Dave Boundy es el CTO en Innowatts – Serie de entrevistas

Dave Boundy es el CTO en Innowatts, un líder en análisis de datos de inteligencia artificial. La plataforma SaaS proporciona a las empresas los datos necesarios para ser más predictivos, proactivos y conectados con sus clientes y usuarios, lo que les ayuda a gestionar mejor el riesgo, mejorar la rentabilidad, mantener la confiabilidad de la red y anticipar las tendencias de sostenibilidad.

David tiene más de 20 años de experiencia en la industria de IoT y energía. Su carrera ha abarcado desde la informática empresarial, el desarrollo de productos, la investigación y la innovación, y el lanzamiento de nuevos negocios. Antes de su cargo actual, estableció y dirigió la unidad de soluciones de energía global de Intel (INTC ), brindando soluciones de aprendizaje automático y inteligencia artificial a clientes en todo el mundo. David es titular de varias patentes y forma parte de varios consejos asesores.

¿Puedes describir qué es Innowatts?

Innowatts es una nueva empresa de energía centrada en mejorar los márgenes brutos de nuestros clientes mientras impulsa la adopción de energías renovables. Lo hacemos analizando grandes cantidades de datos para desbloquear conocimientos aprovechables. Aunque somos una empresa B2B, ofrecemos servicios B2B y B2C a través de nuestros clientes a sus usuarios finales. Tomamos datos de nivel de medidor de una casa o negocio, o dentro de la red, y los combinamos con muchos otros conjuntos de datos, incluidos datos socioeconómicos, datos de CRM y datos de gestión de riesgos.

Nuestro motor de análisis basado en inteligencia artificial proporciona conocimientos que van desde la previsión a nivel de consumidor hasta la desagregación del uso de energía actual y futuro. A través de esto, podemos identificar productos potencialmente adecuados para cualquier consumidor. También proporcionamos a los clientes minoristas servicios como la identificación del modelo de tarifa óptimo para maximizar sus márgenes brutos.

Finalmente, apoyamos a los operadores de redes y servicios públicos para ayudarles a planificar el futuro. Es esencial que comprendan dónde están ocurriendo los cambios para que puedan optimizar los activos mientras reducen los precios para los consumidores.

¿Qué tipo de tecnologías de aprendizaje automático se utilizan en Innowatts?

En esencia, estamos ayudando a las máquinas a pensar de manera más humana, mientras también les permitimos escalar y tratar con conjuntos de datos muy grandes. Tenemos más de 43 millones de medidores bajo gestión, y tratamos con miles de millones de puntos de datos cada hora en múltiples geografías y clientes. En el espacio supervisado, utilizamos una variedad de modelos, incluyendo regresión lineal, árboles de decisión, etc.; en el espacio no supervisado, ejemplos incluyen modelos de conjunto, redes neuronales y bosques aleatorios.

Nuestro uso de una variedad de modelos es central para la fuerza de nuestro producto — podemos identificar el modelo adecuado para cualquier cliente en cualquier situación dada. Podemos reducirlo al nivel de medidor. Eso es lo que realmente nos posiciona como líderes en este espacio.

¿Por qué es importante el monitoreo de energía para los minoristas de energía?

El costo de adquirir a un cliente a menudo es dos o tres veces el margen que un minorista obtiene de ese cliente en un año. Eso significa que lleva dos o tres años recuperar los costos de adquisición del cliente, así que es realmente importante retener a cada cliente.

Nosotros ayudamos a los minoristas a lograr eso al darles la capacidad de diferenciarse. Proporcionamos previsiones y la capacidad de definir y desarrollar tarifas de uso en tiempo real para adaptar su producto a sus clientes. También podemos proporcionar plataformas de gestión de riesgos y precios, junto con la capacidad de identificar a los mejores consumidores en cada territorio. También identificamos a los clientes que mejor se adaptan a productos específicos. Todo eso se suma a un servicio más atractivo y rentable para los clientes, mejorando tanto los esfuerzos de adquisición como de retención.

¿Cuáles son algunos de los conocimientos clave que se pueden obtener al estudiar el consumo de energía?

Imagina que acabas de comprar un vehículo eléctrico. Nuestros modelos pueden detectar eso, lo que permite a tu proveedor de electricidad enviar automáticamente comunicaciones personalizadas y servicios dirigidos aplicables a tu estado como nuevo propietario de un vehículo eléctrico — quizás una tarifa diferente, un nuevo producto de seguro o un producto de servicio.

De manera similar, podemos identificar y notificar proactivamente, basándonos en tu uso de energía en los últimos 15 días, que proyectamos que tu consumo en los próximos 30 días será mucho mayor que el normal por una razón específica. Luego podemos trabajar contigo para tomar medidas preventivas para evitar un shock de factura. Estos son solo algunos ejemplos del tipo de compromisos que podemos entregar.

Nuestras capacidades de previsión también son extremadamente poderosas. Los eventos recientes en Texas hicieron que la previsión fuera muy difícil, porque fue un escenario completamente novedoso. Pero nuestras previsiones fueron un 20% a 40% más precisas que las de nuestros competidores, así que nuestros clientes estaban mucho mejor preparados para la interrupción. Al utilizar nuestras previsiones como parte de su estrategia de cobertura, estaban mucho mejor posicionados cuando los precios de la energía se dispararon a $9,000 por megavatio hora. Los ahorros para ellos han sido significativos. El hecho de que nuestros modelos se adapten rápidamente a situaciones cambiantes también permite a nuestros clientes prever y licitar de manera efectiva en situaciones altamente volátiles, incluso en medio de apagones programados.

Este nivel de monitoreo e interpretación de datos de energía es cada vez más importante. Muchos minoristas estarán saliendo del negocio, y los grandes minoristas han cubierto sus necesidades en el mercado hasta un año, quizás más. Dependiendo de su estrategia y perfil de riesgo, pueden haber adquirido el 50% de la energía necesaria en la última semana. Habrían intentado aumentar ese porcentaje a medida que aumentaba el perfil de riesgo y el precio de la energía. Habrían cubierto más, pero en última instancia, habrían estado entrando en el mercado en tiempo real intentando comprar energía. Estaban intentando comprar a un precio promedio del último año, que ha sido de aproximadamente $25 por megavatio hora. Ahora, al entrar en el mercado, están intentando comprar a $9,000 por megavatio hora. Así que el costo para el minorista es enorme, eso es el beneficio de un año que se va en una tarde.

¿De qué manera se puede utilizar esta información para influir en el uso de energía más verde?

Historicamente, la red ha sido liderada por la demanda — cuando la demanda aumentaba, los operadores construían más centrales eléctricas, ponían más cables, quemaban más combustible. Ahora estamos en una fase de transición donde nos estamos moviendo hacia una red liderada por la oferta. A medida que nos movemos hacia las energías renovables, necesitamos ser capaces de gestionar el lado de la oferta. En el nuevo mundo, la oferta llega cuando el viento sopla o brilla el sol. También veremos un aumento significativo en la demanda debido a la electrificación del transporte y el calor.

Lo que hacemos para nuestros clientes es analizar cómo los consumidores utilizan la energía. Comenzamos examinando cuánto de su carga es lo que llamamos “carga base”. Hay algunas cosas que se pueden hacer para incentivrar a la gente a reducir eso, pero en general, es fijo. Podemos identificar a aquellos que son susceptibles a las condiciones climáticas, podemos identificar hogares que podrían beneficiarse de intervenciones térmicas — aislamiento o instalación de un termostato.

Pero también podemos identificar cargas sensibles al tiempo, lo que es un indicador de comportamiento. Sin ser demasiado invasivos, podemos ver comportamientos basados en el hogar. Por ejemplo, puedes aconsejar a un cliente que podría considerar enfriar o calentar su hogar en un momento diferente para hacerlo más cómodo, ahorrar dinero o maximizar su uso de energía verde.

También podemos utilizar estrategias de gestión de la demanda proactivas para alinear el consumo con la disponibilidad de energía renovable sin afectar negativamente la experiencia del usuario. Por ejemplo, es posible que conectes tu vehículo a las 7 p.m. y lo desconectes a las 7 a.m. Podemos enviar una señal de gestión de la demanda a los puntos de carga para determinar las horas en que realmente se carga tu vehículo, con el fin de optimizar el uso de las energías renovables.

En 2020, Innowatts anunció que había superado a cinco otros pronosticadores de energía en la mayoría de las medidas en una prueba independiente. ¿Cuán valioso es ser capaz de predecir con un nivel de precisión tan alto?

La situación en Texas mostró el costo de la previsión inexacta. Si un minorista está mirando una posible pérdida de medio billón de dólares, entonces nuestras previsiones — que son un 20% a 40% más precisas que las de la competencia — podrían conservativamente ahorrarles más de $100 millones. Esa es una situación extrema, pero nuestro enfoque granular significa que los clientes salen adelante todo el año, incluso sin volatilidad extrema.

Por ejemplo, estamos apoyando a un proveedor en Europa con clientes comerciales e industriales. Han estado tratando durante años de obtener notificaciones proactivas de cuándo sus clientes van a tomar acciones — cuándo van a aumentar o disminuir su potencia — pero no han tenido éxito. Hemos podido predecir para ellos a intervalos de 15 minutos para cada uno de sus clientes comerciales e industriales, lo que les permite anticipar cambios en la carga y tomar decisiones de compra más inteligentes a un nivel muy granular — y eso significa que pueden ahorrar una cantidad significativa de dinero.

¿Cuál es el futuro de la ciencia de datos y el aprendizaje automático en este sector?

Como mencioné, estamos tratando con conjuntos de datos muy grandes. A medida que obtenemos más datos y más datos granulares, podremos deducir e inferir más información — y a medida que aumenta la potencia de procesamiento, podremos procesar esos datos más rápidamente para entregar conocimientos poderosos. Los principios matemáticos no cambian, pero nuestra creciente capacidad para aplicar matemáticas complejas a gran escala hará que estas capacidades sean cada vez más efectivas, impactantes y asequibles en los próximos años. En última instancia, esto apoyará la tendencia hacia una red descentralizada.

Gracias por la gran entrevista, los lectores que deseen aprender más pueden visitar Innowatts.