Dave Boundy on Innowatts – Haastattelusarja

Dave Boundy on Innowattsin CTO, joka on johtava AI-data-analytiikan yritys. SaaS-alusta tarjoaa yrityksille tarvittavat tiedot, jotta ne voivat olla ennakko- ja proaktiivisempia asiakkaidensa ja sähköverkkonsa suhteen, mikä auttaa heitä hallitsemaan riskiä, parantamaan kannattavuutta, ylläpitämään verkon luotettavuutta ja ennustamaan kestävän kehityksen trendejä.

Davidilla on yli 20 vuoden kokemus IoT- ja energiateollisuudesta. Hänen uransa on kattanut yritysten IT-toimintoja, tuotekehitystä, tutkimusta ja innovaatioita sekä uusien liiketoimintamallien kehittämistä. Ennen nykyistä tehtäväänsä hän perusti ja johti Intelin Global Energy Solutions -liiketoimintaa, joka toimitti koneoppimis- ja tekoälyratkaisuja asiakkaille maailmanlaajuisesti. Davidilla on useita patenteja ja hän on useiden neuvottelukuntien jäsen.

Mitä Innowatts on?

Innowatts on uusi energiayritys, joka pyrkii parantamaan asiakkaidensa liikevoittoja ja edistämään uusiutuvan energian käyttöä. Teemme tämän analysoimalla suuria määriä dataa, jotta voimme tarjota toimintavaltuisia näkemyksiä. Vaikka olemme B2B-yritys, tarjoamme sekä B2B- että B2C-palveluita asiakkaidemme loppukäyttäjille. Otamme mittausdatan kodista tai liiketoiminnasta tai verkkoon ja yhdistämme sen muihin tietokantoihin, kuten sosioekonomisiin tietoihin, CRM-tietoihin ja riskienhallintatietoihin.

Aiemmin mainittuun tekoälypohjaiseen analytiikkaan perustuva moottorimme tarjoaa näkemyksiä kuluttajatasolla tekemistä ennusteista aina energia kulutuksen hajauttamiseen. Tämän kautta voimme tunnistaa potentiaalisia tuotteita, jotka sopivat kuluttajalle. Tarjoamme myös palveluita, kuten optimaalisen maksumallin määritystä, jotta asiakkaat voivat maksimoida liikevoittonsa.

Lopulta tukemme verkkoyhtiöitä ja energiayhtiöitä suunnittelemaan tulevaisuutta. On tärkeää, että he ymmärtävät, missä muutoksia tapahtuu, jotta he voivat optimoida varojaan ja laskea hintoja kuluttajille.

Mitä koneoppimisteknologioita Innowatts käyttää?

Perusidea on, että autamme koneita ajattelemaan enemmän ihmisen tavoin, samalla kun sallimme niiden käsitellä suuria tietomääriä. Meillä on yli 43 miljoonaa mittaria hallinnassamme, ja käsittelemme miljardeja tietopisteitä tunnissa useissa maissa ja useiden asiakkaiden kanssa. Valvotussa tilassa käytämme useita malleja, kuten lineaarista regressiota, päätöspuita jne.; valvomattomassa tilassa esimerkkejä ovat ensemble-mallit, neuroverkkomallit ja satunnaiset metsät.

Koneoppimismallien monipuolisuus on avainominaisuus tuotteidemme vahvuudelle — voimme tunnistaa oikean mallin kullekin asiakkaalle ja tilanteelle. Voimme laskea sen mittariasuille. Se asettaa meidät johtoasemaan tässä toimialalla.

Miksi energian seuranta on tärkeää energian myyjille?

Uuden asiakkaan hankkimisen kustannukset ovat usein kaksi tai kolme kertaa enemmän kuin myyjän voitto asiakkaasta vuodessa. Tämä tarkoittaa, että se kestää kaksi tai kolme vuotta saadakseen takaisin asiakasluokan kustannukset, joten on erittäin tärkeää pitää jokainen asiakas.

Autamme myyjiä saavuttamaan tämän antamalla heille mahdollisuuden erottautua. Tarjoamme ennusteita ja mahdollisuuden määritellä ja kehittää aikataulupohjaisia maksuja, jotta he voivat räätälöidä tuotteensa asiakkailleen. Voimme myös tarjota riskienhallintaa ja hinnoittelupalveluita sekä mahdollisuuden tunnistaa parhaat kuluttajat kussakin alueessa. Voimme myös tunnistaa, mitkä asiakkaat ovat parhaiten sovellettavissa tiettyihin tuotteisiin. Se kaikki johtaa asiakkaille houkuttelevampaan ja kustannustehokkaampaan palveluun, joka parantaa sekä hankintaa että pidättyvyyttä.

Mitä tärkeitä näkemyksiä voidaan saada energian kulutuksen tutkimisesta?

Kuvittele, että olet juuri ostanut sähköauton. Malleimme voidaan havaita se, jotta sähköyhtiö voi lähettää sinulle räätälöityjä viestejä ja kohdennettuja palveluita, jotka ovat sovellettavissa uuden sähköauton omistajana — esimerkiksi erilainen maksu, uusi vakuutustuote tai huoltopalvelu.

Vastaavasti voimme tunnistaa ja ilmoittaa sinulle, perustuen energia kulutukseesi viimeisten 15 päivän aikana, että ennustamme energia kulutuksesi seuraavien 30 päivän aikana olevan paljon normaalia suurempi. Voimme sitten työskennellä sinun kanssa ennaltaehkäisevästi välttääksesi laskun shokin. Nämä ovat vain muutamia esimerkkejä siitä, minkälaisia osallistumisia voimme tarjota.

Ennustemahdollisuuksiemme on erittäin voimakas. Viimeaikaiset tapahtumat Texasissa tekivät ennustamisen erittäin haasteelliseksi, koska se oli täysin uusi skenaario. Mutta ennusteemme olivat 20-40 % tarkemmat kuin kilpailijoiden, joten asiakkaamme olivat paljon paremmin valmistautuneita häiriöihin. Käyttämällä ennusteitamme osana heidän hedge-strategiaansa, he olivat paljon paremmin asemissa, kun sähkönhinnat nousivat 9 000 dollariin megawattitunneissa. Säästöt heille ovat olleet merkittäviä. Se, että mallimme sopeutuvat nopeasti muuttuviin tilanteisiin, mahdollistaa myös asiakkaiden ennustaa ja tarjota tehokkaasti jopa epävakaiden tilanteiden keskellä.

Tämän tasoisen energiatiedon seuraamisen ja tulkinnan merkitys kasvaa jatkuvasti. Monet myyjät menevät konkurssiin, ja suuret myyjät ovat hedgeanneet tarpeensa markkinoilla jopa vuoden, ehkä pidempään. Riippuen strategiastaan ja riskiprofiilistaan, he saattavat olla hankkineet 50 % tarvittavasta energiasta viime viikolla. He olisivat yrittäneet lisätä sitä prosenttia, kun riskiprofiili ja energiahintakin nousivat. He olisivat hedgeanneet enemmän, mutta lopulta he olisivat menneet markkinoille ostamaan sähköä. Heidän olisi pitänyt tehdä se keskihinnalla edelliseltä vuodelta, joka on ollut noin 25 dollaria megawattitunnissa. Nyt menemällä markkinoille, he yrittävät ostaa sitä 9 000 dollarilla megawattitunnissa. Sähkönhinnan kustannus myyjälle on valtava, se on heidän vuoden voittonsa menetettyä iltapäivässä.

Mitä keinoja voidaan käyttää tämän tiedon vaikuttamiseksi vihreämmän energian käyttöön?

Historiallisesti verkkoon on reagoitu kysynnän mukaan — kun kysyntä kasvoi, toimijat rakensivat enemmän voimaloita, asensivat enemmän kaapeleita, polttivat enemmän polttoainetta. Olemme nyt siirtymävaiheessa, jossa siirrymme tarjontajohtoiseen verkkoon. Siirtyessämme uusiutuvaan energiaan meidän on pystyttävä johtamaan tarjontaa. Uudessa maailmassa tarjonta saapuu, kun tuuli puhaltaa tai aurinko paistaa. Meillä on myös näköpiirissä suuri kasvu kysynnässä liikenteen ja lämmityksen sähköistymisen myötä.

Mitä me teemme asiakkaidemme kanssa, on analyysi siitä, miten kuluttajat käyttävät energiaa. Aloittaen katsomalla, kuinka suuri osa heidän kuormastaan on niin sanottua peruskuormaa. On joitakin asioita, joita voidaan tehdä kannustamaan ihmisiä vähentämään sitä, mutta suurimmaksi osaksi se on kiinteää. Voimme tunnistaa ne, jotka ovat alttiita sääolosuhteille, voimme tunnistaa kodit, jotka voisivat hyötyä lämmöneristystoimenpiteistä — eristystä tai asentamalla termostaatin.

Voimme myös tunnistaa aikataulupohjaiset kuormat, jotka ovat merkkinä käyttäytymisestä. Ilman liian syvää tutkimista voimme nähdä kotitilanteita. Esimerkiksi voimme neuvoa asiakasta, että hän saattaisi haluta tarkastella jäähdytystä tai lämmitystä kotonaan eri ajankohtana, jotta se olisi mukavampaa, säästäisi rahaa tai maksimoisi vihreän energian käytön.

Voimme myös käyttää proaktiivisia, kysyntäpuolen hallintastrategioita, jotta kulutus on suunnattu uusiutuvan energian saatavuuteen ilman, että se vaikuttaa negatiivisesti käyttäjän kokemukseen. Esimerkiksi voit yleensä liittää sähköautosi lataukseen kello 19 ja irrottaa sen kello 7 aamulla. Voimme lähettää kysyntäpuolen hallintasignaalin latauspisteisiin määrittämään ne tunnit, jolloin autosi latautuu, jotta voidaan optimoida uusiutuvan energian käyttöä.

Innowatts ilmoitti vuonna 2020, että se oli ylittänyt viisi muuta energiaennustajaa useimmilla mittareilla riippumattomassa kokeessa. Miten arvokasta on pystyä ennustamaan tällä tasolla tarkkuutta?

Tilanne Texasissa osoitti virheellisen ennustamisen kustannukset. Jos myyjä katsoo mahdollista puolen miljardin dollarin tappiota, niin ennusteemme — jotka ovat 20-40 % tarkemmat kuin kilpailijoiden — voisivat konservatiivisesti säästää heille yli 100 miljoonaa dollaria. Se on äärimmäinen tilanne, mutta meidän hienojakoinen lähestymistapa tarkoittaa, että asiakkaamme ovat edellä vuoden ympäri, vaikka ilman äärimmäistä volatiliteettia.

Esimerkiksi tuemme Euroopassa toimivaa toimijaa, jolla on sekä kaupallisia että teollisia asiakkaita. He ovat yrittäneet vuosia saada proaktiivisia ilmoituksia siitä, milloin heidän asiakkaidensa ottavat toimia — kun he lisäävät tai vähentävät tehonsa — mutta he eivät ole onnistuneet. Olemme pystyneet ennustamaan heille 15 minuutin välein kullekin kaupalliselle ja teolliselle asiakkaalle, mikä mahdollistaa heidän ennakoida kuormamuutoksia ja tehdä älykkäämpiä ostopäätöksiä hyvin hienojakoisella tasolla — ja se tarkoittaa, että he voivat säästää merkittäviä summia.

Mikä on tulevaisuus data-tieteessä ja koneoppimisessa tässä toimialalla?

Kuten mainitsin, käsittelemme erittäin suuria tietomääriä. Mitä enemmän dataa meillä on ja mitä tarkempi se on, sitä enemmän voimme johtaa ja päätellä tietoa — ja mitä enemmän tietokoneiden laskentakapasiteetti kasvaa, sitä nopeammin voimme prosessoida tietoa, jotta voimme tarjota voimakkaita näkemyksiä. Matemaattiset periaatteet eivät muutu, mutta meidän kasvava kyky soveltaa monimutkaisia matemaattisia kaavoja suurella mittakaavalla tekee nämä kyvyt yhä vaikuttavammiksi, merkittävimmiksi ja edullisimmiksi seuraavien vuosien aikana. Lopulta tämä tukisi pyrkimyksiä kohti päästörajoitettua verkkoa. Kiitos haastattelusta, lukijoille, jotka haluavat oppia lisää, suosittelemme vierailemaan Innowattsissa.