Analytics skal ind i energisektoren

Analytics er en paraplybetegnelse for en lang række metoder og discipliner, der alle har til formål at anvende data til at opnå en bedre forståelse af sammenhænge i data, forudsige den fremtidige udvikling og komme med anbefalinger til hvilke beslutninger, der er de mest optimale.

Brain

Analytics kan bidrage med at gøre forecastet for fremtidig efterspørgsel mere præcist og dermed reducere omkostninger relateret til ubalancer mellem efterspørgsel og udbud.

Energisektoren undergår i disse år massive forandringer, som medfører en lang række udfordringer af mere eller mindre akut karakter. Som følge af liberaliseringen af el-markedet kommer nye aktører på banen.

Derudover udvider en del energileverandører også produktporteføljen til fx at omfatte produkter som fiberbredbånd. Begge dele betyder øget konkurrence og mindre loyale kunder, hvilket resulterer i kunder, der enten helt eller delvist opsiger eksisterende aftaler.

Efterspørgslen vokser og på enkelte områder er kapaciteten presset af en forældet infrastruktur. Båret af øget efterspørgsel og et øget fokus på miljø og bæredygtighed er der en øget interesse i alternative energi kilder. Udover udfordringen med at integrere output fra disse i det eksisterende net betyder det måske også nye udbydere på markedet. Endelig stiger kravene fra forbrugerne også hvilket bl.a. udmønter sig i stigende krav til gennemsigtighed i prisstrukturen.

For at imødekomme disse udfordringer har energisektoren traditionelt fokuseret på at optimere forretnings processer og investeret yderligere i traditionel IT som ERP og BI systemer. Derudover er der de seneste år også blevet fokuseret på kapaciteten, bl.a. i form af det intelligente el-system,  smart grid. Der er ingen tvivl om at optimale forretningsprocesser og basis IT som ERP og BI er nødvendige komponenter. Flere og flere energiselskaber er dog ved at nå til en erkendelse af, at det ikke længere er tilstrækkeligt. Der er brug for at tænke nyt, samt udnytte nye og eksisterende data kilder i langt højere grad end tidligere.

Det er her analytics viser sin berettigelse. 

Grundelementer i analytics
Analytics er en paraplybetegnelse for en lang række metoder og discipliner, der alle har til formål at anvende data til at opnå en bedre forståelse af sammenhænge i data, forudsige den fremtidige udvikling og komme med anbefalinger til hvilke beslutninger, der er de mest optimale. Som nedenstående figur viser er der forskellige typer af analytics, der hver især kan hjælpe med at besvare forskellige typer spørgsmål.

Illustration Utility

 

I energisektoren findes der flere forretningsområder, som med fordel kan understøttes af analytics. Hvilke specifikke delområder af mulighederne indenfor analytics der er mest relevant for den enkelte virksomhed afhænger af typen af virksomhed og dennes forretningsmæssige prioritering. Er det kun traditionel forsyning eller tilbydes der også andre produkter – f.eks. bredbånd, telefoni etc? Har virksomheden ansvar for det fysiske net? Hvad er miks af privat og erhverskunder? Etc. 

Praktisk brug af analytics i Utility-branchen
Nedenstående "spiseseddel" giver nogle korte beskrivelser af forretningsområder, og hvordan analytics kan understøtte det. 

  • Analyse af kundedata: Bedre viden om kunderne, fastholdelse af eksisterende kunder samt krydssalg og opsalg er alle områder som med fordel kan understøttes af analytics. Med udgangspunkt i data om kunderne – specielt deres adfærd – kan analytics bruges til at (mikro)segmentere kunder, hvilket f.eks. kan bruges ifm. mere målrettet kommunikation. Derudover kan analytics også bruges til at identificere, hvilke kunder der vil være mest tilbøjelig til at opsige hele eller dele af engagementet med virksomheden i fremtiden. Endelig er der mulighed for at identificere hvilke kunder der med størst sandsynlighed vil respondere på kampagner – f.eks. salg af fiberbredbånd til el-kunder. Dette gør det muligt at få det maksimale udbytte af begrænsede resourcer.
  • Efterspørgsels forecast: Efterspørgslen efter f.eks. el varierer henover det enkelte døgn, den enkelte uge, med årstiderne og afhængig af andre forhold som temperatur, mængde af sollys etc. Dette gør det svært at forudsige den fremtidige efterspørgsel og dermed tilpasse udbuddet til efterspørgslen og der kan være betydelige omkostninger ved både overudbud og overefterspørgsel. Analytics kan bidrage med at gøre forecastet for fremtidig efterspørgsel mere præcist og dermed reducere omkostninger relateret til ubalancer mellem efterspørgsel og udbud.
  • Optimal kapacitet: Da de fleste virksomheder og husstande bruger varierende mængder af naturgas henover året er det nødvendigt at benytte sig af gaslagre til at opbevare gas – typisk over-produktion i Q2+Q3 for at imødekomme stor efterspørgsel i Q1 & Q4. Da alle forsyningsselskaber ikke selv ejer disse gaslagre er det nødvendigt at indgå kontrakter vedr leje af kapacitet. Analytics kan bidrage til at forsyningsselskaberne får det maksimale ud af disse kontrakter.
  • Optimal drifts planlægning: Planlægning af teknisk personale sker på flere niveauer. Et niveau er at beslutte hvor mange ressourcer skal allokeres til installationsopgaver og hvor mange skal allokeres til ad-hoc opgaver som f.eks. udbedring af fejl. Et andet niveau er at planlægge de specifikke opgaver hver tekniker skal udføre på en given dag. Dårlig planlægning kan medføre direkte omkostninger i form af overarbejde, manglende opfyldelse af service aftaler etc. samt indirekte omkostninger som f.eks. lavere kundetilfredshed.  analytics kan bidrage til bedre planlægning på begge niveauer. Et eksempel er at forbedre forudsigelsen af hvor mange fejl der opstår i bestemte områder på en given dag og hermed give input til allokeringen mellem planlagte og ikke-planlagte opgaver. Derudover kan analytics også forbedre planlægningen ved at optimere den rute teknikere skal køre på en given arbejdsdag hvilket kan betyde lavere omkostninger og højere kundetilfredshed.
  • Forhindring af nedetid / early warning ved unormalt forbrug: Større eller mindre strømsvigt sfa. fejl i netværket er relativt sjældne, men kan medføre betydelige omkostninger. Analytics kan anvendes til at identificere hvor og hvornår nedbrud sandsynligvis kan ske. Den information kan anvendes ifm. planlægning af vedligeholds opgaver. En variation af denne problemstilling er at et unormalt forbrug kan være en indikation af en fremtidig "event" som kan være forbundet med store omkostninger. Analytics kan anvendes til at identificere hvornår forbrug skal betragtes som værende uden for normal området.
  • Prisoptimering: Kontrakter med større erhvervskunder kan være omfattet af individuelle kontrakter med specifik prissætning for den enkelte kunde i forskellige perioder. Analytics kan anvendes til at opnå en dybere indsigt i den enkelte kundes forbrugsmønster og bruge dette til at optimere prissætningen ifm. kontrakter om fremtidigt forbrug

Ift. eksisterende IT infrastruktur indgår analytics typisk som skitseret nedenfor. Data læses fra et eksisterende data miljø og analyseres herefter ved hjælp af det analytiske værktøj. Slutteligt eksporteres output til et eksisterende data miljø. Selve anvendelsen af resultaterne sker typisk i eksisterende applikationer der trækker helt eller delvist på det eksisterende datamiljø.

Illustration BI Utility

Sammenlignes anvendelsen af det analytiske værktøj med anvendelsen af andre IT systemer som f.eks. værktøjer til budgettering, CRM og traditionel BI vil det ofte være tilfældet at slutbrugeren ikke selv vil anvende et værktøj til  analytics. Det arbejde vil typisk blive udført af en dedikeret bruger med de rette kompetencer eller i nogle tilfælde af en ekstern konsulent. Slutbrugeren vil i stedet blot anvende de resultater der er dannet i den eller de applikationer vedkommende allerede er bekendt med i dag.