Dave Boundy, CTO d’Innowatts – Série d’entretiens

Dave Boundy est le CTO d’Innowatts, un leader dans l’analyse de données basée sur l’IA. La plateforme SaaS fournit aux entreprises les données nécessaires pour être plus prédictives, proactives et connectées à leurs clients et consommateurs, les aidant ainsi à mieux gérer les risques, améliorer la rentabilité, maintenir la fiabilité du réseau et anticiper les tendances en matière de durabilité.

David a plus de 20 ans d’expérience dans l’industrie de l’IoT et de l’énergie. Sa carrière a couvert l’informatique d’entreprise, le développement de produits, la recherche et l’innovation, ainsi que les nouvelles entreprises. Avant son poste actuel, il a créé et dirigé le secteur des solutions énergétiques mondiales d’Intel, fournissant des solutions d’apprentissage automatique et d’intelligence artificielle aux clients du monde entier. David détient plusieurs brevets et siège au sein de plusieurs conseils consultatifs.

Pouvez-vous décrire ce qu’est Innowatts ?

Innowatts est une nouvelle entreprise énergétique axée sur l’amélioration des marges brutes de nos clients tout en favorisant l’adoption accrue des énergies renouvelables. Nous y parvenons en analysant de grandes quantités de données pour débloquer des informations exploitables. Bien que nous soyons une entreprise B2B, nous offrons des services B2B et B2C à nos clients et à leurs utilisateurs finaux. Nous prenons les données de niveau de compteur d’une maison ou d’une entreprise, ou dans le réseau, et les combinons avec de nombreux autres ensembles de données, notamment des données socio-économiques, des données de gestion de la relation client et des données de gestion des risques.

Notre moteur d’analyse basé sur l’IA fournit des informations allant de la prévision au niveau du consommateur à la décomposition de la consommation d’énergie actuelle et future. Grâce à cela, nous pouvons identifier les produits potentiels adaptés à tout consommateur. Nous fournissons également aux clients de détail des services tels que l’identification du modèle de tarif optimal pour maximiser leurs marges brutes.

Enfin, nous soutenons les opérateurs de réseau et les services publics pour les aider à planifier l’avenir. Il est essentiel qu’ils comprennent où les changements se produisent afin qu’ils puissent optimiser les actifs tout en réduisant les prix pour les consommateurs.

Quels types de technologies d’apprentissage automatique sont utilisés chez Innowatts ?

En substance, nous aidons les machines à penser de manière plus humaine, tout en leur permettant de traiter de très grandes quantités de données. Nous gérons plus de 43 millions de compteurs et traitons des milliards de points de données chaque heure, sur plusieurs géographies et pour de multiples clients. Dans l’espace supervisé, nous utilisons une variété de modèles, notamment la régression linéaire, les arbres de décision, etc. ; dans l’espace non supervisé, des exemples incluent des modèles d’ensemble, des réseaux de neurones et des forêts aléatoires.

Notre utilisation d’une variété de modèles est centrale pour la force de notre produit — nous pouvons identifier le bon modèle pour chaque client dans n’importe quelle situation. Nous pouvons réellement le réduire au niveau du compteur. C’est ce qui nous positionne réellement comme leader dans ce domaine.

Pourquoi la surveillance de l’énergie est-elle importante pour les détaillants d’énergie ?

Le coût pour acquérir un client est souvent deux à trois fois la marge que le détaillant réalise sur ce client en un an. Cela signifie qu’il faut deux à trois ans pour récupérer les coûts d’acquisition du client, il est donc très important de conserver chaque client.

Nous aidons les détaillants à y parvenir en leur donnant la capacité de se différencier. Nous fournissons des prévisions et la capacité de définir et de développer des tarifs d’utilisation pour adapter leur produit à leurs clients. Nous pouvons également fournir des plateformes de gestion des risques et de tarification, ainsi que la capacité d’identifier les meilleurs consommateurs dans chaque territoire. Nous identifions également quels clients sont les mieux adaptés à des produits particuliers. Tout cela se traduit par un service plus convaincant et plus rentable pour les clients, renforçant ainsi les efforts d’acquisition et de rétention.

Quelles sont certaines des principales informations qui peuvent être tirées de l’étude de la consommation d’énergie ?

Imaginez que vous venez d’acheter un véhicule électrique. Nos modèles peuvent détecter cela, permettant ainsi à votre fournisseur d’électricité de vous envoyer automatiquement des communications et des services personnalisés applicables à votre statut de nouveau propriétaire de véhicule électrique — peut-être un tarif différent, un nouveau produit d’assurance ou un produit de maintenance.

De même, nous pouvons identifier et vous notifier proactivement, en fonction de votre consommation d’énergie au cours des 15 derniers jours, que nous prévoyons que votre consommation au cours des 30 prochains jours sera nettement supérieure à la normale pour une raison particulière. Nous pouvons alors travailler avec vous pour prendre des mesures préventives pour éviter un choc de facture. Ce ne sont que quelques exemples des types d’engagements que nous pouvons offrir.

Nos capacités de prévision sont également extrêmement puissantes. Les événements récents au Texas ont rendu la prévision très difficile, car il s’agissait d’un scénario complètement nouveau. Mais nos prévisions étaient 20 % à 40 % plus précises que celles de nos concurrents, nos clients étaient donc beaucoup mieux préparés à la perturbation. En utilisant nos prévisions dans le cadre de leur stratégie de couverture, ils étaient beaucoup mieux positionnés alors que les prix de l’énergie grimpaient à 9 000 dollars le megawatt-heure. Les économies pour eux ont été considérables. Le fait que nos modèles s’adaptent rapidement aux situations changeantes permet également à nos clients de prévoir et de soumissionner efficacement dans des situations très volatiles, même en cas de blackouts roulants.

Ce niveau de surveillance et d’interprétation des données énergétiques est de plus en plus important. De nombreux détaillants vont faire faillite, et les grands détaillants ont couvert leurs besoins sur le marché jusqu’à un an, peut-être plus. Selon leur stratégie et leur profil de risque, ils peuvent avoir acquis 50 % de l’énergie requise la semaine dernière. Ils auraient essayé d’augmenter ce pourcentage à mesure que le profil de risque et le prix de l’énergie augmentaient. Ils auraient couvert davantage, mais finalement, ils seraient allés sur le marché en temps réel pour acheter de l’énergie. Ils devaient le faire au prix moyen de la dernière année, qui a été d’environ 25 dollars le megawatt-heure. Maintenant, en allant sur le marché, ils essaient d’acheter à 9 000 dollars le megawatt-heure. Le coût pour le détaillant est énorme, c’est leur bénéfice annuel qui disparaît en un après-midi.

Quelles sont certaines des façons dont ces informations peuvent être utilisées pour influencer l’utilisation de l’énergie verte ?

Historiquement, le réseau a été conduit par la demande — lorsque la demande augmentait, les opérateurs construisaient plus de centrales électriques, mettaient en place plus de câbles, brûlaient plus de carburant. Nous sommes maintenant dans une phase de transition où nous passons à un réseau conduit par l’offre. Alors que nous nous tournons vers les énergies renouvelables, nous devons être en mesure de gérer l’offre. Dans le nouveau monde, l’offre arrive chaque fois que le vent souffle ou que le soleil brille. Nous allons également voir une augmentation massive de la demande due à l’électrification des transports et de la chaleur.

Ce que nous faisons pour nos clients, c’est analyser la façon dont les consommateurs utilisent l’énergie. Nous commençons par examiner la quantité de charge que nous appelons « charge de base ». Il y a certaines choses qui peuvent être faites pour inciter les gens à réduire cela, mais dans l’ensemble, c’est fixe. Nous pouvons identifier ceux qui sont sensibles aux conditions météorologiques, nous pouvons identifier les foyers qui pourraient bénéficier d’interventions thermiques — isolation ou mise en place d’un thermostat.

Mais nous pouvons également identifier les charges sensibles au temps, qui sont un indicateur de comportement. Sans être trop intrusif, nous pouvons voir les comportements basés sur le domicile. Par exemple, vous pourriez conseiller à un client qu’il pourrait envisager de refroidir ou de chauffer son domicile à un moment différent pour le rendre plus confortable, économiser de l’argent ou maximiser son utilisation de l’énergie verte.

Nous pouvons également utiliser des stratégies de gestion de la demande proactive pour aligner la consommation sur la disponibilité de l’énergie renouvelable sans impacter négativement l’expérience de l’utilisateur. Par exemple, vous pourriez brancher votre véhicule à 19 heures et le débrancher à 7 heures. Nous pouvons envoyer un signal de gestion de la demande aux points de charge pour déterminer les heures pendant lesquelles votre véhicule charge réellement, afin d’optimiser l’utilisation des énergies renouvelables.

En 2020, Innowatts a annoncé qu’il avait surpassé cinq autres prévisionnistes d’énergie sur la plupart des indicateurs dans un essai indépendant. Quelle est la valeur de pouvoir prévoir avec un niveau de précision élevé ?

La situation au Texas a montré le coût d’une prévision inexacte. Si un détaillant envisage une perte potentielle d’un demi-milliard de dollars, alors nos prévisions — qui sont 20 % à 40 % plus précises que celles de la concurrence — pourraient économiser plus de 100 millions de dollars. C’est une situation extrême, mais notre approche granulaire signifie que les clients sont gagnants tout au long de l’année, même sans volatilité extrême.

Par exemple, nous soutenons un fournisseur en Europe avec des clients commerciaux et industriels. Ils ont essayé pendant des années d’obtenir des notifications proactives de quando leurs clients allaient prendre des mesures — quand ils allaient augmenter ou diminuer leur puissance — mais ils n’ont pas réussi. Nous avons pu prévoir pour eux à des intervalles de 15 minutes pour chacun de leurs clients commerciaux et industriels, leur permettant d’anticiper les changements de charge et de prendre des décisions d’achat plus intelligentes à un niveau très granulaire — et cela signifie qu’ils peuvent économiser beaucoup d’argent.

Quel est l’avenir de la science des données et de l’apprentissage automatique dans ce secteur ?

Comme je l’ai mentionné, nous traitons des ensembles de données très importants. À mesure que nous obtenons plus de données et des données plus granulaires, nous serons en mesure de déduire et d’inférer plus d’informations — et à mesure que la puissance de calcul augmente, nous serons en mesure de traiter ces données plus rapidement pour fournir des informations puissantes. Les principes mathématiques ne changent pas, mais notre capacité croissante à appliquer des mathématiques complexes à grande échelle rendra ces capacités de plus en plus efficaces, impactantes et abordables au cours des prochaines années. Cela soutiendra en fin de compte la transition vers un réseau décarboné.

Merci pour cette grande interview, les lecteurs qui souhaitent en savoir plus peuvent visiter Innowatts.