Dave Boundy är CTO på Innowatts – Intervjuserie

Dave Boundy är CTO på Innowatts, en ledare inom AI-dataanalys. SaaS-plattformen tillhandahåller företag med de data som behövs för att vara mer förutsägbara, proaktiva och anslutna till sina kunder och elabonnenter, vilket hjälper dem att bättre hantera risker, förbättra lönsamheten, upprätthålla elnätets tillförlitlighet och förutse hållbarhetstrender.

David har över 20 års erfarenhet av IoT och energibranschen. Hans karriär har omfattat företags-IT, produktutveckling, forskning och innovation samt nya företagsstartups. Innan han tillträdde sin nuvarande roll etablerade och ledde han Intels Global Energy Solutions-verksamhet, som levererade maskinlärnings- och artificiell intelligenslösningar till kunder över hela världen. David har flera patent och sitter i ett antal rådgivande organ.

Kan du beskriva vad Innowatts är?

Innowatts är ett nytt energiföretag som fokuserar på att förbättra våra kunders bruttomarginaler samtidigt som vi ökar antagandet av förnybara energikällor. Vi gör detta genom att analysera stora mängder data för att låsa upp handlingsbara insikter. Även om vi är ett B2B-företag tillhandahåller vi både B2B- och B2C-tjänster via våra kunder till deras slutanvändare. Vi tar meterdata från ett hem eller företag, eller inom nätverket, och kombinerar den med många andra datamängder, inklusive socioekonomiska data, CRM-data och riskhanteringsdata.

Vår AI-baserade analytiker levererar insikter som sträcker sig från konsumentnivåsprognoser till att bryta ned nuvarande och framtida energiförbrukning. Genom detta kan vi identifiera potentiella produkter som passar för varje konsument. Vi tillhandahåller också detaljhandelskunder med tjänster, till exempel identifiering av den optimala tarifferingsmodellen för att maximera deras bruttomarginaler.

Slutligen stöder vi nätverksoperatörer och elbolag för att hjälpa dem att planera för framtiden. Det är viktigt att de förstår var förändringar sker så att de kan optimera tillgångar samtidigt som de minskar priserna för konsumenterna.

Vilka typer av maskinlärningstekniker används på Innowatts?

I princip hjälper vi maskiner att tänka på mer mänskliga sätt, samtidigt som vi låter dem skala och hantera mycket stora datamängder. Vi har över 43 miljoner meter under förvaltning, och vi hanterar miljarder datapunkter varje timme över flera geografier och kunder. I den övervakade sfären använder vi en mängd olika modeller, inklusive linjär regression, beslutsfattande träd etc.; i den oövervakade sfären inkluderar exempel ensemblemodeller, neuronnät och slumpmässiga skogar.

Vårt användande av en mängd olika modeller är centralt för styrkan i vår produkt — vi kan identifiera rätt modell för varje kund i varje given situation. Vi kan faktiskt bryta ner det till meter-nivå. Det är vad som verkligen positionerar oss som ledare inom detta område.

Varför är energiövervakning viktig för energidetaljister?

Kostnaden för att förvärva en kund är ofta två till tre gånger marginalen som en detaljist gör på den kunden under ett år. Det betyder att det tar två till tre år att återbetala kundförvärvskostnaderna, så det är väldigt viktigt att behålla varje kund.

Vi hjälper detaljister att uppnå detta genom att ge dem möjlighet att differentiera. Vi tillhandahåller prognoser och möjlighet att definiera och utveckla tidsbaserade tariffer för att anpassa sina produkter till sina kunder. Vi kan också tillhandahålla riskhanterings- och prissättningsplattformar, samt möjlighet att identifiera de bästa kunderna i varje territorium. Vi kan också identifiera vilka kunder som är bäst lämpade för specifika produkter. Allt detta bidrar till en mer övertygande och kostnadseffektiv tjänst för kunderna, vilket förbättrar både förvärv och behållning.

Vilka är några av de viktigaste insikterna som kan erhållas från att studera energiförbrukning?

Tänk dig att du nyligen köpte en elbil. Våra modeller kan upptäcka detta, vilket gör att din elleverantör automatiskt kan skicka anpassade kommunikationer och riktade tjänster som är relevanta för din status som ny elbilsägare — kanske en annan tariff, en ny försäkringsprodukt eller en serviceprodukt.

På samma sätt kan vi identifiera och proaktivt meddela dig, baserat på din energiförbrukning under de senaste 15 dagarna, att vi förutser att din förbrukning under de kommande 30 dagarna kommer att vara mycket högre än normalt av en specifik anledning. Vi kan sedan arbeta med dig för att vidta proaktiva åtgärder för att undvika en överraskande räkning. Detta är bara några exempel på de typer av engagemang som vi kan leverera.

Våra prognosförmågor är också extremt kraftfulla. De nyliga händelserna i Texas gjorde prognostisering mycket svår, eftersom det var ett helt nytt scenario. Men våra prognoser var 20% till 40% mer exakta än våra konkurrenters, så våra kunder var mycket bättre förberedda på avbrottet. Genom att använda våra prognoser som en del av sin hedge-strategi var de mycket bättre positionerade när energipriserna steg till 9 000 dollar per megawattimme. Besparingarna för dem har varit betydande. Det faktum att våra modeller anpassar sig snabbt till förändrade situationer möjliggör också för våra kunder att prognostisera och lämna in bud effektivt i högt volatila situationer, även under rullande elavbrott.

Denna nivå av övervakning och tolkning av energidata är alltmer viktig. Många detaljister kommer att gå i konkurs, och de stora detaljisterna har hedgeat sina behov på marknaden upp till ett år, kanske längre. Beroende på deras strategi och riskprofil kan de ha förvärvat 50% av den energi de behövde under den senaste veckan. De skulle ha försökt att öka den procentsatsen allteftersom riskprofilen och energipriset ökade. De skulle ha hedgeat mer, men slutligen skulle de ha gått in på den realtidsmarknaden för att köpa el. De skulle ha försökt att köpa till den genomsnittliga priset under det senaste året, som har varit runt 25 dollar per megawattimme. Nu, när de går in på marknaden, försöker de köpa till 9 000 dollar per megawattimme. Så kostnaden för detaljisten är enorm, det är deras års vinster som försvinner på en eftermiddag.

Hur kan denna information användas för att påverka användningen av grön energi?

Historiskt sett har elnätet varit efterfrågestyrt — när efterfrågan ökade byggde operatörerna fler kraftverk, lade in fler kablar och brände mer bränsle. Vi är nu i en övergångsfas där vi går mot ett försörjningsstyrt elnät. När vi övergår till förnybara energikällor måste vi kunna hantera försörjningssidan. I den nya världen anländer försörjningen när vinden blåser eller solen skiner. Vi kommer också att se en stor ökning av efterfrågan från elektrifieringen av transport och värme.

Vad vi gör för våra kunder är att analysera hur konsumenter använder energi. Vi börjar med att titta på hur mycket av deras belastning som är vad vi kallar “basbelastning”. Det finns vissa saker som kan göras för att uppmuntra människor att minska den, men i allmänhet är den fast. Vi kan identifiera de som är känsliga för väderförhållanden, vi kan identifiera hem som kan dra nytta av termiska ingrepp — isolering eller installation av en termostat.

Men vi kan också identifiera tidskänsliga belastningar, vilket är en indikator på beteende. Utan att bli för invasiva kan vi se hemmabaserat beteende. Till exempel kan du råda en kund att överväga att kyla eller värma sitt hem vid en annan tid för att göra det mer bekvämt, spara pengar eller maximera användningen av grön energi.

Vi kan också använda proaktiva, efterfrågestyrda hanteringsstrategier för att anpassa konsumtionen till tillgängligheten av förnybar energi utan att negativt påverka användarens upplevelse. Till exempel kan du vanligtvis ansluta din bil till laddningen klockan 19 och koppla ur den klockan 07. Vi kan skicka en efterfrågestyrd hanteringsignal till laddningspunkterna för att bestämma de timmar när din bil faktiskt laddas, för att optimera användningen av förnybara energikällor.

År 2020 meddelade Innowatts att de hade överträffat fem andra energiprognostrerare på de flesta mått i en oberoende test. Hur värdefullt är det att kunna prognostisera med så hög noggrannhet?

Situationen i Texas visade kostnaden för felaktig prognostisering. Om en detaljist ser en potentiell förlust på en halv miljard dollar, så kan våra prognoser — som är 20% till 40% mer exakta än konkurrenterna — konservativt spara dem över 100 miljoner dollar. Det är en extrem situation, men vår granulära tillvägagångssätt innebär att kunderna kommer ut som vinnare året runt, även utan extrem volatilitet.

Till exempel stöder vi en leverantör i Europa med både kommersiella och industriella kunder. De har försökt i år att få proaktiva meddelanden om när deras kunder kommer att vidta åtgärder — när de kommer att öka eller minska sin effekt — men de har inte varit framgångsrika. Vi har kunnat prognostisera för dem i 15-minutersintervall för var och en av deras kommersiella och industriella kunder, vilket gör att de kan förutse belastningsförändringar och fatta smartare inköpsbeslut på en mycket granulär nivå — och det betyder att de kan spara betydande pengar.

Vad är framtiden för datavetenskap och maskinlärning inom detta område?

Som jag nämnde tidigare hanterar vi mycket stora datamängder. När vi får mer data och mer granulär data kommer vi att kunna dra och härleda mer information — och när datorernas prestanda ökar kommer vi att kunna bearbeta den data snabbare för att leverera kraftfulla insikter. De matematiska principerna förändras inte, men vår växande förmåga att tillämpa komplex matematik i stor skala kommer att göra dessa funktioner alltmer effektiva, påverkande och prisvärda under de kommande åren. Detta kommer slutligen att stödja driften mot ett avkarboniserat elnät.

Tack för den utmärkta intervjun, läsare som vill lära sig mer kan besöka Innowatts.