A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

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

Apresentações semelhantes


Apresentação em tema: "Nome da Apresentação Local 00/2011 mês 2011 Diretoria Xxxxx nome da área SELEÇÃO DE CLIENTES À INSPEÇÃO USANDO PROBABILIDADES & REDES NEURAIS Setembro."— Transcrição da apresentação:

1 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

2 Agenda 2 Apresentando a Ampla Objetivos do trabalho Metodologia de Seleção de Clientes Resultados Conclusão Referências

3 Ampla em Números 3 Área de Concessão km 2 ( mi 2 ) Municípios66 Clientes2,7 milhões Ampla Chip (21 %) Habitantes7 milhões Força de Trabalho colaboradores Venda (2011) 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 4

5 Máquinas Anti - Furto Sentinelas 21,4% 20,5% 21,2% 22,5% 20,2% ,5 % 24,2% Rede Ampla Primeiros 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 ,7% META 19,86% Histórico das Perdas de Energia 5

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

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

8  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 VariávelNão EventoEventoProbabilidade CondicionalProbabilidade 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 %27%33%12% Bifásico %14%18%3% Trifásico %22%26%7% Total ̶̶77%23% Inspeções Totais Teoria Básica de Probabilidade 9 Assertividade em Petrópolis, no Estado do Rio de Janeiro E EBEB

10 VariávelNão EventoEventoProbabilidade CondicionalProbabilidade 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 %27%33%12% Bifásico %14%18%3% Trifásico %22%26%7% Total ̶̶77%23% Inspeções Totais Eq. 1: n T → ∞ 10 Teoria Básica de Probabilidade Assertividade em Petrópolis, no Estado do Rio de Janeiro E EBEB

11 VariávelNão EventoEventoProbabilidade CondicionalProbabilidade 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 %27%33%12% Bifásico %14%18%3% Trifásico %22%26%7% Total ̶̶77%23% Inspeções Totais Eq. 1: n T → ∞ Eq. 2: n T → ∞ 11 Teoria Básica de Probabilidade Assertividade em Petrópolis, no Estado do Rio de Janeiro E EBEB

12 VariávelNão EventoEventoProbabilidade CondicionalProbabilidade 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 %27%33%12% Bifásico %14%18%3% Trifásico %22%26%7% Total ̶̶77%23% Inspeções Totais Eq. 1: n T → ∞ Eq. 2: n T → ∞ Eq. 3: n T → ∞ 12 Teoria Básica de Probabilidade Assertividade em Petrópolis, no Estado do Rio de Janeiro E EBEB

13 VariávelNão EventoEventoProbabilidade CondicionalProbabilidade 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 %27%33%12% Bifásico %14%18%3% Trifásico %22%26%7% Total ̶̶77%23% Inspeções Totais Eq. 4: Eq. 5: 13 Teoria Básica de Probabilidade Assertividade em Petrópolis, no Estado do Rio de Janeiro E EBEB

14 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) Conjunto de Variáveis (  ): Processo de Geração de Inspeção 14 (Score 11

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

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

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

18 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) Equação de conjunto: Concepção da Árvore de Probabilidade Condicional (% Detecção) do Modelo

19 Definição dos Grupos de Propensão

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

21 ÁREA AGRESSIVA: MAGÉ, RIO DE JANEIRO Resultados 21

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

23  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 24 Referências

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

26 26 luz. gás. pessoas


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

Apresentações semelhantes


Anúncios Google