Nome da Apresentação Local 00/2011 mês 2011 Diretoria Xxxxx nome da área SELEÇÃO DE CLIENTES...
Transcript of Nome da Apresentação Local 00/2011 mês 2011 Diretoria Xxxxx nome da área SELEÇÃO DE CLIENTES...
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
2
Agenda
Apresentando a Ampla
Objetivos do trabalho
Metodologia de Seleção de Clientes
Resultados
Conclusão
Referências
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
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
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
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
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
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
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
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
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
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
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
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
Clustering: Eleição de variáveis
Aplicando a rede auto-organizável de Kohonen (bioinspiração)
15
Clustering: Avaliação das variáveis
Variáveis: último consumo, tipo de ligação e queda percentual
16
Variável Variabilidade (período: 12 meses)
Histórico dos dados desde Jan/2009 de Magé, Rio de Janeiro
17
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
Definição dos Grupos de Propensão
%5,0%5,0
39
39
1iipGrupo
pGrupo
SCORE BACKTESTING: HISTÓRICO DAS INSPEÇÕES
SCORE NA BASE DE CLIENTES NÃO INSPECIONADOS
As distribuições de Probabilidade Condicional
20
ÁREA AGRESSIVA: MAGÉ, RIO DE JANEIRO
Resultados
21
ÁREA: NITERÓI, RIO DE JANEIRO
GANHO OBTIDO COM O TESTE DO MODELO
22
Resultados
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
24
Referências
25
Ampla agradece por participar ...
Estamos à disposição ...
26
luz . gás . pessoas