Dave Boundy adalah CTO di Innowatts – Interview Series

Dave Boundy adalah CTO di Innowatt, pemimpin dalam analitik data AI. Platform SaaS memberi perusahaan data yang dibutuhkan agar lebih prediktif, proaktif, dan terhubung dengan pelanggan dan pembayar tarif mereka, membantu mereka mengelola risiko dengan lebih baik, meningkatkan profitabilitas, mempertahankan keandalan jaringan, dan mengantisipasi tren keberlanjutan.

David memiliki lebih dari 20 tahun pengalaman industri IoT dan Energi. Karirnya berkisar dari TI perusahaan, pengembangan produk, penelitian & inovasi, dan permulaan bisnis baru. Sebelum menjabat saat ini, beliau mendirikan dan memimpin bisnis Solusi Energi Global Intel, yang memberikan solusi pembelajaran mesin dan kecerdasan buatan kepada pelanggan di seluruh dunia. David memegang beberapa paten dan duduk di sejumlah dewan penasihat.

Bisakah Anda menjelaskan apa itu Innowatts?

Innowatts adalah perusahaan energi baru yang berfokus pada peningkatan margin kotor pelanggan sambil mendorong peningkatan adopsi energi terbarukan. Kami melakukannya 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 mereka. Kami mengambil data tingkat meteran dari rumah atau bisnis, atau di dalam jaringan, dan kami menggabungkannya dengan banyak kumpulan data lainnya termasuk data sosial ekonomi, data CRM, dan data manajemen risiko.

Mesin analitik berbasis AI kami memberikan wawasan mulai dari perkiraan tingkat konsumen hingga pemilahan penggunaan energi saat ini dan masa depan. Melalui ini, kami dapat mengidentifikasi produk potensial yang cocok untuk setiap konsumen. Kami juga memberikan layanan kepada pelanggan ritel, misalnya identifikasi model tarif optimal untuk memaksimalkan margin kotor mereka.

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

Jenis teknologi pembelajaran mesin apa yang digunakan di Innowatts?

Pada dasarnya, kami membantu mesin untuk berpikir dengan cara yang lebih manusiawi, sekaligus memungkinkan mereka untuk menskalakan dan menangani kumpulan data yang sangat besar. Kami mengelola lebih dari 43 juta meter, dan kami menangani miliaran titik data setiap jam di berbagai wilayah geografis dan banyak pelanggan. Di ruang yang diawasi, kami menggunakan berbagai model termasuk regresi linier, pohon keputusan, dll; di ruang tanpa pengawasan, contohnya mencakup model ansambel, jaringan saraf, dan hutan acak.

Penggunaan berbagai model kami sangat penting untuk kekuatan produk kami — kami dapat mengidentifikasi model yang tepat untuk setiap pelanggan dalam situasi tertentu. Kami benar-benar dapat merebusnya hingga tingkat meteran. Itulah yang benar-benar memposisikan kami sebagai pemimpin di ruang ini.

Mengapa pemantauan energi penting bagi pengecer energi?

Biaya untuk mendapatkan pelanggan seringkali dua sampai tiga kali margin yang dibuat pengecer pada pelanggan itu dalam setahun. Itu berarti dibutuhkan dua hingga tiga tahun untuk mendapatkan kembali biaya akuisisi pelanggan Anda, jadi sangat penting untuk mempertahankan setiap pelanggan.

Kami membantu pengecer untuk mencapainya dengan memberi mereka kemampuan untuk membedakan. Kami memberikan prakiraan dan kemampuan untuk menentukan dan mengembangkan tarif waktu penggunaan untuk menyesuaikan produk mereka dengan pelanggan mereka. Kami juga dapat menyediakan platform manajemen risiko dan penetapan harga, bersama dengan kemampuan untuk mengidentifikasi konsumen terbaik di setiap wilayah. Kami juga mengidentifikasi pelanggan mana yang paling cocok untuk produk tertentu. Itu semua menambah layanan yang lebih menarik dan hemat biaya bagi pelanggan, meningkatkan upaya akuisisi dan retensi.

Apa saja beberapa 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 pesanan kami dan layanan tertarget yang berlaku untuk status Anda sebagai pemilik EV baru — mungkin tarif yang berbeda, produk asuransi baru, atau produk servis.

Demikian pula, kami dapat mengidentifikasi dan secara proaktif memberi tahu Anda, berdasarkan penggunaan energi Anda selama 15 hari terakhir, bahwa kami memproyeksikan konsumsi Anda selama 30 hari ke depan jauh lebih tinggi dari biasanya karena alasan tertentu. Kami kemudian dapat bekerja dengan Anda untuk mengambil tindakan pencegahan untuk menghindari kejutan tagihan. Ini hanyalah beberapa contoh dari jenis keterlibatan yang dapat kami berikan.

Kemampuan peramalan kami juga sangat kuat. Peristiwa baru-baru ini di Texas membuat peramalan menjadi sangat sulit, karena itu adalah skenario yang benar-benar baru. Namun prakiraan kami 20% hingga 40% lebih akurat daripada pesaing kami, sehingga pelanggan kami jauh lebih siap menghadapi gangguan tersebut. Dengan menggunakan prakiraan kami sebagai bagian dari strategi lindung nilai mereka, posisi mereka jauh lebih baik karena harga energi melonjak hingga $9,000 per megawatt jam. Penghematan bagi mereka sangat signifikan. Fakta bahwa model kami beradaptasi dengan cepat terhadap situasi yang berubah juga memungkinkan pelanggan kami memperkirakan dan menawar secara efektif dalam situasi yang sangat fluktuatif, bahkan di tengah pemadaman bergilir.

Tingkat pemantauan dan interpretasi data energi ini semakin penting. Banyak pengecer akan gulung tikar, dan pengecer besar telah membatasi kebutuhan mereka di pasar hingga satu tahun, mungkin lebih lama. Bergantung pada strategi dan profil risiko mereka, mereka mungkin telah memperoleh 50% dari energi yang dibutuhkan yang mereka butuhkan di minggu lalu. Mereka akan mencoba meningkatkan persentase itu karena profil risiko dan harga energi meningkat. Mereka akan melakukan lindung nilai lebih banyak, tetapi pada akhirnya, mereka akan masuk ke pasar real-time untuk mencoba membeli tenaga. Mereka harus melakukannya dengan harga rata-rata selama setahun terakhir, yaitu sekitar $25 per megawatt jam. Sekarang masuk ke pasar, mereka mencoba membeli dengan harga $9,000 per megawatt jam. Jadi biaya untuk pengecer sangat besar, keuntungan tahun mereka hilang dalam satu sore.

Apa saja cara informasi ini dapat digunakan untuk memengaruhi penggunaan energi yang lebih ramah lingkungan?

Secara historis, jaringan telah didorong oleh permintaan — ketika permintaan meningkat, operator akan membangun lebih banyak pembangkit listrik, memasang lebih banyak kabel, membakar lebih banyak bahan bakar. Kami sekarang berada dalam fase transisi di mana kami pindah ke jaringan yang dipimpin pasokan. Saat kita beralih ke energi terbarukan, kita harus mampu mengelola sisi pasokan. Di dunia baru, persediaan tiba setiap kali 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 muatan mereka yang kami sebut "beban dasar". Ada beberapa hal yang dapat dilakukan untuk memberi insentif kepada orang untuk menguranginya, tetapi pada umumnya, itu sudah diperbaiki. Kami dapat mengidentifikasi mereka yang rentan terhadap kondisi cuaca, kami dapat mengidentifikasi rumah yang dapat dilakukan dengan intervensi termal - isolasi atau memasang termostat.

Tetapi kami juga dapat mengidentifikasi muatan yang sensitif terhadap waktu, yang merupakan indikator perilaku. Tanpa terlalu invasif, kita bisa melihat perilaku rumahan. Misalnya, Anda dapat memberi tahu pelanggan bahwa mereka mungkin ingin mempertimbangkan untuk mendinginkan atau menghangatkan rumah mereka pada waktu yang berbeda agar lebih nyaman, menghemat uang, atau memaksimalkan penggunaan energi ramah lingkungan.

Kami juga dapat menggunakan strategi manajemen sisi permintaan yang proaktif untuk menyelaraskan konsumsi dengan ketersediaan energi terbarukan tanpa berdampak negatif pada pengalaman pengguna. Misalnya, Anda dapat menyambungkan kendaraan Anda secara rutin pada pukul 7 malam dan mencabutnya pada pukul 7 pagi. Kami dapat mengirimkan sinyal manajemen sisi permintaan ke titik pengisian daya untuk menentukan jam saat kendaraan Anda benar-benar mengisi daya, untuk mengoptimalkan penggunaan energi terbarukan .

Pada tahun 2020, Innowatts mengumumkan bahwa itu telah mengungguli lima peramal energi lainnya pada sebagian besar tindakan dalam uji coba independen. Seberapa berharganya untuk dapat meramalkan dengan tingkat akurasi yang tinggi?

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

Misalnya, kami mendukung penyedia di Eropa dengan pelanggan komersial dan industri. Mereka telah mencoba selama bertahun-tahun untuk mendapatkan pemberitahuan proaktif tentang kapan pelanggan mereka akan mengambil tindakan — kapan mereka akan menambah atau mengurangi kekuatan mereka — tetapi mereka belum berhasil. Kami dapat memperkirakan mereka dalam interval 15 menit untuk setiap pelanggan komersial dan industri mereka, memungkinkan mereka untuk mengantisipasi perubahan beban dan membuat keputusan pembelian yang lebih cerdas pada tingkat yang sangat terperinci — dan itu berarti mereka dapat menghemat secara signifikan uang.

Bagaimana masa depan ilmu data dan pembelajaran mesin di sektor ini?

Seperti yang saya sebutkan, kita berurusan dengan kumpulan data yang sangat besar. Saat kami mendapatkan lebih banyak data, dan data yang lebih terperinci, kami akan dapat menyimpulkan dan menyimpulkan lebih banyak informasi — dan seiring dengan peningkatan daya komputer, kami akan dapat memproses data tersebut lebih cepat untuk memberikan wawasan yang kuat. Prinsip matematika tidak berubah, tetapi kemampuan kami yang terus berkembang untuk menerapkan matematika kompleks dalam skala besar akan membuat kemampuan ini semakin efektif, berdampak, dan terjangkau selama beberapa tahun ke depan. Pada akhirnya ini akan mendukung dorongan menuju jaringan dekarbonisasi.

Terima kasih atas wawancaranya yang luar biasa, pembaca yang ingin belajar lebih banyak harus berkunjung Innowatt.