Dave Boundy is de CTO bij Innowatts – Interviewreeks

Dave Boundy is de CTO bij Innowatts, een leider in AI-gegevensanalyse. Het SaaS-platform biedt bedrijven de gegevens die nodig zijn om meer voorspellend, proactief en verbonden te zijn met hun klanten en tariefbetalers, waardoor ze beter risico’s kunnen beheren, winstgevendheid kunnen verbeteren, netwerkbetrouwbaarheid kunnen behouden en duurzaamheidstrends kunnen voorzien.

David heeft meer dan 20 jaar ervaring in de IoT- en energiemarkt. Zijn carrière heeft zich uitgestrekt van enterprise IT, productontwikkeling, onderzoek en innovatie en nieuw bedrijfsopstarten. Voordat hij zijn huidige functie bekleedde, richtte hij Intel’s Global Energy Solutions-bedrijf op en leidde hij het, waarbij hij machine learning- en kunstmatige intelligentie-oplossingen leverde aan klanten over de hele wereld. David heeft verschillende octrooien en zit in een aantal adviesraden.

Kunt u uitleggen wat Innowatts is?

Innowatts is een nieuw energiemaatschappij dat zich richt op het verbeteren van de brutowinstmarges van onze klanten en het stimuleren van de toename van hernieuwbare energie. We doen dit door grote hoeveelheden gegevens te analyseren om actiegerichte inzichten te ontgrendelen. Hoewel we een B2B-bedrijf zijn, bieden we zowel B2B- als B2C-diensten aan via onze klanten aan hun eindgebruikers. We nemen metergegevens van een huis of bedrijf, of binnen het netwerk, en combineren die met veel andere gegevenssets, waaronder socio-economische gegevens, CRM-gegevens en risicobeheergegevens.

Onze AI-gebaseerde analytische motor levert inzichten die variëren van consumentenniveau-voorspellingen tot het onderscheiden van huidige en toekomstige energieverbruik. Hierdoor kunnen we potentiële producten identificeren die geschikt zijn voor elke consument. We bieden ook retailklanten diensten, zoals het identificeren van het optimale tariefmodel om hun brutowinstmarges te maximaliseren.

Tenslotte ondersteunen we netwerkbeheerders en nutsbedrijven om hen te helpen plannen voor de toekomst. Het is essentieel dat ze begrijpen waar veranderingen plaatsvinden, zodat ze hun activa kunnen optimaliseren en prijzen voor consumenten kunnen verlagen.

Welke soorten machine learning-technologieën worden bij Innowatts gebruikt?

Feitelijk helpen we machines om meer op menselijke wijze te denken, terwijl we ze ook in staat stellen om te schalen en om te gaan met zeer grote datasets. We hebben meer dan 43 miljoen meters onder beheer en we hebben te maken met miljarden gegevenspunten per uur over meerdere geografische gebieden en meerdere klanten. In de begeleide ruimte gebruiken we een verscheidenheid aan modellen, waaronder lineaire regressie, beslissingsbomen enz.; in de onbegeleide ruimte zijn voorbeelden ensemble-modellen, neurale netwerken en willekeurige bossen.

Ons gebruik van een verscheidenheid aan modellen is centraal voor de kracht van ons product – we kunnen het juiste model identificeren voor elke klant in elke gegeven situatie. We kunnen het zelfs terugbrengen tot het meter niveau. Dat is wat ons echt positioneert als leider in deze ruimte.

Waarom is energiemonitoring belangrijk voor energieleveranciers?

De kosten voor het verwerven van een klant zijn vaak twee tot drie keer de marge die een leverancier maakt op die klant in een jaar. Dat betekent dat het twee tot drie jaar duurt om de kosten voor klantverwerving terug te verdienen, dus het is echt belangrijk om elke klant te behouden.

We helpen leveranciers om dit te bereiken door hen de mogelijkheid te geven om te differentiëren. We bieden voorspellingen en de mogelijkheid om tijd-tarief tarieven te definiëren en te ontwikkelen om hun product aan te passen aan hun klanten. We kunnen ook risicobeheer- en prijsstellingplatforms bieden, evenals de mogelijkheid om de beste consumenten in elk gebied te identificeren. We kunnen ook identificeren welke klanten het beste geschikt zijn voor bepaalde producten. Dat alles leidt tot een meer overtuigende en kosteneffectieve dienst voor klanten, waardoor zowel acquisitie- als behoudinspanningen worden gestimuleerd.

Welke zijn enkele van de belangrijkste inzichten die kunnen worden verkregen uit het bestuderen van energieverbruik?

Stel je voor dat je onlangs een elektrische auto hebt gekocht. Onze modellen kunnen dat detecteren, waardoor je elektriciteitsleverancier automatisch onze maatwerkcommunicaties en gerichte diensten kan sturen die van toepassing zijn op je status als nieuwe EV-eigenaar – misschien een ander tarief, een nieuw verzekeringsproduct of een onderhoudsproduct.

Evenzo kunnen we identificeren en proactief melden, op basis van je energieverbruik in de afgelopen 15 dagen, dat we je verbruik in de komende 30 dagen veel hoger verwachten dan normaal om een bepaalde reden. We kunnen dan samenwerken om voorafgaande actie te nemen om een factuurschok te voorkomen. Dit zijn slechts enkele voorbeelden van de soorten betrokkenheid die we kunnen leveren.

Onze voorspellingsmogelijkheden zijn ook extreem krachtig. Recentelijk hebben gebeurtenissen in Texas het voorspellen erg moeilijk gemaakt, omdat het een compleet nieuwe scenario was. Maar onze voorspellingen waren 20% tot 40% nauwkeuriger dan die van onze concurrenten, dus onze klanten waren veel beter voorbereid op de verstoring. Door onze voorspellingen te gebruiken als onderdeel van hun hedgingstrategie, waren ze veel beter gepositioneerd toen energiprijzen tot $9.000 per megawattuur stegen. De besparingen voor hen zijn aanzienlijk. Het feit dat onze modellen snel aanpassen aan veranderende situaties, stelt onze klanten ook in staat om effectief te forecasten en te bieden in zeer volatiele situaties, zelfs tijdens stroomuitval.

Dit niveau van energiemonitoring en -interpretatie is steeds belangrijker. Veel leveranciers zullen failliet gaan en grote leveranciers hebben hun behoeften op de markt gehedged tot een jaar, misschien langer. Afhankelijk van hun strategie en risicoprofiel, kunnen ze 50% van de benodigde energie in de afgelopen week hebben verworven. Ze zouden hebben geprobeerd om dat percentage te verhogen toen het risicoprofiel en de energiprijs toenamen. Ze zouden meer hebben gehedged, maar uiteindelijk zouden ze zijn gaan proberen om op de markt te kopen. Ze moesten dat doen tegen de gemiddelde prijs van het afgelopen jaar, die ongeveer $25 per megawattuur was. Nu gaan ze de markt op om te kopen tegen $9.000 per megawattuur. Dus de kosten voor de leverancier zijn enorm, dat is hun jaarwinst in een middag.

Welke zijn enkele manieren waarop deze informatie kan worden gebruikt om het energieverbruik te beïnvloeden voor groenere energie?

Historisch gezien is het netwerk vraaggestuurd – wanneer de vraag toenam, bouwden exploitanten meer elektriciteitscentrales, legden ze meer kabels aan en verbrandden ze meer brandstof. We zijn nu in een overgangsfase waarin we overstappen op een aanbodgestuurd netwerk. Nu we overstappen op hernieuwbare energie, moeten we in staat zijn om de aanbodzijde te beheren. In de nieuwe wereld arriveert de aanbod wanneer de wind waait of de zon schijnt. We zullen ook een enorme toename zien in de vraag als gevolg van de elektrificatie van transport en warmte.

Wat we voor onze klanten doen, is analyseren hoe consumenten energie gebruiken. We beginnen met het kijken naar hoeveel van hun belasting “basisbelasting” is. Er zijn enkele dingen die kunnen worden gedaan om mensen te stimuleren om dat te verminderen, maar over het algemeen is het vast. We kunnen identificeren wie gevoelig is voor weersomstandigheden, we kunnen identificeren welke huizen baat zouden hebben bij thermische interventies – isolatie of het installeren van een thermostaat.

Maar we kunnen ook tijdsgevoelige belastingen identificeren, die een indicator zijn van gedrag. Zonder te veel inbreuk te maken op de privacy, kunnen we thuisgedrag zien. Bijvoorbeeld, je kunt een klant adviseren dat hij mogelijk moet overwegen om zijn huis te koelen of te verwarmen op een ander tijdstip om het comfortabeler, goedkoper of om het gebruik van groene energie te maximaliseren.

We kunnen ook proactieve, vraagzijdebeheerstrategieën gebruiken om het verbruik aan te passen aan de beschikbaarheid van hernieuwbare energie zonder de gebruikerservaring negatief te beïnvloeden. Bijvoorbeeld, je kunt je voertuig om 19.00 uur aansluiten en om 07.00 uur loskoppelen. We kunnen een vraagzijdebeheersignaal naar de laadpunten sturen om de uren te bepalen wanneer je voertuig daadwerkelijk oplaadt, om het gebruik van hernieuwbare energie te optimaliseren.

In 2020 kondigde Innowatts aan dat het vijf andere energiervoorspellers had overtroffen op de meeste maatstaven in een onafhankelijke proef. Hoe waardevol is het om met zo’n hoog niveau van nauwkeurigheid te kunnen voorspellen?

De situatie in Texas liet zien wat de kosten zijn van onnauwkeurige voorspelling. Als een leverancier naar een potentieel verlies van een half miljard dollar kijkt, dan kunnen onze voorspellingen – die 20% tot 40% nauwkeuriger zijn dan die van de concurrentie – conservatief gezien meer dan $100 miljoen besparen. Dat is een extreme situatie, maar onze granulaire aanpak zorgt ervoor dat klanten het hele jaar door vooruitkomen, zelfs zonder extreme volatiliteit.

Als voorbeeld ondersteunen we een leverancier in Europa met zowel commerciële als industriële klanten. Ze hebben jarenlang geprobeerd om proactieve meldingen te krijgen wanneer hun klanten actie zouden ondernemen – wanneer ze hun vermogen zouden verhogen of verlagen – maar ze zijn daar niet in geslaagd. We hebben hun voorspellingen kunnen doen op 15-minuten-intervallen voor elke commerciële en industriële klant, waardoor ze loadveranderingen konden voorzien en slimmere aankoopbeslissingen konden nemen op een zeer granulair niveau – en dat betekent dat ze aanzienlijk geld kunnen besparen.

Wat is de toekomst van datascience en machine learning in deze sector?

Like ik al zei, we hebben te maken met zeer grote datasets. Naarmate we meer gegevens krijgen en meer granulaire gegevens, zullen we in staat zijn om meer informatie af te leiden en te concluderen – en naarmate de rekenkracht toeneemt, zullen we in staat zijn om die gegevens sneller te verwerken om krachtige inzichten te leveren. De wiskundige principes veranderen niet, maar onze groeiende mogelijkheid om complexe wiskunde op grote schaal toe te passen, zal deze mogelijkheden steeds effectiever, krachtiger en betaalbaarder maken in de komende jaren. Uiteindelijk zal dit de beweging naar een gedecarboniseerd netwerk ondersteunen.

Bedankt voor het geweldige interview, lezers die meer willen leren, moeten Innowatts bezoeken.