Deivs Boundijs ir tehnoloģiju vadītājs uzņēmumā Innowatts — Interviju sērija

Deivs Boundijs ir CTO InnovatsAI datu analītikas līderis. SaaS platforma nodrošina uzņēmumiem datus, kas nepieciešami, lai tie būtu paredzošāki, aktīvāki un saistīti ar saviem klientiem un tarifu maksātājiem, palīdzot tiem labāk pārvaldīt risku, uzlabot rentabilitāti, uzturēt tīkla uzticamību un paredzēt ilgtspējības tendences.

Deividam ir vairāk nekā 20 gadu pieredze IoT un enerģētikas nozarē. Viņa karjera ir bijusi no uzņēmumu IT, produktu izstrādes, pētniecības un inovācijām un jaunu uzņēmumu dibināšanas. Pirms pašreizējā amata viņš izveidoja un vadīja Intel globālo enerģijas risinājumu biznesu, piegādājot mašīnmācības un mākslīgā intelekta risinājumus klientiem visā pasaulē. Deividam ir vairāki patenti un viņš ir vairākās konsultatīvās padomēs.

Vai jūs varētu aprakstīt, kas ir Innovats?

Innowatts ir jauns enerģētikas uzņēmums, kas koncentrējas uz mūsu klientu bruto peļņas uzlabošanu, vienlaikus veicinot atjaunojamo enerģijas avotu plašāku ieviešanu. Mēs to darām, analizējot lielu datu apjomu, lai iegūtu praktiskus ieskatus. Lai gan mēs esam B2B uzņēmums, mēs sniedzam gan B2B, gan B2C pakalpojumus ar mūsu klientu starpniecību viņu galalietotājiem. Mēs ņemam skaitītāja līmeņa datus no mājas, uzņēmuma vai tīkla, un mēs tos apvienojam ar daudzām citām datu kopām, tostarp sociālekonomiskajiem datiem, CRM datiem un riska pārvaldības datiem.

Mūsu AI balstītais analītikas dzinējs sniedz ieskatu, sākot no patērētāju līmeņa prognozēšanas līdz pat pašreizējā un turpmākā enerģijas patēriņa sadalīšanai. Ar to mēs varam identificēt potenciālos produktus, kas piemēroti jebkuram patērētājam. Mēs arī sniedzam mazumtirdzniecības klientiem pakalpojumus, piemēram, optimālā tarifa modeļa noteikšanu, lai maksimāli palielinātu viņu bruto peļņu.

Visbeidzot, mēs atbalstām tīkla operatorus un pakalpojumus, lai palīdzētu viņiem plānot nākotni. Ir svarīgi, lai viņi saprastu, kur notiek izmaiņas, lai viņi varētu optimizēt aktīvus, vienlaikus samazinot cenas patērētājiem.

Kāda veida mašīnmācīšanās tehnoloģijas tiek izmantotas uzņēmumā Innowatts?

Būtībā mēs palīdzam mašīnām domāt cilvēciskākā veidā, vienlaikus ļaujot tām mērogot un apstrādāt ļoti lielas datu kopas. Mēs pārvaldām vairāk nekā 43 miljonus skaitītāju, un mēs katru stundu strādājam ar miljardiem datu punktu dažādās ģeogrāfiskās vietās un vairākiem klientiem. Uzraudzītajā telpā mēs izmantojam dažādus modeļus, tostarp lineāro regresiju, lēmumu kokus utt.; Neuzraudzītajā telpā piemēri ietver ansambļu modeļus, neironu tīklus un nejaušus mežus.

Mūsu dažādu modeļu izmantošana ir mūsu produkta stiprības pamatā — mēs varam noteikt pareizo modeli jebkuram klientam jebkurā konkrētā situācijā. Mēs faktiski varam to novārīt līdz skaitītāja līmenim. Tas mūs patiešām pozicionē kā līderi šajā jomā.

Kāpēc enerģijas uzraudzība ir svarīga enerģijas mazumtirgotājiem?

Klienta iegūšanas izmaksas bieži ir divas līdz trīs reizes lielākas par peļņu, ko mazumtirgotājs nopelna par šo klientu gada laikā. Tas nozīmē, ka ir nepieciešami divi līdz trīs gadi, lai atgūtu klientu piesaistīšanas izmaksas, tāpēc ir patiešām svarīgi saglabāt katru klientu.

Mēs palīdzam mazumtirgotājiem to sasniegt, sniedzot viņiem iespēju atšķirties. Mēs sniedzam prognozes un iespēju definēt un izstrādāt lietošanas laika tarifus, lai pielāgotu savu produktu saviem klientiem. Mēs varam nodrošināt arī riska pārvaldības un cenu noteikšanas platformas, kā arī iespēju noteikt labākos patērētājus katrā teritorijā. Mēs arī nosakām, kuri klienti ir vislabāk piemēroti konkrētiem produktiem. Tas viss kopā veido pārliecinošāku un izmaksu ziņā efektīvāku pakalpojumu klientiem, palielinot gan iegādes, gan saglabāšanas centienus.

Kādas ir galvenās atziņas, ko var gūt, pētot enerģijas patēriņu?

Iedomājieties, ka nesen iegādājāties elektrisko transportlīdzekli. Mūsu modeļi var to noteikt, ļaujot jūsu elektroenerģijas piegādātājam automātiski nosūtīt mūsu pielāgotos sakarus un mērķtiecīgus pakalpojumus, kas attiecas uz jūsu jauna EV īpašnieka statusu — iespējams, cits tarifs, jauns apdrošināšanas produkts vai apkalpošanas produkts.

Tāpat mēs varam identificēt un proaktīvi informēt jūs, pamatojoties uz jūsu enerģijas patēriņu pēdējo 15 dienu laikā, ka mēs prognozējam, ka jūsu patēriņš nākamajās 30 dienās konkrēta iemesla dēļ būs daudz lielāks nekā parasti. Pēc tam mēs varam sadarboties ar jums, lai veiktu preventīvus pasākumus, lai izvairītos no šoka rēķina. Šie ir tikai daži piemēri, kādus mēs varam nodrošināt.

Mūsu prognozēšanas iespējas ir arī ārkārtīgi spēcīgas. Nesenie notikumi Teksasā ļoti sarežģīja prognozēšanu, jo tas bija pilnīgi jauns scenārijs. Taču mūsu prognozes bija par 20% līdz 40% precīzākas nekā konkurentu, tāpēc mūsu klienti bija daudz labāk sagatavoti traucējumiem. Izmantojot mūsu prognozes kā daļu no riska ierobežošanas stratēģijas, tās bija daudz labāk novietotas, jo enerģijas cenas pieauga līdz 9,000 USD par megavatstundu. Ietaupījumi viņiem ir bijuši ievērojami. Tas, ka mūsu modeļi ātri pielāgojas mainīgajām situācijām, arī ļauj mūsu klientiem prognozēt un efektīvi solīt cenas ļoti nepastāvīgās situācijās, pat nepārtrauktu elektroenerģijas padeves pārtraukumu laikā.

Šis enerģijas datu uzraudzības un interpretācijas līmenis kļūst arvien svarīgāks. Daudzi mazumtirgotāji pārtrauks darbību, un lielie mazumtirgotāji ir nodrošinājuši savas prasības tirgū līdz pat gadam, varbūt ilgāk. Atkarībā no viņu stratēģijas un riska profila viņi, iespējams, ir ieguvuši 50% no nepieciešamās enerģijas pēdējās nedēļas laikā. Viņi būtu mēģinājuši palielināt šo procentuālo daļu, palielinoties riska profilam un enerģijas cenai. Viņi būtu vairāk nodrošinājuši risku, bet galu galā viņi būtu iegājuši reāllaika tirgū, cenšoties iegādāties jaudu. Viņiem tas bija jādara par vidējo cenu pagājušajā gadā, kas bija aptuveni 25 USD par megavatstundu. Tagad, ieejot tirgū, viņi cenšas pirkt par 9,000 USD par megavatstundu. Tātad mazumtirgotāja izmaksas ir milzīgas, tā ir viņu gada peļņa pēcpusdienā.

Kādos veidos šo informāciju var izmantot, lai ietekmētu zaļākas enerģijas izmantošanu?

Vēsturiski tīkls ir bijis atkarīgs no pieprasījuma — pieaugot pieprasījumam, operatori būvēs vairāk spēkstaciju, ievietos vairāk kabeļu un sadedzinās vairāk degvielas. Mēs šobrīd esam pārejas posmā, kad mēs pārejam uz piegādes vadītu tīklu. Pārejot uz atjaunojamiem energoresursiem, mums jāspēj pārvaldīt piedāvājuma pusi. Jaunajā pasaulē piedāvājums nāk ikreiz, kad pūš vējš vai spīd saule. Mēs arī redzēsim milzīgu pieprasījuma pieaugumu, ko izraisīs transporta un siltuma elektrifikācija.

Tas, ko mēs darām savu klientu labā, ir analizēt, kā patērētāji izmanto enerģiju. Mēs sākam ar to, cik liela daļa to slodzes ir tā, ko mēs saucam par “bāzes slodzi”. Ir dažas lietas, ko var darīt, lai mudinātu cilvēkus to samazināt, taču kopumā tas ir labots. Mēs varam identificēt tos, kuri ir uzņēmīgi pret laikapstākļiem, mēs varam identificēt mājas, kuras varētu veikt ar termisko iejaukšanos - izolāciju vai termostata ievietošanu.

Bet mēs varam arī identificēt laika ziņā jutīgas slodzes, kas ir uzvedības rādītājs. Nekļūstot pārāk invazīvi, mēs varam redzēt mājās balstītu uzvedību. Piemēram, varat ieteikt klientam, ka viņš varētu apsvērt iespēju dzesēt vai apsildīt savu māju citā laikā, lai padarītu to ērtāku, ietaupītu naudu vai maksimāli izmantotu zaļo enerģiju.

Mēs varam arī izmantot proaktīvas, pieprasījuma pārvaldības stratēģijas, lai saskaņotu patēriņu ar atjaunojamās enerģijas pieejamību, negatīvi neietekmējot lietotāja pieredzi. Piemēram, jūs varat regulāri pieslēgt transportlīdzekli pulksten 7:7 un atvienot to pulksten XNUMX:XNUMX. Mēs varam nosūtīt pieprasījuma puses pārvaldības signālu uzlādes punktiem, lai noteiktu stundas, kad jūsu transportlīdzeklis faktiski tiek uzlādēts, lai optimizētu atjaunojamo enerģijas avotu izmantošanu. .

2020. gadā Innovats paziņoja ka tas ir pārspējis piecus citus enerģijas prognozētājus lielākajā daļā pasākumu neatkarīgā izmēģinājumā. Cik vērtīgi ir iespēja prognozēt ar tik augstu precizitātes līmeni?

Situācija Teksasā parādīja neprecīzas prognozēšanas izmaksas. Ja mazumtirgotājs meklē iespējamos pusmiljarda dolāru zaudējumus, mūsu prognozes, kas ir par 20% līdz 40% precīzākas nekā konkurentiem, varētu konservatīvi ietaupīt vairāk nekā 100 miljonus ASV dolāru. Tā ir ārkārtēja situācija, taču mūsu detalizētā pieeja nozīmē, ka klienti nāk uz priekšu visu gadu, pat bez ārkārtējas nepastāvības.

Piemēram, mēs atbalstām pakalpojumu sniedzēju Eiropā gan ar komerciāliem, gan rūpnieciskiem klientiem. Viņi gadiem ilgi ir mēģinājuši saņemt proaktīvus paziņojumus par to, kad viņu klienti gatavojas veikt darbības — kad viņi gatavojas palielināt vai samazināt savu jaudu, taču viņiem tas nav izdevies. Mēs esam spējuši prognozēt tos ik pēc 15 minūšu intervāliem katram komerciālajam un rūpnieciskajam klientam, ļaujot viņiem paredzēt slodzes izmaiņas un pieņemt saprātīgākus lēmumus par pirkumiem ļoti detalizētā līmenī, un tas nozīmē, ka viņi var ievērojami ietaupīt. naudu.

Kāda ir datu zinātnes un mašīnmācības nākotne šajā nozarē?

Kā jau minēju, mums ir darīšana ar ļoti lielām datu kopām. Iegūstot vairāk datu un detalizētākus datus, mēs varēsim secināt un secināt vairāk informācijas — un, palielinoties datora jaudai, mēs varēsim ātrāk apstrādāt šos datus, lai sniegtu jaudīgu ieskatu. Matemātiskie principi nemainās, taču mūsu pieaugošā spēja piemērot sarežģītu matemātiku mērogā padarīs šīs iespējas arvien efektīvākas, ietekmīgākas un pieejamākas dažu nākamo gadu laikā. Galu galā tas atbalstīs virzību uz dekarbonizētu tīklu.

Paldies par lielisko interviju, lasītājiem, kuri vēlas uzzināt vairāk, vajadzētu apmeklēt Innovats.