Dave Boundy adalah CTO di Innowatts – Seri Wawancara

Dave Boundy adalah CTO di Innowatts, pemimpin di bidang analitik data AI. Platform SaaS ini menyediakan perusahaan dengan data yang dibutuhkan untuk lebih prediktif, proaktif, dan terhubung dengan pelanggan dan pengguna tarif, membantu mereka mengelola risiko, meningkatkan profitabilitas, mempertahankan keandalan grid, dan memprediksi tren keberlanjutan.

David memiliki lebih dari 20 tahun pengalaman di industri IoT dan energi. Karirnya telah berkisar dari IT perusahaan, pengembangan produk, penelitian dan inovasi, serta pembentukan bisnis baru. Sebelum posisinya saat ini, ia mendirikan dan memimpin bisnis Solusi Energi Global Intel (INTC ), mengirimkan solusi pembelajaran mesin dan kecerdasan buatan kepada pelanggan di seluruh dunia. David memegang beberapa paten dan duduk di beberapa dewan penasihat.

Apakah Anda dapat menjelaskan apa itu Innowatts?

Innowatts adalah perusahaan energi baru yang fokus pada meningkatkan margin bruto pelanggan sambil meningkatkan adopsi energi terbarukan. Kami melakukan ini dengan menganalisis sejumlah besar data untuk membuka wawasan yang dapat ditindaklanjuti. Meskipun kami adalah perusahaan B2B, kami menyediakan layanan B2B dan B2C melalui pelanggan kami kepada pengguna akhir. Kami mengambil data meter-level dari rumah atau bisnis, atau di dalam jaringan, dan kami menggabungkannya dengan banyak set data lainnya termasuk data sosioekonomi, data CRM, dan data manajemen risiko.

Mesin analitik AI kami memberikan wawasan yang berkisar dari peramalan tingkat konsumen hingga pemisahan penggunaan energi saat ini dan masa depan. Dengan ini, kami dapat mengidentifikasi produk potensial yang sesuai dengan setiap konsumen. Kami juga menyediakan layanan untuk pelanggan ritel, misalnya, identifikasi model tarif optimal untuk memaksimalkan margin bruto mereka.

Akhirnya, kami mendukung operator jaringan dan utilitas untuk membantu mereka merencanakan masa depan. Sangat penting bagi mereka untuk memahami di mana perubahan terjadi sehingga mereka dapat mengoptimalkan aset sambil mengurangi harga untuk konsumen.

Jenis teknologi pembelajaran mesin apa yang digunakan di Innowatts?

Secara esensial, kami membantu mesin untuk berpikir dengan cara yang lebih manusiawi, sambil juga memungkinkan mereka untuk menskala dan menangani sejumlah besar dataset. Kami memiliki lebih dari 43 juta meter di bawah manajemen, dan kami menangani miliaran poin data setiap jam di berbagai geografi dan pelanggan. Di ruang yang diawasi, kami menggunakan berbagai model termasuk regresi linier, pohon keputusan, dll; di ruang yang tidak diawasi, contoh termasuk model ensemble, jaringan saraf, dan hutan acak.

Penggunaan berbagai model adalah kunci kekuatan produk kami — kami dapat mengidentifikasi model yang tepat untuk setiap pelanggan dalam situasi tertentu. Kami bahkan dapat menurunkannya ke tingkat meter. Itulah yang benar-benar memposisikan kami sebagai pemimpin di ruang ini.

Mengapa pemantauan energi penting bagi pengecer energi?

Biaya untuk memperoleh pelanggan seringkali dua hingga tiga kali lipat margin yang diperoleh pengecer dari pelanggan tersebut dalam setahun. Artinya, dibutuhkan dua hingga tiga tahun untuk mendapatkan kembali biaya akuisisi pelanggan, jadi sangat penting untuk mempertahankan setiap pelanggan.

Kami membantu pengecer mencapai hal ini dengan memberikan kemampuan untuk membedakan. Kami menyediakan peramalan dan kemampuan untuk mendefinisikan dan mengembangkan tarif waktu penggunaan untuk menyesuaikan produk mereka dengan pelanggan. Kami juga dapat menyediakan platform manajemen risiko dan harga, bersama dengan kemampuan untuk mengidentifikasi konsumen terbaik di setiap wilayah. Kami juga mengidentifikasi pelanggan mana yang paling sesuai dengan produk tertentu. Semua itu menambahkan layanan yang lebih menarik dan efektif biaya bagi pelanggan, meningkatkan upaya akuisisi dan retensi.

Apa saja wawasan kunci yang dapat diperoleh dari mempelajari konsumsi energi?

Bayangkan Anda baru saja membeli kendaraan listrik. Model kami dapat mendeteksi hal itu, memungkinkan penyedia listrik Anda untuk secara otomatis mengirimkan komunikasi dan layanan khusus yang sesuai dengan status Anda sebagai pemilik kendaraan listrik baru — mungkin tarif yang berbeda, produk asuransi baru, atau layanan perawatan.

Demikian pula, kami dapat mengidentifikasi dan memberitahu Anda secara proaktif, berdasarkan penggunaan energi Anda selama 15 hari terakhir, bahwa kami memproyeksikan konsumsi Anda selama 30 hari berikutnya akan jauh lebih tinggi dari biasanya karena alasan tertentu. Kami kemudian dapat bekerja sama dengan Anda untuk mengambil tindakan pencegahan untuk menghindari tagihan yang mengejutkan. Ini hanya beberapa contoh jenis keterlibatan yang dapat kami berikan.

Kemampuan peramalan kami juga sangat kuat. Peristiwa baru-baru ini di Texas membuat peramalan sangat sulit, karena itu adalah skenario yang benar-benar baru. Namun, peramalan kami 20% hingga 40% lebih akurat daripada pesaing kami, sehingga pelanggan kami jauh lebih siap untuk gangguan tersebut. Dengan menggunakan peramalan kami sebagai bagian dari strategi hedging mereka, mereka jauh lebih siap ketika harga energi melonjak ke $9.000 per megawatt jam. Penghematan bagi mereka sangat signifikan. Fakta bahwa model kami beradaptasi cepat dengan situasi yang berubah juga memungkinkan pelanggan kami untuk meramalkan dan menawar secara efektif dalam situasi yang sangat volatil, bahkan di tengah pemadaman bergilir.

Tingkat pemantauan dan interpretasi data energi ini semakin penting. Banyak pengecer akan bangkrut, dan pengecer besar telah menghedging kebutuhan mereka di pasar hingga setahun, mungkin lebih lama. Tergantung pada strategi dan profil risiko mereka, mereka mungkin telah memperoleh 50% dari energi yang dibutuhkan dalam seminggu terakhir. Mereka akan mencoba meningkatkan persentase tersebut karena profil risiko dan harga energi meningkat. Mereka akan menghedging lebih banyak, tetapi pada akhirnya, mereka akan memasuki pasar riil untuk membeli daya. Mereka harus melakukan itu pada harga rata-rata untuk tahun terakhir, yang sekitar $25 per megawatt jam. Sekarang memasuki pasar, mereka mencoba membeli pada $9.000 per megawatt jam. Jadi, biaya untuk pengecer itu sangat besar, itu adalah laba tahunan mereka yang hilang dalam satu sore.

Bagaimana informasi ini dapat digunakan untuk mempengaruhi penggunaan energi yang lebih hijau?

Secara historis, grid telah dipimpin oleh permintaan — ketika permintaan meningkat, operator akan membangun lebih banyak pembangkit listrik, memasang lebih banyak kabel, membakar lebih banyak bahan bakar. Kami sekarang dalam fase transisi di mana kami beralih ke grid yang dipimpin oleh pasokan. Ketika kami beralih ke energi terbarukan, kami perlu dapat mengelola sisi pasokan. Di dunia baru, pasokan tiba kapan pun angin bertiup atau matahari bersinar. Kami juga akan melihat peningkatan besar dalam permintaan yang berasal dari elektrifikasi transportasi dan panas.

Apa yang kami lakukan untuk pelanggan kami adalah menganalisis bagaimana konsumen menggunakan energi. Kami memulai dengan melihat seberapa banyak beban mereka yang merupakan apa yang kami sebut “beban dasar”. Ada beberapa hal yang dapat dilakukan untuk mendorong orang untuk mengurangi itu, tetapi secara umum, itu tetap. Kami dapat mengidentifikasi mereka yang rentan terhadap kondisi cuaca, kami dapat mengidentifikasi rumah yang memerlukan intervensi termal — isolasi atau pemasangan termostat.

Namun, kami juga dapat mengidentifikasi beban yang sensitif terhadap waktu, yang merupakan indikator perilaku. Tanpa terlalu invasif, kami dapat melihat perilaku berbasis rumah. Misalnya, Anda mungkin ingin mempertimbangkan untuk mendinginkan atau memanaskan rumah Anda pada waktu yang berbeda untuk membuatnya lebih nyaman, menghemat uang, atau memaksimalkan penggunaan energi hijau.

Kami juga dapat menggunakan strategi manajemen permintaan sisi yang proaktif untuk menyelaraskan konsumsi dengan ketersediaan energi terbarukan tanpa mempengaruhi pengalaman pengguna secara negatif. Misalnya, Anda mungkin secara rutin memasang kendaraan listrik Anda pada pukul 7 malam dan melepasnya pada pukul 7 pagi. Kami dapat mengirimkan sinyal manajemen permintaan sisi ke titik pengisian untuk menentukan jam-jam ketika kendaraan Anda sebenarnya mengisi daya, untuk mengoptimalkan penggunaan energi terbarukan.

Pada 2020, Innowatts mengumumkan bahwa mereka telah outperform lima peramal energi lainnya pada sebagian besar ukuran dalam uji coba independen. Seberapa berharganya untuk dapat meramalkan dengan tingkat akurasi yang sangat tinggi?

Situasi di Texas menunjukkan biaya peramalan yang tidak akurat. Jika pengecer memandang kerugian potensial sebesar setengah miliar dolar, maka peramalan kami — yang 20% hingga 40% lebih akurat daripada pesaing — dapat menghemat mereka lebih dari $100 juta. Itu adalah situasi ekstrem, tetapi pendekatan granular kami berarti pelanggan kami unggul sepanjang tahun, bahkan tanpa volatilitas ekstrem.

Sebagai contoh, kami mendukung penyedia di Eropa dengan pelanggan komersial dan industri. Mereka telah mencoba selama bertahun-tahun untuk mendapatkan notifikasi proaktif tentang kapan pelanggan mereka akan mengambil tindakan — kapan mereka akan meningkatkan atau menurunkan daya — tetapi mereka belum berhasil. Kami telah dapat meramalkan untuk mereka pada interval 15 menit untuk setiap pelanggan komersial dan industri, memungkinkan mereka untuk memprediksi perubahan beban dan membuat keputusan pembelian yang lebih cerdas pada tingkat yang sangat granular — dan itu berarti mereka dapat menghemat uang yang signifikan.

Apa masa depan sains data dan pembelajaran mesin di sektor ini?

Sebagaimana saya sebutkan, kami menangani dataset yang sangat besar. Ketika kami mendapatkan lebih banyak data, dan data yang lebih granular, kami akan dapat menyimpulkan dan menginfer lebih banyak informasi — dan ketika kekuatan komputasi meningkat, kami akan dapat memproses data tersebut lebih cepat untuk menghasilkan wawasan yang kuat. Prinsip matematika tidak berubah, tetapi kemampuan kami yang berkembang untuk menerapkan matematika kompleks pada skala akan membuat kemampuan ini semakin efektif, berdampak, dan terjangkau dalam beberapa tahun mendatang. Pada akhirnya, ini akan mendukung upaya menuju grid yang terdekarbonisasi.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut dapat mengunjungi Innowatts.