SELEÇÃO DE CLIENTES À INSPEÇÃO USANDO PROBABILIDADES & REDES NEURAIS

Apresentação em tema: "SELEÇÃO DE CLIENTES À INSPEÇÃO USANDO PROBABILIDADES & REDES NEURAIS"— Transcrição da apresentação:

1 SELEÇÃO DE CLIENTES À INSPEÇÃO USANDO PROBABILIDADES & REDES NEURAIS
AMPLA ENERGIA E SERVIÇOS SA Diretoria de Recuperação de Mercado :: Área de Perdas Setembro 2012 SELEÇÃO DE CLIENTES À INSPEÇÃO USANDO PROBABILIDADES & REDES NEURAIS

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 (21 %) Habitantes 7 milhões Força de Trabalho colaboradores Venda (2011) GWh

4 O Ambiente de Concessão da AMPLA
Baixa Densidade AMPLA tem 33% menos clientes do que a Light, apesar de a área de concessão ser duas vezes maior. Clientes Residenciais Clientes de baixa tensão representam 54% da venda de energia da Ampla (versus 30% da média no Brasil) O mercado O furto de energia e a inadimplência não estão relacionados à pobreza, mas a fatores como: Número de habitantes que vivem em favelas Nível de Urbanização Taxa de homicídio

5 Histórico das Perdas de Energia
Evolução do Indicador de Perdas (TAM) 25,0% 24,2% Projetos Sociais Rede Ampla Primeiros Estudos (1º Etapa) - 4,52PP 23,5% Máquinas Anti - Furto Medição Eletrônica Primeiras Instalações (2º Etapa) 22,5% 21,8% Sentinelas 21,4% 21,2% Interrupção das Instalações. Ampla Aguarda Homologação do Inmetro 20,2% Inmetro migra medidores polifásicos para medição convencional 20,5% 18,7% META Inmetro aprova o modelo da Landis+Gyr 19,86% 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011

6 Perdas por Região: ano 2003 (*) Valores TAM / Sem Clientes AT NOROESTE
15,40% Menor que 15% Entre 15% e 35% Maior que 35% PETRÓPOLIS TERESÓPOLIS RESENDE 12,46% 16,96% 6,25% NORDESTE 23,12% MAGÉ SÃO 36,30% ANGRA DUQUE DE GONÇALO ITABORAÍ CAXIAS NITERÓI 38,62% MARICÁ 43,33% ARARUAMA CABO FRIO DOS REIS 19,85% 47,25% 17,02% 45,34% 31,43% 27,90%

7 Perdas por Região: ano 2011 (*) Valores TAM / Sem Clientes AT NOROESTE
12,84% Menor que 15% Entre 15% e 35% Maior que 35% TERESÓPOLIS PETRÓPOLIS 9,53% 10,29% RESENDE 6,66% NORDESTE 22,27% CABO FRIO 22,60% MAGÉ SÃO DUQUE DE 21,07% GONÇALO ITABORAÍ ANGRA ARARUAMA CAXIAS 27,03% 24,27% DOS REIS NITERÓI MARICÁ 26,41% 35,74% 15,85% 20,47% 30,79%

8 Aumentar a assertividade, ênfase contra fraudes
Objetivos Esse trabalho tem a finalidade de ... 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 Máquina adaptativa

9 Probabilidade Condicional
Teoria Básica de Probabilidade Assertividade em Petrópolis, no Estado do Rio de Janeiro E 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 EB

10 Probabilidade Condicional
Teoria Básica de Probabilidade Assertividade em Petrópolis, no Estado do Rio de Janeiro E 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 EB Eq. 1: nT → ∞

11 Probabilidade Condicional
Teoria Básica de Probabilidade Assertividade em Petrópolis, no Estado do Rio de Janeiro E 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 EB Eq. 1: nT → ∞ Eq. 2: nT → ∞

12 Probabilidade Condicional
Teoria Básica de Probabilidade Assertividade em Petrópolis, no Estado do Rio de Janeiro E 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 EB Eq. 1: nT → ∞ Eq. 2: nT → ∞ Eq. 3: nT → ∞

13 Probabilidade Condicional
Teoria Básica de Probabilidade Assertividade em Petrópolis, no Estado do Rio de Janeiro E 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 EB Eq. 4: Eq. 5:

14 Processo de Geração de Inspeção
(Score 11 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. Conjunto de Variáveis (): Legenda: EF= Estado de Fornecimento (Normal ou Cortado)

15 Clustering: Eleição de variáveis
Aplicando a rede auto-organizável de Kohonen (bioinspiração)

16 Clustering: Avaliação das variáveis
Variáveis: último consumo, tipo de ligação e queda percentual

17 Variável Variabilidade (período: 12 meses)
Histórico dos dados desde Jan/2009 de Magé, Rio de Janeiro

18 As Variáveis Escolhidas (11 ao Total)
TIPO DE LIGAÇÃO MUNICÍPIO BAIRRO MARCA MEDIDOR TRIMESTRE ÚLTIMO CONSUMO ANTES DA INSPEÇÃO MÉDIA DOS 3 ÚLTIMOS CONSUMOS (ANTES DA INSPEÇÃO) MÉDIA DOS 12 ÚLTIMOS CONSUMOS (ANTES DA INSPEÇÃO) VARIABILIDADE DE CONSUMO NOS ÚLTIMOS 12 MESES (ANTES DA INSPEÇÃO) QUEDA DE CONSUMO NOS ÚLTIMOS 36 MESES (ANTES DA INSPEÇÃO) AUMENTO DE CONSUMO NOS ÚLTIMOS 36 MESES (ANTES DA INSPEÇÃO) Equação de conjunto: Concepção da Árvore de Probabilidade Condicional (% Detecção) do Modelo

19 Definição dos Grupos de Propensão

20 As distribuições de Probabilidade Condicional
SCORE BACKTESTING: HISTÓRICO DAS INSPEÇÕES SCORE NA BASE DE CLIENTES NÃO INSPECIONADOS

21 Resultados ÁREA AGRESSIVA: MAGÉ, RIO DE JANEIRO

22 Resultados ÁREA: NITERÓI, RIO DE JANEIRO
GANHO OBTIDO COM O TESTE DO MODELO

23 Conclusão e Trabalhos Futuros
O modelo correspondeu às expectativas ... 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. 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.

24 Referências

25 Ampla agradece por participar ...
Estamos à disposição ...

26 luz . gás . pessoas 26