Dave Boundy est le directeur technique d'Innowatts - Série d'entrevues

Dave Boundy est le directeur technique de Innowatt, un leader de l'analyse de données IA. La plateforme SaaS fournit aux entreprises les données nécessaires pour être plus prédictives, proactives et connectées à leurs clients et contribuables, les aidant à mieux gérer les risques, à améliorer la rentabilité, à maintenir la fiabilité du réseau et à 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 s'étend de l'informatique d'entreprise au développement de produits, en passant par la recherche et l'innovation et le démarrage de nouvelles entreprises. Avant d'occuper son poste actuel, il a créé et dirigé l'activité Global Energy Solutions d'Intel, fournissant des solutions d'apprentissage automatique et d'intelligence artificielle à des clients du monde entier. David détient plusieurs brevets et siège à plusieurs comités consultatifs.

Pourriez-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. Pour ce faire, nous analysons de grandes quantités de données pour débloquer des informations exploitables. Bien que nous soyons une entreprise B2B, nous fournissons à la fois des services B2B et B2C par l'intermédiaire de nos clients à leurs utilisateurs finaux. Nous prenons des données au niveau du compteur d'une maison ou d'une entreprise, ou au sein du réseau, et nous les combinons avec de nombreux autres ensembles de données, notamment des données socio-économiques, des données CRM et des données de gestion des risques.

Notre moteur d'analyse basé sur l'IA fournit des informations allant des prévisions au niveau du consommateur à la désagrégation de la consommation d'énergie actuelle et future. Grâce à cela, nous pouvons identifier des produits potentiels adaptés à tout consommateur. Nous fournissons également aux clients de détail des services tels que l'identification du modèle tarifaire 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.

Quel type de technologies d'apprentissage automatique sont utilisées chez Innowatts ?

Essentiellement, nous aidons les machines à penser de manière plus humaine, tout en leur permettant d'évoluer et de traiter de très grands ensembles de données. Nous gérons plus de 43 millions de compteurs et traitons des milliards de points de données chaque heure dans plusieurs zones géographiques et chez plusieurs 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, les exemples incluent les modèles d'ensemble, les réseaux de neurones et les forêts aléatoires.

Notre utilisation d'une variété de modèles est essentielle à la force de notre produit - nous pouvons identifier le bon modèle pour n'importe quel client dans n'importe quelle situation donnée. Nous pouvons en fait le résumer au niveau du mètre. C'est ce qui nous positionne vraiment comme un leader dans ce domaine.

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

Le coût d'acquisition d'un client est souvent de deux à trois fois la marge qu'un détaillant réalise sur ce client en un an. Cela signifie qu'il faut deux à trois ans pour récupérer vos coûts d'acquisition de clients, il est donc très important de fidéliser chaque client.

Nous aidons les détaillants à y parvenir en leur donnant la possibilité de se différencier. Nous fournissons des prévisions et la capacité de définir et de développer des tarifs en fonction de l'heure 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 les clients les mieux adaptés à des produits particuliers. Tout cela s'ajoute à un service plus attrayant et plus rentable pour les clients, stimulant à la fois les efforts d'acquisition et de rétention.

Quelles sont certaines des informations clés que l'on peut tirer de l'étude de la consommation d'énergie ?

Imaginez que vous venez d'acheter un véhicule électrique. Nos modèles peuvent détecter cela, permettant à votre fournisseur d'électricité d'envoyer automatiquement nos communications sur mesure et nos services ciblés applicables à votre statut de nouveau propriétaire de VE - peut-être un tarif différent, un nouveau produit d'assurance ou un produit d'entretien.

De même, nous pouvons identifier et vous informer de manière proactive, 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 bien supérieure à la normale pour une raison particulière. Nous pouvons ensuite travailler avec vous pour prendre des mesures préventives afin d'éviter une facture-surprise. Ce ne sont là que quelques exemples du type d'engagements que nous pouvons réaliser.

Nos capacités de prévision sont également extrêmement puissantes. Les événements récents au Texas ont rendu les prévisions très difficiles, car il s'agissait d'un scénario complètement nouveau. Mais nos prévisions étaient de 20 à 40 % plus précises que celles de nos concurrents, de sorte que nos clients étaient bien mieux préparés à la perturbation. En utilisant nos prévisions dans le cadre de leur stratégie de couverture, ils étaient bien mieux positionnés alors que les prix de l'énergie montaient à 9,000 XNUMX $ par mégawattheure. Les économies pour eux ont été importantes. Le fait que nos modèles s'adaptent rapidement aux situations changeantes permet également à nos clients de prévoir et d'enchérir efficacement dans des situations très volatiles, même en cas de coupures de courant.

Ce niveau de surveillance et d'interprétation des données énergétiques est de plus en plus important. De nombreux détaillants fermeront leurs portes 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 dont ils avaient besoin au cours de la dernière semaine. 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 en fin de compte, ils se seraient lancés sur le marché en temps réel pour essayer d'acheter de l'électricité. Ils devaient le faire au prix moyen de l'année dernière, qui était d'environ 25 $ le mégawattheure. Entrant maintenant sur le marché, ils essaient d'acheter à 9,000 XNUMX $ le mégawattheure. Le coût pour le détaillant est donc énorme, c'est-à-dire que les bénéfices de l'année ont disparu en un après-midi.

De quelles manières ces informations peuvent-elles être utilisées pour influencer l'utilisation d'une énergie plus verte ?

Historiquement, le réseau a été déterminé par la demande - lorsque la demande augmentait, les opérateurs construisaient plus de centrales électriques, installaient plus de câbles, brûlaient plus de carburant. Nous sommes maintenant dans une phase de transition où nous passons à un réseau axé sur l'offre. Alors que nous passons aux énergies renouvelables, nous devons être en mesure de gérer l'offre. Dans le nouveau monde, l'approvisionnement arrive chaque fois que le vent souffle ou que le soleil brille. Nous allons également assister à une énorme augmentation de la demande liée à l'électrification des transports et du chauffage.

Ce que nous faisons pour nos clients, c'est analyser comment les consommateurs utilisent l'énergie. Nous commençons par examiner quelle part de leur charge correspond à ce que nous appelons la « 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 maisons qui pourraient faire l'objet d'interventions thermiques - isolation ou mise en place d'un thermostat.

Mais on peut aussi identifier des charges sensibles au temps, qui est un indicateur de comportement. Sans devenir trop invasif, nous pouvons voir des comportements à domicile. Par exemple, vous pouvez informer un client qu'il pourrait envisager de climatiser ou de chauffer sa maison à un autre moment pour la rendre plus confortable, économiser de l'argent ou maximiser son utilisation d'énergie verte.

Nous pouvons également utiliser des stratégies proactives de gestion de la demande pour aligner la consommation sur la disponibilité des énergies renouvelables sans impact négatif sur l'expérience de l'utilisateur. Par exemple, vous pouvez systématiquement brancher votre véhicule à 7 h et le débrancher à 7 h. .

En 2020, Innowatts annoncé qu'il avait surpassé cinq autres prévisionnistes énergétiques sur la plupart des mesures lors d'un essai indépendant. Quelle est l'utilité de pouvoir prévoir avec un niveau de précision aussi élevé ?

La situation au Texas a montré le coût des prévisions inexactes. 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 lui faire économiser de manière conservatrice bien 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 essaient depuis des années d'obtenir des notifications proactives indiquant quand leurs clients vont prendre des mesures - quand ils vont augmenter ou diminuer leur puissance - mais ils n'ont pas réussi. Nous avons été en mesure de faire des prévisions à des intervalles de 15 minutes pour chacun de leurs clients commerciaux et industriels, ce qui leur a permis 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 sont en mesure d'économiser beaucoup argent.

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

Comme je l'ai mentionné, nous avons affaire à de très grands ensembles de données. Au fur et à mesure que nous obtiendrons 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 des ordinateurs augmentera, nous pourrons 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, percutantes et abordables au cours des prochaines années. En fin de compte, cela soutiendra l'évolution vers un réseau décarboné.

Merci pour cette excellente interview, les lecteurs qui souhaitent en savoir plus devraient visiter Innowatt.