Dave Boundy é o CTO da Innowatts – Série de Entrevistas

Dave Boundy é o CTO da Innowatts, uma líder em análise de dados de IA. A plataforma SaaS fornece às empresas os dados necessários para serem mais previsíveis, proativas e conectadas aos seus clientes e consumidores, ajudando-as a gerenciar melhor os riscos, melhorar a rentabilidade, manter a confiabilidade da rede e antecipar tendências de sustentabilidade.

David tem mais de 20 anos de experiência na indústria de IoT e energia. Sua carreira variou desde TI empresarial, desenvolvimento de produtos, pesquisa e inovação e novos negócios. Antes de seu cargo atual, ele estabeleceu e liderou o negócio de Soluções Globais de Energia da Intel, fornecendo soluções de aprendizado de máquina e inteligência artificial para clientes em todo o mundo. David é detentor de várias patentes e participa de várias conselhos consultivos.

Poderia descrever o que é a Innowatts?

Innowatts é uma nova empresa de energia focada em melhorar as margens brutas de seus clientes, enquanto aumenta a adoção de renováveis. Fazemos isso analisando grandes quantidades de dados para desbloquear insights ação. Embora sejamos uma empresa B2B, fornecemos serviços B2B e B2C por meio de nossos clientes para seus usuários finais. Pegamos dados de nível de medidor de uma casa ou empresa, ou dentro da rede, e combinamos isso com muitos outros conjuntos de dados, incluindo dados socioeconômicos, dados de CRM e dados de gerenciamento de riscos.

Nosso motor de análise de IA fornece insights que variam desde previsões de nível de consumidor até a desagregação do uso de energia atual e futuro. Com isso, podemos identificar produtos potenciais adequados para qualquer consumidor. Também fornecemos serviços para clientes varejistas, como identificação do modelo de tarifa ótimo para maximizar suas margens brutas.

Finalmente, apoiamos operadores de rede e empresas de serviços públicos para ajudá-los a planejar o futuro. É essencial que eles entendam onde as mudanças estão acontecendo para que possam otimizar ativos, reduzir preços para os consumidores.

Quais são os tipos de tecnologias de aprendizado de máquina utilizadas na Innowatts?

Basicamente, estamos ajudando as máquinas a pensar de maneira mais humana, enquanto também as permitimos escalar e lidar com grandes conjuntos de dados. Temos mais de 43 milhões de medidores sob gestão e lidamos com bilhões de pontos de dados por hora em várias geografias e clientes. No espaço supervisionado, usamos uma variedade de modelos, incluindo regressão linear, árvores de decisão, etc.; no espaço não supervisionado, exemplos incluem modelos de ensemble, redes neurais e florestas aleatórias.

Nossa utilização de uma variedade de modelos é central para a força do nosso produto — podemos identificar o modelo certo para qualquer cliente em qualquer situação dada. Podemos realmente reduzir isso ao nível do medidor. É isso que realmente nos posiciona como líder nesse espaço.

Por que o monitoramento de energia é importante para os varejistas de energia?

O custo para adquirir um cliente é frequentemente duas a três vezes a margem que um varejista ganha com esse cliente em um ano. Isso significa que leva dois a três anos para recuperar os custos de aquisição do cliente, então é muito importante reter cada cliente.

Ajudamos os varejistas a alcançar isso, fornecendo-lhes a capacidade de se diferenciar. Fornecemos previsões e a capacidade de definir e desenvolver tarifas de uso de tempo para adequar seu produto aos seus clientes. Também podemos fornecer plataformas de gerenciamento de riscos e preços, juntamente com a capacidade de identificar os melhores consumidores em cada território. Podemos também identificar quais clientes são mais adequados para produtos específicos. Isso tudo se soma a um serviço mais atraente e econômico para os clientes, impulsionando tanto os esforços de aquisição quanto de retenção.

Quais são alguns dos principais insights que podem ser obtidos ao estudar o consumo de energia?

Imagine que você recentemente comprou um veículo elétrico. Nossos modelos podem detectar isso, permitindo que seu fornecedor de eletricidade envie comunicações personalizadas e serviços direcionados aplicáveis ao seu status como proprietário de um novo VE — talvez um modelo de tarifa diferente, um novo produto de seguro ou um produto de manutenção.

Da mesma forma, podemos identificar e notificar proativamente, com base no seu uso de energia nos últimos 15 dias, que estamos projetando seu consumo nos próximos 30 dias para ser muito maior do que o normal por uma razão específica. Podemos então trabalhar com você para tomar medidas preventivas para evitar um choque de conta. Esses são apenas alguns exemplos do tipo de engajamento que podemos oferecer.

Nossas capacidades de previsão também são extremamente poderosas. Eventos recentes no Texas tornaram a previsão muito difícil, pois era um cenário completamente novo. Mas nossas previsões foram 20% a 40% mais precisas do que as de nossos concorrentes, então nossos clientes estavam muito melhor preparados para a interrupção. Ao usar nossas previsões como parte de sua estratégia de hedge, eles estavam muito melhor posicionados quando os preços de energia subiram para $9.000 por megawatt-hora. As economias para eles têm sido significativas. O fato de que nossos modelos se adaptam rapidamente a situações em mudança também permite que nossos clientes prevejam e licitem de forma eficaz em situações altamente voláteis, mesmo durante apagões rolantes.

Esse nível de monitoramento e interpretação de dados de energia é cada vez mais importante. Muitos varejistas estarão saindo do negócio, e os grandes varejistas terão garantido suas necessidades no mercado por até um ano, talvez mais. Dependendo de sua estratégia e perfil de risco, eles podem ter adquirido 50% da energia necessária na última semana. Eles teriam tentado aumentar esse percentual à medida que o perfil de risco e o preço da energia aumentavam. Eles teriam tentado garantir mais, mas, no final, estariam entrando no mercado em tempo real tentando comprar energia. Eles estariam tentando comprar a $9.000 por megawatt-hora. Então, o custo para o varejista é enorme, isso é o lucro de um ano indo embora em uma tarde.

De que maneiras essas informações podem ser usadas para influenciar o uso de energia mais verde?

Historicamente, a rede foi liderada pela demanda — quando a demanda aumentava, os operadores construíam mais usinas de energia, colocavam mais cabos, queimavam mais combustível. Agora estamos em uma fase de transição, onde estamos passando para uma rede liderada pela oferta. À medida que mudamos para renováveis, precisamos ser capazes de gerenciar o lado da oferta. No novo mundo, a oferta chega sempre que o vento sopra ou o sol brilha. Também veremos um aumento enorme na demanda decorrente da eletrificação do transporte e do calor.

O que fazemos para nossos clientes é analisar como os consumidores usam energia. Começamos olhando para quanto da carga deles é o que chamamos de “carga-base”. Há algumas coisas que podem ser feitas para incentivar as pessoas a reduzir isso, mas, em geral, é fixo. Podemos identificar aqueles que são suscetíveis a condições climáticas, podemos identificar casas que poderiam se beneficiar de intervenções térmicas — isolamento ou instalação de um termostato.

Mas também podemos identificar cargas sensíveis ao tempo, o que é um indicador de comportamento. Sem sermos muito invasivos, podemos ver comportamentos baseados em casa. Por exemplo, você pode aconselhar um cliente que talvez queira considerar resfriar ou aquecer sua casa em um momento diferente para torná-la mais confortável, economizar dinheiro ou maximizar o uso de energia verde.

Também podemos usar estratégias de gerenciamento de demanda ativas para alinhar o consumo com a disponibilidade de energia renovável, sem impactar negativamente a experiência do usuário. Por exemplo, você pode conectar seu veículo regularmente às 19h e desconectá-lo às 7h. Podemos enviar um sinal de gerenciamento de demanda para os pontos de carregamento para determinar as horas em que seu veículo realmente carrega, a fim de otimizar o uso de renováveis.

Em 2020, a Innowatts anunciou que havia superado cinco outros previsores de energia em maioria dos indicadores em um teste independente. Quão valioso é ser capaz de prever com um nível de precisão tão alto?

A situação no Texas mostrou o custo da previsão imprecisa. Se um varejista está olhando para uma perda potencial de meio bilhão de dólares, então nossas previsões — que são 20% a 40% mais precisas do que a concorrência — poderiam conservadoramente economizar mais de $100 milhões. Essa é uma situação extrema, mas nossa abordagem granular significa que os clientes estão saindo à frente o ano todo, mesmo sem volatilidade extrema.

Por exemplo, estamos apoiando um provedor na Europa com clientes comerciais e industriais. Eles estiveram tentando por anos obter notificações proativas de quando seus clientes iriam tomar ações — quando iriam aumentar ou diminuir sua potência —, mas não tiveram sucesso. Fomos capazes de prever para eles em intervalos de 15 minutos para cada um de seus clientes comerciais e industriais, permitindo que eles antecipassem mudanças de carga e tomassem decisões de compra mais inteligentes em um nível muito granular — e isso significa que eles podem economizar dinheiro significativo.

Qual é o futuro da ciência de dados e do aprendizado de máquina nesse setor?

Como mencionei, estamos lidando com conjuntos de dados muito grandes. À medida que obtemos mais dados e mais dados granulares, seremos capazes de deduzir e inferir mais informações — e à medida que o poder computacional aumenta, seremos capazes de processar esses dados mais rapidamente para entregar insights poderosos. Os princípios matemáticos não mudam, mas nossa capacidade crescente de aplicar matemática complexa em escala fará com que essas capacidades se tornem cada vez mais eficazes, impactantes e acessíveis nos próximos anos. Em última análise, isso apoiará a direção em direção a uma rede descarbonizada.

Obrigado pela grande entrevista, leitores que desejam aprender mais devem visitar Innowatts.