Nome da Apresentação Local 00/2011 mês 2011 Diretoria Xxxxx nome da área SELEÇÃO DE CLIENTES...

26
Nome da Apresentação Local 00/2011 mês 2011 Diretoria Xxxxx nome da área SELEÇÃO DE CLIENTES À INSPEÇÃO USANDO PROBABILIDADES & REDES NEURAIS Setembro 2012 AMPLA ENERGIA E SERVIÇOS SA Diretoria de Recuperação de Mercado :: Área de Perdas

Transcript of Nome da Apresentação Local 00/2011 mês 2011 Diretoria Xxxxx nome da área SELEÇÃO DE CLIENTES...

Page 1: Nome da Apresentação Local 00/2011 mês 2011 Diretoria Xxxxx nome da área SELEÇÃO DE CLIENTES À INSPEÇÃO USANDO PROBABILIDADES & REDES NEURAIS Setembro.

Nome da Apresentação

Local 00/2011

mês 2011Diretoria Xxxxx nome da área

SELEÇÃO DE CLIENTES À INSPEÇÃO

USANDO PROBABILIDADES & REDES NEURAIS

Setembro 2012AMPLA ENERGIA E SERVIÇOS SA

Diretoria de Recuperação de Mercado :: Área de Perdas

Page 2: Nome da Apresentação Local 00/2011 mês 2011 Diretoria Xxxxx nome da área SELEÇÃO DE CLIENTES À INSPEÇÃO USANDO PROBABILIDADES & REDES NEURAIS Setembro.

2

Agenda

Apresentando a Ampla

Objetivos do trabalho

Metodologia de Seleção de Clientes

Resultados

Conclusão

Referências

Page 3: Nome da Apresentação Local 00/2011 mês 2011 Diretoria Xxxxx nome da área SELEÇÃO DE CLIENTES À INSPEÇÃO USANDO PROBABILIDADES & REDES NEURAIS Setembro.

3

Ampla em Números

Área de Concessão 32.608 km2 (12.600 mi2)

Municípios 66

Clientes 2,7 milhões

Ampla Chip 570.737 (21 %)

Habitantes 7 milhões

Força de Trabalho 8.145 colaboradores

Venda (2011) 10.223 GWh

Page 4: Nome da Apresentação Local 00/2011 mês 2011 Diretoria Xxxxx nome da área SELEÇÃO DE CLIENTES À INSPEÇÃO USANDO PROBABILIDADES & REDES NEURAIS Setembro.

4

O mercado

O furto de energia e a inadimplência não estão relacionados à pobreza, mas a fatores como:

1. Número de habitantes que vivem em favelas

2. Nível de Urbanização

3. Taxa de homicídio

Clientes Residenciais

Clientes de baixa tensão representam 54% da venda de energia da Ampla (versus 30% da média no Brasil)

Baixa Densidade

AMPLA tem 33% menos clientes do que a Light, apesar de a área de concessão ser duas vezes maior.

O Ambiente de Concessão da AMPLA

Page 5: Nome da Apresentação Local 00/2011 mês 2011 Diretoria Xxxxx nome da área SELEÇÃO DE CLIENTES À INSPEÇÃO USANDO PROBABILIDADES & REDES NEURAIS Setembro.

Máquinas Anti - Furto

Sentinelas

21,4%

20,5%21,2%

22,5%

20,2%

2002 2003 2004 2005 2006 2007 2008 2009 2010

23,5%24,2%

Rede AmplaPrimeiros Estudos

(1º Etapa)

Interrupção das Instalações.

Ampla Aguarda Homologação do

Inmetro

Inmetro migra medidores

polifásicos para medição

convencional

Inmetro aprova o modelo da Landis+Gyr

25,0%

Evolução do Indicador de Perdas (TAM)

Medição Eletrônica Primeiras

Instalações (2º Etapa)

21,8%

-4,52PP

Projetos Sociais

2011

18,7%META

19,86%

Histórico das Perdas de Energia

5

Page 6: Nome da Apresentação Local 00/2011 mês 2011 Diretoria Xxxxx nome da área SELEÇÃO DE CLIENTES À INSPEÇÃO USANDO PROBABILIDADES & REDES NEURAIS Setembro.

RESENDE

ANGRA DOS REIS

6,25%

19,85%

PETRÓPOLIS12,46%

TERESÓPOLIS16,96%

NOROESTE15,40%

NORDESTE23,12%

NITERÓI17,02%

SÃO GONÇALO

38,62% MARICÁ45,34%

ITABORAÍ43,33% ARARUAMA

31,43%CABO FRIO

27,90%

DUQUE DE CAXIAS 47,25%

MAGÉ36,30%

Menor que 15%Entre 15% e 35%Maior que 35%

(*) Valores TAM / Sem Clientes AT

Perdas por Região: ano 2003

6

Page 7: Nome da Apresentação Local 00/2011 mês 2011 Diretoria Xxxxx nome da área SELEÇÃO DE CLIENTES À INSPEÇÃO USANDO PROBABILIDADES & REDES NEURAIS Setembro.

RESENDE

ANGRA DOS REIS

6,66%

15,85%

PETRÓPOLIS10,29%

TERESÓPOLIS9,53%

NOROESTE

NORDESTE

22,27%

NITERÓI20,47%

SÃO GONÇALO

27,03%MARICÁ30,79%

ITABORAÍ24,27%

ARARUAMA26,41%

CABO FRIO22,60%

DUQUE DE CAXIAS 35,74%

MAGÉ21,07%

Menor que 15%Entre 15% e 35%Maior que 35%

12,84%

(*) Valores TAM / Sem Clientes AT

Perdas por Região: ano 2011

7

Page 8: Nome da Apresentação Local 00/2011 mês 2011 Diretoria Xxxxx nome da área SELEÇÃO DE CLIENTES À INSPEÇÃO USANDO PROBABILIDADES & REDES NEURAIS Setembro.

Aumentar a assertividade, ênfase contra fraudes

Desenvolver um modelo adaptativo com o tempo, com base na teoria básica de probabilidades e redes neurais artificiais

Derivar o modelo para um processo (viável na prática), capaz de gerar mensalmente serviços de inspeção

Esse trabalho tem a finalidade de ...

Máquina adaptativa

Objetivos

Page 9: Nome da Apresentação Local 00/2011 mês 2011 Diretoria Xxxxx nome da área SELEÇÃO DE CLIENTES À INSPEÇÃO USANDO PROBABILIDADES & REDES NEURAIS Setembro.

9

Variável Não Evento Evento Probabilidade Condicional Probabilidade Total

Tipo de LigaçãoInspeções

SEM Detecção

Inspeções COM

Detecção

% SEM Detec. condicionada ao Tipo de Ligação

% COM Detec. condicionada ao Tipo de Ligação

% SEM Detecção

% COM Detecção

Monofásico 32.521 12.073 73% 27% 33% 12%

Bifásico 17.495 2.876 86% 14% 18% 3%Trifásico 25.477 7.245 78% 22% 26% 7%

Total 75.493 22.194 �̶ �̶ 77% 23%

Inspeções Totais 97.687

Teoria Básica de Probabilidade

Assertividade em Petrópolis, no Estado do Rio de Janeiro

E

EB

Page 10: Nome da Apresentação Local 00/2011 mês 2011 Diretoria Xxxxx nome da área SELEÇÃO DE CLIENTES À INSPEÇÃO USANDO PROBABILIDADES & REDES NEURAIS Setembro.

10

Variável Não Evento Evento Probabilidade Condicional Probabilidade Total

Tipo de LigaçãoInspeções

SEM Detecção

Inspeções COM

Detecção

% SEM Detec. condicionada ao Tipo de Ligação

% COM Detec. condicionada ao Tipo de Ligação

% SEM Detecção

% COM Detecção

Monofásico 32.521 12.073 73% 27% 33% 12%

Bifásico 17.495 2.876 86% 14% 18% 3%Trifásico 25.477 7.245 78% 22% 26% 7%

Total 75.493 22.194 �̶ �̶ 77% 23%

Inspeções Totais 97.687

Eq. 1:nT → ∞

T

E

T

E

n

nE

n

nEP )(lim)(

Teoria Básica de Probabilidade

Assertividade em Petrópolis, no Estado do Rio de Janeiro

E

EB

Page 11: Nome da Apresentação Local 00/2011 mês 2011 Diretoria Xxxxx nome da área SELEÇÃO DE CLIENTES À INSPEÇÃO USANDO PROBABILIDADES & REDES NEURAIS Setembro.

11

T

E

T

E

n

nE

n

nEP )(lim)(

T

EEB n

nEEP B lim)(

Variável Não Evento Evento Probabilidade Condicional Probabilidade Total

Tipo de LigaçãoInspeções

SEM Detecção

Inspeções COM

Detecção

% SEM Detec. condicionada ao Tipo de Ligação

% COM Detec. condicionada ao Tipo de Ligação

% SEM Detecção

% COM Detecção

Monofásico 32.521 12.073 73% 27% 33% 12%

Bifásico 17.495 2.876 86% 14% 18% 3%Trifásico 25.477 7.245 78% 22% 26% 7%

Total 75.493 22.194 �̶ �̶ 77% 23%

Inspeções Totais 97.687

Eq. 1:nT → ∞

Eq. 2:nT → ∞

Teoria Básica de Probabilidade

Assertividade em Petrópolis, no Estado do Rio de Janeiro

E

EB

Page 12: Nome da Apresentação Local 00/2011 mês 2011 Diretoria Xxxxx nome da área SELEÇÃO DE CLIENTES À INSPEÇÃO USANDO PROBABILIDADES & REDES NEURAIS Setembro.

12

T

E

T

E

n

nE

n

nEP )(lim)(

T

EEB n

nEEP B lim)(

Variável Não Evento Evento Probabilidade Condicional Probabilidade Total

Tipo de LigaçãoInspeções

SEM Detecção

Inspeções COM

Detecção

% SEM Detec. condicionada ao Tipo de Ligação

% COM Detec. condicionada ao Tipo de Ligação

% SEM Detecção

% COM Detecção

Monofásico 32.521 12.073 73% 27% 33% 12%

Bifásico 17.495 2.876 86% 14% 18% 3%Trifásico 25.477 7.245 78% 22% 26% 7%

Total 75.493 22.194 �̶ �̶ 77% 23%

Inspeções Totais 97.687

Eq. 1:nT → ∞

Eq. 2:nT → ∞

Eq. 3: B

EEB n

nEEP Blim)|(

nT → ∞

Teoria Básica de Probabilidade

Assertividade em Petrópolis, no Estado do Rio de Janeiro

E

EB

Page 13: Nome da Apresentação Local 00/2011 mês 2011 Diretoria Xxxxx nome da área SELEÇÃO DE CLIENTES À INSPEÇÃO USANDO PROBABILIDADES & REDES NEURAIS Setembro.

13

Variável Não Evento Evento Probabilidade Condicional Probabilidade Total

Tipo de Ligação Inspeções SEM Detecção

Inspeções COM

Detecção

% SEM Detec. condicionada ao Tipo de Ligação

% COM Detec. condicionada ao Tipo de Ligação

% SEM Detecção

% COM Detecção

Monofásico 32.521 12.073 73% 27% 33% 12%

Bifásico 17.495 2.876 86% 14% 18% 3%Trifásico 25.477 7.245 78% 22% 26% 7%

Total 75.493 22.194 �̶ �̶ 77% 23%

Inspeções Totais 97.687

Eq. 4:)(

)()|(

B

BB EP

EEPEEP

Eq. 5:

n

ii

n

iin

n EEPpppppp11

321 )|(...

Teoria Básica de Probabilidade

Assertividade em Petrópolis, no Estado do Rio de Janeiro

E

EB

Page 14: Nome da Apresentação Local 00/2011 mês 2011 Diretoria Xxxxx nome da área SELEÇÃO DE CLIENTES À INSPEÇÃO USANDO PROBABILIDADES & REDES NEURAIS Setembro.

Legenda:O tamanho do círculo indica o volume de inspeções (clientes) do Grupo. O percentual indicado é a taxa de acerto (probabilidade de detecção) do Grupo.

EF= Estado de Fornecimento (Normal ou Cortado)

ER )( 0 Conjunto de Variáveis ():

Processo de Geração de Inspeção

14

(Sc

ore

11

Page 15: Nome da Apresentação Local 00/2011 mês 2011 Diretoria Xxxxx nome da área SELEÇÃO DE CLIENTES À INSPEÇÃO USANDO PROBABILIDADES & REDES NEURAIS Setembro.

Clustering: Eleição de variáveis

Aplicando a rede auto-organizável de Kohonen (bioinspiração)

15

Page 16: Nome da Apresentação Local 00/2011 mês 2011 Diretoria Xxxxx nome da área SELEÇÃO DE CLIENTES À INSPEÇÃO USANDO PROBABILIDADES & REDES NEURAIS Setembro.

Clustering: Avaliação das variáveis

Variáveis: último consumo, tipo de ligação e queda percentual

16

Page 17: Nome da Apresentação Local 00/2011 mês 2011 Diretoria Xxxxx nome da área SELEÇÃO DE CLIENTES À INSPEÇÃO USANDO PROBABILIDADES & REDES NEURAIS Setembro.

Variável Variabilidade (período: 12 meses)

Histórico dos dados desde Jan/2009 de Magé, Rio de Janeiro

17

Page 18: Nome da Apresentação Local 00/2011 mês 2011 Diretoria Xxxxx nome da área SELEÇÃO DE CLIENTES À INSPEÇÃO USANDO PROBABILIDADES & REDES NEURAIS Setembro.

TIPO DE LIGAÇÃO MUNICÍPIO BAIRRO MARCA MEDIDOR

ÚLTIMO CONSUMO ANTES DA INSPEÇÃO

MÉDIA DOS 3 ÚLTIMOS CONSUMOS (ANTES DA

INSPEÇÃO)

MÉDIA DOS 12 ÚLTIMOS CONSUMOS (ANTES DA

INSPEÇÃO)

QUEDA DE CONSUMO NOS ÚLTIMOS 36 MESES (ANTES DA INSPEÇÃO)

VARIABILIDADE DE CONSUMO NOS ÚLTIMOS 12 MESES (ANTES DA INSPEÇÃO)

AUMENTO DE CONSUMO NOS ÚLTIMOS 36 MESES (ANTES DA INSPEÇÃO)

TRIMESTRE

As Variáveis Escolhidas (11 ao Total)

ER )( 0 Equação de conjunto:

Concepção da Árvore de Probabilidade Condicional (% Detecção) do Modelo

)1()1(

)1()1(

)(

)(}),,{|}1{(

ii

ii p

En

EEnzBairroyMunxUltConsEDetecEP

Page 19: Nome da Apresentação Local 00/2011 mês 2011 Diretoria Xxxxx nome da área SELEÇÃO DE CLIENTES À INSPEÇÃO USANDO PROBABILIDADES & REDES NEURAIS Setembro.

Definição dos Grupos de Propensão

%5,0%5,0

39

39

1iipGrupo

pGrupo

Page 20: Nome da Apresentação Local 00/2011 mês 2011 Diretoria Xxxxx nome da área SELEÇÃO DE CLIENTES À INSPEÇÃO USANDO PROBABILIDADES & REDES NEURAIS Setembro.

SCORE BACKTESTING: HISTÓRICO DAS INSPEÇÕES

SCORE NA BASE DE CLIENTES NÃO INSPECIONADOS

As distribuições de Probabilidade Condicional

20

Page 21: Nome da Apresentação Local 00/2011 mês 2011 Diretoria Xxxxx nome da área SELEÇÃO DE CLIENTES À INSPEÇÃO USANDO PROBABILIDADES & REDES NEURAIS Setembro.

ÁREA AGRESSIVA: MAGÉ, RIO DE JANEIRO

Resultados

21

Page 22: Nome da Apresentação Local 00/2011 mês 2011 Diretoria Xxxxx nome da área SELEÇÃO DE CLIENTES À INSPEÇÃO USANDO PROBABILIDADES & REDES NEURAIS Setembro.

ÁREA: NITERÓI, RIO DE JANEIRO

GANHO OBTIDO COM O TESTE DO MODELO

22

Resultados

Page 23: Nome da Apresentação Local 00/2011 mês 2011 Diretoria Xxxxx nome da área SELEÇÃO DE CLIENTES À INSPEÇÃO USANDO PROBABILIDADES & REDES NEURAIS Setembro.

A probabilidade estimada de detecção (por grupo) forneceu uma medida bastante razoável para os clientes não inspecionados.

Perfis de alta propensão foram agrupados, que antes estavam “ocultos” ou “misturados” no volume total do histórico. Isso permitiu definir os clientes prioritários a serem enviados a campo, implicando um ganho no índice de detecção.

O modelo correspondeu às expectativas ...

Melhorias ...

É interessante futuramente aprofundar as análises de clusterização do mapa bidimensional de Kohonen. Através do mapa de contexto (não aplicado neste trabalho), é possível montar classes mais generalizadas.

Incorporar variáveis externas (índices econômicos, sociais e etc) podem agregar à descoberta de novos perfis de clientes para fins de inspeção.

Conclusão e Trabalhos Futuros

Page 24: Nome da Apresentação Local 00/2011 mês 2011 Diretoria Xxxxx nome da área SELEÇÃO DE CLIENTES À INSPEÇÃO USANDO PROBABILIDADES & REDES NEURAIS Setembro.

24

Referências

Page 25: Nome da Apresentação Local 00/2011 mês 2011 Diretoria Xxxxx nome da área SELEÇÃO DE CLIENTES À INSPEÇÃO USANDO PROBABILIDADES & REDES NEURAIS Setembro.

25

Ampla agradece por participar ...

Estamos à disposição ...

Page 26: Nome da Apresentação Local 00/2011 mês 2011 Diretoria Xxxxx nome da área SELEÇÃO DE CLIENTES À INSPEÇÃO USANDO PROBABILIDADES & REDES NEURAIS Setembro.

26

luz . gás . pessoas