår spørgsmålet: Hvordan kan den samlede ydeevne for alle DPPs analyseres samlet og sammenligneligt? Denne artikel viser, hvilke målinger der er relevante, hvordan man struktureret henter dem, og hvorfor den aktuelle regulering gør det nødvendigt at tage disse analyser alvorligt.


Hvorfor analyse på tværs af arbejdsområdet er nødvendig i dag

Det regulatoriske pres vokser hurtigt

Batteriforordningen (EU) 2023/1542 forpligter fra februar 2027 producenter og importører af industribatterier på 2 kWh eller mere, traktionsbatterier til elektriske køretøjer samt batterier til lette transportmidler til at anbringe en maskinlæsbar databærer, der henviser til et struktureret digitalt datasæt – tiden indtil da er knap. Virksomheder, der ikke inden da kan fremlægge pålidelige analyser af deres DPP-implementeringer, risikerer ikke kun manglende overensstemmelse, men også problemer ved toldpassage.

Parallelt satte Europa-Kommissionen den 20. juli 2026 det centrale EU-DPP-register i drift. Det gemmer entydige produktidentifikatorer og knytter dem til decentrale pasdata. Virksomheder skal registrere deres DPPs dér – og dermed også kunne dokumentere, at de lagrede data er fuldstændige og aktuelle.

Hertil kommer gennemførelsesforordning (EU) 2026/1778 af 16. juli 2026, som fastlægger tekniske og operationelle regler for det centrale register: API'er, semantiske repositorier og verificeringsplatforme er standardiseret dér. Hvis man ikke løbende overvåger sine DPP-data, opdager man måske først afvigelser fra den ønskede tilstand, når myndigheder eller handelspartnere spørger – for sent til en ordnet korrektion.

Harmoniserede standarder som målestok

Den 15. juli 2026 offentliggjorde Kommissionen gennemførelsesafgørelse (EU) 2026/1736, som harmoniserer seks tekniske standarder (EN 18216 til EN 18223) for DPP under ESPR. Disse standarder definerer blandt andet, hvilke datafelter der er obligatoriske, og hvordan interoperabilitet mellem forskellige systemer sikres. For analyse af arbejdsområdet betyder det: En ren scanningsstatistik er ikke nok – status for overensstemmelse for hvert enkelt pas skal også overvåges.


De relevante målinger i overblik

En meningsfuld analyse af arbejdsområdet kombinerer tre dimensioner: anvendelse, datakvalitet og overensstemmelse. Hvis man kun ser på én af dem, får man et forvrænget billede.

Anvendelsesmålinger: scanninger, resolverkald, enhedstyper

GS1 Digital Link er siden GS1-ratificeringsafgørelsen GSCN WR 26-226 af 17. juli 2026 også bindende for Data Matrix-koder og QR-koder. Hver scanning af en sådan kode genererer et resolverkald, som kan logges. På arbejdsområdeniveau er følgende nøgletal nyttige:

Måling Beskrivelse Anbefalet aggregering
Samlede scanninger Summen af alle resolverkald i perioden dagligt, ugentligt
Scanninger pr. DPP Gennemsnit og median for alle pas fordeling, afvigere
Geografisk fordeling Oprindelsesland for scanningsanmodninger heatmap efter ISO 3166
Enhedstype Mobil vs. desktop vs. API-klient andel i procent
Fejlrate HTTP 4xx/5xx på resolver-niveau absolut og relativ

I qr3.app kan disse data hentes på tværs af arbejdsområdet via Analytics-API'et. Et enkelt eksempel i TypeScript:

const response = await fetch(
  "https://api.qr3.app/v1/workspaces/{workspaceId}/analytics?from=2026-01-01&to=2026-07-31",
  {
    headers: { Authorization: `Bearer ${process.env.QR3_API_TOKEN}` },
  }
);
const data = await response.json();
console.log(data.totalScans, data.byPassport);

Score for datakvalitet

Ud over den rene anvendelse er det afgørende, hvor fuldstændige de lagrede pasdata er. De harmoniserede EN-standarder definerer obligatoriske felter – et dashboard for arbejdsområdet bør angive en fuldstændighedsgrad for hvert DPP. Typiske svagheder:

  • Manglende eller udløbne certifikatdata (f.eks. EU-overensstemmelseserklæring)
  • Ufuldstændige materialeoplysninger (relevante for informationskrav vedrørende genanvendelse)
  • Forældede energieffektivitetsværdier efter produktændringer

En SQL-baseret rapportering mod qr3.app-dataeksporterne kan afdække disse mangler systematisk:

SELECT
  passport_id,
  product_name,
  completeness_score,
  missing_fields
FROM dpp_quality_report
WHERE workspace_id = 'ws_abc123'
  AND completeness_score < 0.85
ORDER BY completeness_score ASC;

Status for overensstemmelse

Siden idriftsættelsen af BatteryPass-Ready-testmiljøet den 24. juni 2026 på thebatterypass.eu kan virksomheder køre deres DPP-implementeringer gennem definerede overensstemmelsestests – før den lovmæssige forpligtelse træder i kraft fra februar 2027. Fraunhofer IPK står for den tekniske infrastruktur på denne platform. For at bevare overblikket på tværs af arbejdsområdet anbefales en regelmæssig automatisk afstemning: Hvilke pas har bestået valideringen, hvilke har ikke, og hvilke er endnu slet ikke indsendt?


Analyse af arbejdsområdet i praksis: trin for trin

Trin 1: Fastlæg eksportstrukturen

Før man analyserer, skal man vide, hvilke data der foreligger i hvilket format. qr3.app gør det muligt at lave en masseeksport af alle pas i et arbejdsområde som JSON eller CSV. Til regelmæssige analyser anbefales en automatiseret eksport via et cron-job:

curl -X GET \
  "https://api.qr3.app/v1/workspaces/{workspaceId}/passports/export?format=json" \
  -H "Authorization: Bearer $QR3_API_TOKEN" \
  -o passports_$(date +%Y%m%d).json

Trin 2: Aggreger målingerne

Med eksporten kan målinger indlæses i ethvert BI-værktøj – fra enkle pivottabeller i Excel til dashboards i Grafana eller Metabase. Det afgørende er, at aggregeringen sker på arbejdsområdeniveau og ikke kun på produktniveau. Først sammenligningen mellem produktlinjer eller leverandører viser, hvor der er behov for handling.

Trin 3: Definer tærskelværdier og alarmer

En reaktiv analyse – „vi kigger på det en gang i kvartalet“ – er ikke tilstrækkelig, når kravene til overensstemmelse gælder løbende. Nyttige alarmer:

  • Fuldstændighedsgraden for et DPP falder under 80 %
  • Fejlraten for resolveren overstiger 2 % over 24 timer
  • Et DPP har ikke modtaget en eneste scanning i over 90 dage (muligt tegn på en forkert placeret eller ulæselig kode)
  • Certifikatet udløber om mindre end 30 dage

Trin 4: Dokumenter og del resultaterne

Myndigheder og handelspartnere vil i stigende grad kræve dokumentation for DPP-overensstemmelse. En struktureret eksportdokumentation – ideelt som en maskinlæsbar log i formatet for EU-DPP-register-API'en – er derfor ikke blot ønskværdig, men en del af dokumentationen for overensstemmelse.


Hvad de kommende måneder bringer

CEN/CENELEC-webinaret den 25. juni 2026 gjorde det klart, at de europæiske standarder for DPP ikke blot er tekniske anbefalinger, men at seks af disse standarder allerede har virkning som harmoniserede standarder under ESPR. Virksomheder, der stadig behandler deres DPP-implementering som et pilotprojekt, vil senest i første kvartal 2027 være under betydeligt tilpasningspres.

Indførelsen af det centrale EU-DPP-register den 20. juli 2026 markerer overgangen fra pilotdrift til operationel virkelighed. Den, der opbygger sin analyse af arbejdsområdet nu, får en strukturel fordel: Man kan lukke huller, før tilsynsmyndigheder eller toldsteder opdager dem – og man kan dokumentere over for kunder og investorer, at bæredygtighedsdata ikke blot findes, men også er aktuelle og fuldstændige.

Det tekniske grundlag – GS1 Digital Link som identifikationsstandard, harmoniserede EN-standarder som dataramme, det centrale register som indekseringstjeneste – er fastlagt. Det, der nu mangler, er den operationelle implementering på virksomhedsniveau: systematisk analyse, tydeligt ansvar og en proces, der betragter datakvalitet som en løbende opgave og ikke som en engangsforeteelse.

Kilder