Energiayhtiö, laita data töihin!

Ennakoiva analytiikka auttaa ymmärtämään asiakasta entistä paremmin myös energia-alalla. Niin laiterikko kuin poistuva asiakaskin on mahdollista tunnistaa datasta.

Historiatietoja asiakkaiden energiankulutuksesta alkaa olla tallessa yhä kattavammin, kiitos muun muassa etäluettavien kulutusmittarien. Tämä IoT-data kannattaa ehdottomasti valjastaa liiketoiminnan käyttöön ja hyödyntää datassa piilevä potentiaali.

Kulutusdataa seulovalla algoritmilla on mahdollista kasvattaa asiakasymmärrystä, mikä taas auttaa sekä asiakaspalvelun että muun liiketoiminnan kehittämisessä. Ennakoiva analytiikka mahdollistaa esimerkiksi laiterikkojen ja asiakaspoistuman ennustamisen, minkä perusteella voidaan toimia ajoissa vahinkojen estämiseksi.

Perusta kuntoon

Energia-alalla on jo aiemmin segmentoitu asiakkaita monin eri tavoin, ja tämä segmentointi onkin tärkeä lähtökohta myös ennakoivan analytiikan toteuttamiselle. Esimerkkejä segmenteistä voivat olla vaikkapa asuinkerrostalot, rivitalot, teollisuuslaitokset, koulut tai toimistorakennukset. Ennakoivan analytiikan avulla olemassa oleville segmenteille muodostetaan tarkempia alasegmenttejä, jotka perustuvat jokaisen käyttökohteen kulutusprofiiliin. Kehittynyt algoritmi löytää datasta automaattisesti eri profiilit perustuen sähkön käyttöön tai vaihtoehtoisesti kaukolämmitykseen. Kulutusprofiilit ovat siis alasegmenttejä varsinaisille segmenttiryhmille.

Nämä alasegmentit vaihtelevat sen mukaan, lämmitetäänkö kiinteistöä esimerkiksi jatkuvasti vai vain päiväsaikaan – ja kuinka monena päivänä viikossa. Yhdellä kiinteistötyypillä voi olla erilaisia kulutusprofiileja. Esimerkiksi kaukolämmön puolella samaan segmenttiin kuuluvilla toimistotaloilla voi olla useita erilaisia kaukolämmityksen kulutusprofiileja, eli siis useita eri alasegmenttejä.

Algoritmi tunnistaa kohteiden profiilit ja lajittelee ne automaattisesti tarkempiin alasegmentteihin kulutusdatan perusteella. Esimerkkeinä näistä alasegmenteistä voisivat olla vaikkapa jatkuvalämmitteinen toimistotalo, arkipäivisin lämpiävä koulurakennus ja aina päiväsaikaan lämmitettävä kauppakiinteistö. Samalla tunnistetaan myös lämpöpumpun tai sähköauton ostaneet asiakkaat.

Tämä on vasta perustason analyysi, joka jo itsessään auttaa ymmärtämään asiakaskäyttäytymistä paremmin. Mutta se avaa ovet valtavaan määrään erilaisia ennakoivan analytiikan hankkeita.

Laiterikko tuloillaan?

Algoritmi tunnistaa kulutusdatasta, jos asiakkaan kulutusprofiili poikkeaa hänen alasegmenttinsä odotusarvosta tai omasta historiasta, ja minkä verran. Käytännössä käyttökohteelle lasketaan siis varianssi. Merkittävä poikkeama voi tarkoittaa, että kohteessa on jotain pielessä. Mutta vian varmistamiseksi ja tarkentamiseksi on hyvä tehdä lisäanalyysia.

Esimerkiksi kaukolämpökohteen lämmönvaihtimen hajoamista voidaan ennakoida historiatietojen perusteella. Energiayhtiön asiakkaista löytyy varmasti aiempia tapauksia, joissa lämmönvaihdin on aiemmin poksahtanut. Voimme tarkastella hajoamista edeltävää ajanjaksoa ja katsoa, mikä on tämän ajankohdan kulutusdatalle ominaista. Näitä merkkejä voidaan opettaa algoritmille, joka alkaa jäljittää niitä reaaliajassa. Muita ennakoivan huollon kohteita voivat olla vaikkapa muuntajat tai sähkömittarit.

Eli: jos kulutusprofiilin varianssi on poikkeuksellisen suuri, ja lisäksi data täsmää lämmönvaihtimen hajoamista ennakoivaan käyttäytymiseen, tämä saattaa indikoida lämmönvaihtimen hajoamista.

Toinen tapa tunnistaa poikkeava profiili on niin sanottu drift-analyysi, joka paljastaa ilmiön, jossa kulutuslukemat itsessään ovat sallittujen raja-arvojen sisällä, mutta ne ryömivät hitaasti yhden ääriarvon liepeiltä kohti toista äärirajaa. Se siis paljastaa hitaasti hiipuvan profiilin ennen varsinaisen raja-arvon ylitystä.

Osaavan data scientistin työkalupakissa on laaja valikoima erilaisia metodeja ja välineitä. Niitä tilanteen mukaan yhdistelemällä voidaan rakentaa hyvinkin tarkka tilastollinen malli, joka palvelee liiketoiminnan arkea.

Asiakas lähtemässä?

Energiasektorilla asiakasdatan selityskyky on tyypillisesti hyvä, kiitos etäluettavien mittareiden tuottaman rikkaan IoT-datan. Kun tarkasteluun otetaan mukaan vielä asiakastietojärjestelmät ja niiden kattavat attribuutit asiakkaista, liiketoiminnalle voidaan tuottaa hyvin merkittävää arvoa.

Esimerkiksi asiakaspoistumaa voidaan ennakoida dataa jalostamalla. Asiakashistoriaan perustuen todennäköisimmin irtisanoutuvien asiakkaiden joukko voidaan tunnistaa ja ehkäistä irtisanomispäätöksiä täsmällisillä ennakoivilla asiakassuhdetta parantavilla toimenpiteillä. Myynnin ja markkinnoinnin maailmassa asiakaspoistuma eli ns. “churn-analyysi” on jo vakiintunut käsite ja menetelmää on käytetty vuosikausia. Mutta asiakaskäyttäytyminen muuttuu ja asiakaspoistuman mallit vanhenevat. Asiakaspoistuman analysoinnin tarve ei siis katoa, ja sitä varten tarvitaan uusia datalähteitä tunnistamaan tarkemmin asiakaskäyttäytymistä.

Historiadatasta voidaan tässäkin selvittää, mitä poistuneen asiakkaan datassa ja profiilissa on tapahtunut ennen poistumista. Merkittäviä tekijöitä voivat olla sähkösopimustyyppi, asumismuoto, perhekoko, ikä ja kulutusprofiili. Asiakas on myös saattanut käydä asiakasportaalissa tutkailemassa sähkösopimusta ennen irtisanoutumista tai on mahdollisesti hankkinut sähköauton. Pelkästään yhtä datalähdettä käyttämällä analyysin tulokset eivät välttämättä ole luotettavia. Mitä useammasta lähteestä dataa ja taustatietoja on saatavilla, sitä tarkempaan ennusteeseen päästään. Riskiryhmässä voi olla vaikkapa tietyllä alueella asuva, tietyn kulutusprofiilin omaava ja tietyn ikäinen asiakas, jolla on tietty sopimustyyppi, ja joka on käynyt kurkkimassa hintoja äskettäin.

Jokaisen asiakkaan tiedot voidaan käydä läpi churn-analyysin avulla. Tulokseksi saadaan asiakkaan poistumisen todennäköisyys. Tilastoajo voidaan tehdä automaattisesti, vaikka joka päivä. Asiakaspalvelu saa käyttöönsä tuoreen listan riskiryhmäläisistä, joille soittaa ja tarjota vaikkapa toisentyyppistä sopimusta. Viitettä siitä, millainen sopimus toimisi paremmin voidaan saada samankaltaisilta asiakkailta, joiden poistumisen todennäköisyys on hyvin pieni.

Nämä ovat muutamia esimerkkejä ennakoivan analytiikan mahdollisuuksista. Isoja mahdollisuuksia löytyy myös investointipäätöksien tukemisesta, esimerkiksi uutta verkkoa mitoitettaessa tai olemassa olevaa verkkoa kunnostettaessa. Tässä tavoitteena on varmistaa verkon kapasiteetin riittävyys ilman tarpeetonta ylimitoitusta sekä kohdistaa kunnostustoimenpiteet riskialueille.

Ja olivatpa tarpeet millaisia tahansa, ennakoivan analytiikan tulokset ovat tuotavissa suoraan osaksi jo olemassa olevaa raportointiratkaisua. Näin myös raportointiratkaisun arvon tuotanto kasvaa, ja tiedolla johtamisen kulttuuri ottaa organisaatiossa askeleen eteenpäin.

Jos kiinnostuit ennakoivan analytiikan mahdollisuuksista, ota yhteyttä! Keskustellaan siitä, miten algoritmit saadaan istumaan juuri sinun organisaatiosi liiketoimintaan ja laitetaan vuosien varrella kerätty data töihin.

– Markus Hellas,

Sales Manager, Artificial Intelligence, Valamis Group

Markus Hellas toimii Valamis Groupilla myyntipäällikkönä keinoälyn ja ennakoivan analytiikan ratkaisuiden parissa. Hänellä on laaja tuntemus data science -menetelmien hyödyntämisestä liiketoiminnan kehittämisessä. Markus on toiminut IBM Watson -teknologian ratkaisumyynnissä vuodesta 2016 lähtien. Hänen tavoitteensa on aina rakentaa vahva business case keinoälyratkaisuiden ympärille yhdessä asiakasyrityksen kanssa.

IBM SPSS Modeler Sales Professional

IBM Analytics Commercial Sales Professional

IBM Cloud Solutions – MobileFirst Sales Mastery

IBM Cognos Analytics & Watson Analytics Sales Professional

IBM Information Integration & Governance Sales Professional

Certified IBM Process Discovery and Modeling in IBM Blueworks Live