Permite usar datos y sacar el máximo rendimiento a los mismos para aplicarlos con la premisa de reducción de tiempo y de costes operativos
El fraude eléctrico en España se ha convertido en un quebradero de cabeza para las compañías suministradoras de energía eléctrica. Según la CNMC, y a partir de los datos recabados por las principales operadoras, el fraude eléctrico en nuestro país ronda los 150 millones de euros anuales sólo durante el 2016. Conocemos la cuantía, y también el perfil del defraudador -los grandes consumidores de medianas empresas y las viviendas con gran consumo eléctrico- pero aún no se ha resuelto la rápida detección y recuperación de energía.
Las grandes operadoras están destinando ya inversiones hacía este objetivo, con más motivo desde que, en el 2013, la CNMC las señalara como titulares de las redes y, por lo tanto, responsables de atajar el fraude y minimizar el impacto en las pérdidas de la red, con el foco puesto también, como es natural, en disminuir el impacto en sus cuentas de resultados. Una problemática que no han podido atajar, ya que los departamentos de recuperación de fraude vienen usando procedimientos excesivamente lentos y manuales, poco eficaces a la hora de manejar un gran volumen de información y realizar cálculos complejos.
Posibles soluciones al problema
Como en otros sectores, las operadoras del sector energético cuentan con una ingente cantidad de información sobre el comportamiento de sus clientes respecto al servicio o producto prestado que, hasta ahora, no estaba siendo valorada ni aprovechada. Una información que hoy día puede ser crucial en un mercado global muy competitivo, donde priman los servicios y productos adaptados a las necesidades y gustos de cada cliente. Hablamos de hacer de los datos que atesoramos una ventaja respecto de la competencia a la hora de controlar el negocio y tomar decisiones estratégicas. Es lo que en el sector tecnológico llamamos data driven decisions, decisiones basadas en el análisis de los datos.
Una de las aproximaciones al problema ha sido realizar lo que se denomina el balanceo de carga, es decir, sumar y restar las inyecciones y el consumo en ciertas ramas de la jerarquía de la red; de este modo, se localizan ramas desbalanceadas haciendo cálculos sencillos. Este tipo de técnicas permiten unas mediciones muy fiables, pero con un alto coste en tiempo y dinero. Teniendo en cuenta la escalada del fraude en los últimos años y su impacto económico, existe un amplio margen de mejora en este ámbito.
La solución XFraud permite usar la información a nuestro alcance al mínimo coste posible para realizar unos análisis que nos permitan tomar decisiones que tengan un alto impacto en la recuperación de energía (como es el caso que nos ocupa), de forma que consigamos un retorno de la inversión (ROI) muy alto.
Nuevas tecnologías para datos
El desarrollo de nuevas tecnologías es imparable en este tipo de procesos, con grandes oportunidades para la mejora de los costes operativos, de alta complejidad técnica y que manejan gran volumen de datos. En el contexto, descrito anteriormente, el Machine Learning tiene mucho que aportar, ya que permite usar datos y sacar el máximo rendimiento a los mismo para aplicarlos a con la premisa de reducción de tiempo y de costes operativos: es lo que se denomina la inteligencia operacional.
El Machine Learning permite encontrar patrones en los datos de forma relativamente sencilla y, además, puede adaptarse a nuevos patrones según las necesidades. Ya está dando resultados excelentes en el campo de la visión artificial, pero su aplicación puede hacerse extensible a cualquier conjunto de datos.
Tomando como objetivo el problema de la energía defraudada, podemos aplicar el Machine Learning y las capacidades de las herramientas actuales para el análisis de datos.
El punto de partida lógico en una operadora de energía son las curvas de carga de los clientes finales. Estas curvas condensan todos los efectos “atmosféricos”, tarifas seleccionadas, patrones de consumo, deficiencias, y un largo etc. En base a estos datos, podemos discriminar si existe un “comportamiento normal” o, por el contrario, es un cliente que está aplicando “malas prácticas”. Aclarar que, dentro del concepto “comportamiento normal”, hay una gran cantidad de casos que son legales, aunque difieran del comportamiento estándar de consumo, una diferencia que es difícil detectar con los procesos de detección tradicionales que se vienen aplicando actualmente.
Poniendo el foco en usar datos que nos permitan “comprender” el comportamiento de los clientes, se trata de realizar un análisis profundo que nos permita mayor control y decisión; en definitiva, extraer información útil a partir del procesamiento inteligente de los datos, esto es, Smart Data.
Además, podemos estudiar otros efectos que despreciaremos en un primer análisis, pero que pueden servir para refinar las soluciones ya obtenidas, enriqueciendo la información con otras fuentes de datos, o enfocando el análisis en la reducción de ruido provocado por efectos como el número de personas que habitan la vivienda, el efecto “atmosférico”, casas vacías, etc.
Solución XFraud
La solución XFraud se basa en unos principios sencillos: obtener resultados útiles para el negocio partiendo de un mínimo de información, y encontrando un procesado de datos los más generalista posible. De esa forma, puede adaptarse a otros casos de negocio (como puede ser el fraude en operadoras de agua, donde el nivel de fraude está alrededor del 6%).
XFraud es una solución de negocio donde se ha primado la simplicidad, permitiendo una integración con los sistemas del cliente basado en el uso de API´s, conectores con base de datos o el uso de ficheros de intercambio, cualquier fuente es susceptible de inyectarse en el sistema. XFraud se puede implantar on-premise en el CPD del cliente o usar la solución en Cloud. El resultado son las predicciones de fraude a partir de la cartera de clientes, permitiendo realizar estudios de forma rápida, continuada y bajo demanda.
Las aplicaciones de XFraud son variadas. Por ejemplo, podemos analizar la cartera de clientes uno a uno, inyectando sus curvas de carga en XFraud y prediciendo qué clientes están realizando fraude, obteniendo el porcentaje de exactitud de predicción asociado a cada cliente, así como la cantidad de energía recuperada. Otra opción es crear mapas de intensidad del fraude. Esto nos aporta un conocimiento previo automatizado de zonas de concentración de fraude, de modo que podemos enfocar un análisis más exhaustivo en dichas áreas.
La solución de negocio, permite el análisis de millones de clientes en tiempos realmente bajos. Podemos analizar una cartera de varios millones de clientes en cuestión de 24-48 horas. Si a esto le añadimos la posibilidad de aumentar el tamaño del clúster hardware, podemos hablar de minutos, aunque con coste más elevado en infraestructura.
Implantación de la solución
La implantación de la solución es comparativamente más sencilla que otras soluciones actuales. Puede ser implantada on-premise, es decir, en el CPD de la operadora, de forma que sea la operadora quien se ocupa del mantenimiento del hardware, seguridad, backups, etc. O también existe la posibilidad de pago por uso de la solución en la nube, de forma que el cliente sólo se tiene que preocupar por “conectar” sus sistemas a la solución. En ambos casos, se deben configurar o desarrollar los conectores, que permiten un fácil entendimiento con el resto de los sistemas del cliente, para asegurar un flujo coherente de la información.
Contemplamos, asimismo, otro tipo de mejoras factibles que ya tienen su propio roadmap. Por ejemplo, conseguir que la solución funcione en casi tiempo real, esto es, poder analizar millones de cliente en cuestión de minutos, lo que requeriría una modificación de la solución a modo de plugin. También puede plantearse una aplicación para monitorizar la solución, que añadiría un plus de control de la operadora a la hora de gestionar la solución.
Alejandro Revuelta
Business Development Director de Ximdex
