Klasyfikacja danych DPP: obowiązkowe, zalecane, dobrowolne

Dlaczego klasyfikacja danych ma znaczenie dla DPP

Jedno z najczęściej zadawanych pytań brzmi: które dane w paszporcie produktu są naprawdę wymagane, a które opcjonalne?

Do niedawna odpowiedź wymagała domyślania się na podstawie tekstów ESPR i oczekiwania na sektorowe akty delegowane. 19 marca 2026 roku Wspólne Centrum Badawcze Komisji Europejskiej (JRC) opublikowało jednak metodologię, która odpowiada na to pytanie wprost: JRC145830 — Methodology for defining data requirements for the Digital Product Passport under the ESPR framework.

Raport wprowadza przejrzysty, powtarzalny sposób klasyfikacji danych DPP na trzy warstwy: obowiązkowe (essential), silnie zalecane (strongly recommended) i dobrowolne (voluntary). Koncentruje się na semantycznej definicji i priorytetyzacji wymagań informacyjnych, systematycznie badając bieżące praktyki zbierania i udostępniania danych w złożonych łańcuchach wartości produktów. Framework ma wspierać tworzenie aktów delegowanych ESPR i ocen skutków, ale jego praktyczna wartość dotyczy każdej firmy, która porządkuje dane produktowe pod kątem DPP już dziś.

Trzy warstwy frameworku

Dane obowiązkowe (essential)

Elementy wymagane bezpośrednio przez regulację lub ściśle niezbędne do spełnienia podstawowej funkcji prawnej DPP:

• unikalna identyfikacja produktu
• dane o odpowiedzialnym podmiocie gospodarczym
• deklaracje zgodności regulacyjnej
• dane wymagane przez właściwy akt delegowany lub regulację sektorową

Brak obowiązkowego elementu oznacza, że DPP jest niekompletny. Po wejściu w życie aktu delegowanego te elementy są bezdyskusyjne. Metodologia JRC podkreśla, że dane obowiązkowe muszą być ściśle powiązane z odpowiednim poziomem granularności paszportu produktu. W praktyce chodzi o to, jak precyzyjnie paszport identyfikuje produkt:

• Poziom modelu — jeden paszport opisuje wszystkie egzemplarze danego modelu (np. „pralka Model X”). Dane są identyczne dla każdej wyprodukowanej sztuki.
• Poziom partii — paszport dotyczy konkretnej partii produkcyjnej (np. „partia 2026-03-A pralki Model X”). Dane mogą różnić się między partiami, np. skład surowcowy.
• Poziom jednostki — każda indywidualna sztuka produktu ma własny paszport z unikalnym identyfikatorem (np. numer seryjny). Umożliwia śledzenie historii konkretnego egzemplarza przez cały cykl życia.

Wybór poziomu granularności zależy od aktu delegowanego dla danego sektora i bezpośrednio wpływa na zakres wymaganych danych obowiązkowych.

Dane silnie zalecane (strongly recommended)

Elementy, które nie zawsze są ściśle wymagane, ale uzyskują wysoką ocenę w przejrzystej analizie wartość–wysiłek i wykonalność, opartej na rzeczywistych praktykach branżowych. Dostarczane przez nie informacje mają udowodnioną przydatność dla regulatorów, konsumentów lub partnerów w łańcuchu wartości, a wysiłek związany z ich pozyskaniem uznaje się za uzasadniony przy obecnym poziomie gotowości branży i technologii.

Przykłady często pojawiające się w tej warstwie:

• skład materiałowy wykraczający poza prawnie wymagane substancje
• ślad węglowy lub wskaźniki środowiskowe tam, gdzie metodologie obliczeniowe są dojrzałe
• informacje o naprawialności lub trwałości, gdy istnieją zestandaryzowane metryki
• dowody identyfikowalności w łańcuchu dostaw ponad minimalne progi prawne

W praktyce dane silnie zalecane najlepiej czytać jako warstwę wczesnego priorytetu przygotowawczego, wdrożeń etapowych lub bardziej ambitnych przyszłych wariantów regulacyjnych, gdy dojrzewają narzędzia zbierania danych.

Dane dobrowolne (voluntary)

Elementy wnoszące dodatkową wartość w konkretnych kontekstach, ale uzyskujące niskie oceny w analizie wartość–wysiłek — albo dlatego, że ich pozyskanie na dużą skalę jest trudne, albo dlatego, że ich przydatność ogranicza się do wąskich grup odbiorców w łańcuchu wartości:

• rozszerzona analityka cyklu życia
• pogłębiona komunikacja zrównoważonego rozwoju skierowana do konsumentów
• własne benchmarki wydajności
• dane istotne wyłącznie dla wybranych dalszych użytkowników produktu

Uwzględnienie danych dobrowolnych nie jest odradzane, ale powinno wynikać z decyzji strategicznej, a nie z poczucia obowiązku regulacyjnego.

Jak działa metodologia JRC

Raport JRC nie ogranicza się do listy pól. Formalnie opisuje cztery główne kroki (A-D) z podetapami; z perspektywy zespołu firmowego tę logikę można streścić jako sześć powiązanych ruchów:

1. Mapowanie celów politycznych — zidentyfikuj, co ESPR (lub regulacja sektorowa) ma osiągnąć dla danej kategorii produktu.
2. Zdefiniowanie przypadków użycia — określ, kto potrzebuje danych (nadzór rynku, konsumenci, recyklerzy, serwisy) i w jakim konkretnie celu.
3. Identyfikacja kandydatów danych — wylistuj wszystkie informacje, które mogłyby obsłużyć zmapowane przypadki użycia.
4. Ocena wartości i wysiłku — oceń każdy element pod kątem praktycznej przydatności, dostępności danych, kosztów pozyskania i gotowości branży. W tym kroku metodologia JRC najbardziej odbiega od wcześniejszych podejść: wprowadza ustrukturyzowany framework oceny zamiast polegania wyłącznie na konsensusie paneli eksperckich.
5. Klasyfikacja do warstw — przypisz każdy element do obowiązkowych, silnie zalecanych lub dobrowolnych na podstawie analizy wykonalności.
6. Zarządzanie danymi — uwzględnij prawa dostępu, granularność (model/partia/jednostka) i częstotliwość aktualizacji.

Raport JRC celowo nie obejmuje szczegółowej architektury systemowej i implementacji IT, jednak modularna struktura metodologii pozwala na jej stosowanie poza ramami ESPR, pod warunkiem przeprowadzenia równoważnych analiz kontekstu i wykonalności. Może to być istotne np. dla rozporządzenia w sprawie bezpieczeństwa zabawek (od 1 sierpnia 2030) czy rozporządzenia (UE) 2026/405 w sprawie detergentów (od 23 września 2029).

Co to oznacza dla firm w 2026

1. Priorytety stają się jaśniejsze

Przed metodologią JRC firmy musiały zgadywać, jakie dane zbierać, na podstawie niepełnych sygnałów z preambuły ESPR i planu prac. Trójwarstwowy framework daje uporządkowany sposób na oddzielenie „niezbędne teraz” od „użyteczne, ale do odroczenia”.

2. Granularność determinuje nakład pracy

JRC wyraźnie wiąże wymagania danych z koncepcją granularności. Wdrożenie DPP na poziomie jednostki (wymagające indywidualnej serializacji każdej sztuki) wymaga znacznie większego wysiłku niż DPP na poziomie modelu (obejmujące ogólne atrybuty produktu), ale otwiera drogę do zaawansowanego śledzenia i usług cyrkularnych.

Jak oszacować, jaki poziom może mieć znaczenie dla danego sektora, zanim tekst prawny będzie ostateczny? W praktyce firmy patrzą zwykle na trzy typy sygnałów:

• Akt delegowany — po przyjęciu to on rozstrzyga prawnie wymagany poziom (np. rozporządzenie bateryjne wymaga poziomu jednostki dla baterii pojazdów elektrycznych i przemysłowych powyżej 2 kWh).
• Cel regulacyjny — jeśli problem regulacyjny wyraźnie zależy od identyfikowalności poszczególnych sztuk lub materiałów, może wskazywać prawdopodobny kierunek, ale nie zastępuje tekstu prawnego.
• Plan prac ESPR i dokumenty przygotowawcze — mogą sygnalizować, gdzie większa szczegółowość identyfikowalności będzie istotna, ale same nie ustanawiają wymaganej granularności.

Dla firmy kluczowa konsekwencja jest prosta: im bardziej szczegółowy poziom granularności, tym większe koszty serializacji, infrastruktury IT i zbierania danych — ale też większa wartość paszportu dla usług cyrkularnych i nadzoru rynku.

3. Pięć warstw danych to praktyczne mapowanie wewnętrzne

Przewodnik po wymaganiach danych DPP opisuje pięć podstawowych warstw: tożsamość produktu, odpowiedzialny podmiot, skład, zrównoważony rozwój i identyfikowalność. Ten pięciowarstwowy model jest strukturą planistyczną InfoDPP, a nie taksonomią zdefiniowaną w JRC145830. Mimo to może służyć jako praktyczny sposób mapowania logiki priorytetyzacji JRC na wewnętrzny model danych produktowych.

4. Kontrola dostępu to osobny wymiar projektowy

Nie wszystkie dane obowiązkowe lub zalecane będą publiczne. Raport traktuje prawa dostępu jako osobne zagadnienie projektowania i governance DPP: to akty delegowane mają określać, którzy aktorzy widzą które dane, z uwzględnieniem proporcjonalności, ochrony danych i poufnych informacji biznesowych. W praktyce firmy powinny od początku projektować infrastrukturę DPP z różnymi poziomami widoczności, zamiast zakładać, że każde pole należy do warstwy publicznej.

5. Silnie zalecane zasługuje na plan bazowy

Warstwa „silnie zalecane” nie jest prawem. Ale wskazuje dane o wysokiej wartości regulacyjnej i relatywnie wykonalnym wdrożeniu, więc są naturalnymi kandydatami do wcześniejszego przygotowania, wdrożeń etapowych lub ambitniejszych wariantów przyszłych regulacji. Ostrożne podejście traktuje je jako priorytet planistyczny krótkiego horyzontu, a nie tylko dodatek.

6. Dobrowolne nie znaczy nieistotne

Niektóre dobrowolne elementy — szczególnie wokół analityki cyklu życia i dowodów cyrkularności — mogą zapewnić przewagę konkurencyjną, wesprzeć raportowanie ESG lub spełnić wymagania partnerów w dalszych ogniwach łańcucha wartości, nawet bez mandatu prawnego.

Przykłady sektorowe

Metodologia JRC ma zastosowanie w wielu sektorach, ale waga każdej warstwy zmienia się w zależności od kategorii produktu:

Sektor	Centrum obowiązkowe	Wzorce silnie zalecane
Baterie	Unikalna identyfikacja, ślad węglowy, surowce wtórne, należyta staranność	Dane o degradacji wydajności, identyfikowalność na poziomie ogniwa
Tekstylia	Skład włókien, substancje niebezpieczne, tożsamość producenta	Mapowanie dostawców, ślad wodny/energetyczny, metryki trwałości
Elektronika	Ocena naprawialności, części zamienne, skład materiałowy	Historia aktualizacji firmware, ocena recyklowalności
Zabawki	Dokumentacja bezpieczeństwa, ocena zgodności, identyfikowalność komponentów	Pochodzenie materiałów, dane o migracji chemicznej
Detergenty	Ujawnienie składników, dane klasyfikacyjne, informacje o zagrożeniach	Dowody biodegradowalności, recyklowalność opakowań
Materiały budowlane	Deklaracje środowiskowe (EPD), skład, parametry techniczne	Ślad węglowy w cyklu życia, potencjał ponownego użycia

Powyższe przykłady są poglądowe i oparte na logice metodologii oraz istniejących sygnałach regulacyjnych. Ostateczne listy pól zostaną potwierdzone w aktach delegowanych lub regulacjach sektorowych.

Relacja do istniejących wytycznych DPP

Metodologia JRC uzupełnia — a nie zastępuje — inne źródła:

• Załącznik III ESPR — wciąż definiuje zakres prawny możliwych wymagań DPP; metodologia JRC pomaga ustalić priorytety wdrożeniowe.
• Standaryzacja CEN/CENELEC — normy zharmonizowane określą formaty techniczne; metodologia JRC dotyczy tego, jakie dane uwzględnić, a nie jak je zakodować.
• CIRPASS — wcześniejszy projekt CIRPASS zmapował architekturę danych DPP; JRC145830 rozszerza to o przejrzystą warstwę klasyfikacji wartość–wysiłek powiązaną z oceną wykonalności w warunkach rzeczywistych.

Czytaj dalej

• Wymagania danych DPP: jakie dane są naprawdę potrzebne
• Czym jest Cyfrowy Paszport Produktu (DPP)?
• Jak stworzyć DPP: poradnik krok po kroku
• ESPR a rozporządzenie bateryjne a CBAM: czym się różnią?

Źródła oficjalne

• JRC145830 — Methodology for defining data requirements for the Digital Product Passport under the ESPR framework
• Rozporządzenie ESPR (UE) 2024/1781
• Plan prac ESPR Komisji Europejskiej 2025–2030

---

Chcesz zmapować dane produktowe według frameworku obowiązkowe–zalecane–dobrowolne? Zacznij za darmo na OriginPass.eu i przetestuj uporządkowany rekord produktu przygotowany pod wymagania DPP.