O uso de sistema de business intelligence na redução de perdas

Apresentação em tema: "O uso de sistema de business intelligence na redução de perdas"— Transcrição da apresentação:

1 O uso de sistema de business intelligence na redução de perdas
Denis Maia Presidente Marcos Aurélio Madureira da Silva Diretor Comercial Corporativo

2 Sistema Cataguazes-Leopoldina
Nordeste do Brasil Área: Km2 Consumidores : 131 mil SAELPA Área: Km2 Consumidores : 837 mil Brasil Área: Km2 Consumidores : 436 mil Sudeste do Brasil Área: Km2 Consumidores : 378 mil Base: Abril / 04

3 Combate as Perdas Comerciais
Principais ações já realizadas Regularização Consumidores Clandestinos Acerto de Cadastros Combate a Fraudes Calibração de Medidores Regularização de Instalações de medição Resultados já alcançados Redução em 50% das perdas Comercias no período de dez/ 2001 a junho2004 9% em dezembro de 2001 4,6% em junho de 2004

4 Desafios Atuais Melhorar a eficácia do processo de identificação de perdas Quanto ? Onde? Que tipo? Otimizar o processo de Combate as Perdas Quais ações devem ser priorizadas? Como devem ser efetuadas as ações ? Receber os valores perdidos Manter a eliminação das perdas

5 Novas Armas A análise e uso adequado de informações confiáveis, rápidas e com custos compatíveis faz a diferença na luta para redução e gestão das perdas comerciais. A existência de pessoal capacitado e com ferramentas de gestão inteligente permite o enfrentamento da fraude e roubo de energia, que crescem cada vez mais.

6

7

8 Recuperação de Receitas
Quando se detecta uma fraude : Recupera-se o valor de energia consumida que foi furtada pelo tempo que seja possível compravar, denominado kWh recuperado; Do volume total de energia consumida que esta sendo furtada, uma parte não será mais consumida – redução da energia requerida, e outra parte continuará sendo consumida, mas agora sendo faturada – kWh agregado.

9 Aumentando a recuperação de perdas

10 Curvas de produtividade de inspeção
Energia Recuperada + Agregada Ponto ótimo energia / custo Incremento de energia com mesmo custo Curva de produtividade sem o RI Custo

11 Tecnologias de identificação de Perdas
Sistemas de Gestão de Perdas Revenue Intelligence Definição de Regras de “Indícios de Fraude” Definição de alarmes Identificação de Pontos de perdas Análise Filtros e Perfis Priorização

12 Gerando Regras de identificação
Usuais Variação de consumo mensal Comparação entre consumidores de mesma região Característica da unidade (nº de fases, tipo de atividade, média de consumo) Pré inspeções de leituristas Denuncias Novas Perdas no segmento do sistema elétrico Comparações com consumos médios de consumidores de mesmo “tipo” Alarmes de Campo Correlação com outras dados do consumidor “bancos de dados externos” “Data Mining”

13 Exemplo real na Saelpa - Combate a Perdas
Região com 2 alimentadores com perdas altas Antes da utilização do Revenue Intelligence : Identificação de Suspeita de Irregularidade (código 55) indicada pelo Setor de Leitura da SAELPA Relatórios de anomalias emitido pelo módulo de fraude do Sistema de Faturamento Denúncias de clientes Suspeitas de irregularidade indicada por funcionários de outros setores da SAELPA

14 Exemplo real na Saelpa - Combate a Perdas
Utilizando o Revenue Intelligence - Regras de anomalias de consumo criadas: Cliente Trifásico Ligado com consumo médio abaixo de 100kWh Conceito da Regra: Um cliente trifásico geralmente possui um consumo acima de 100kWh mensal Cliente Ligado e Faturado pelo Mínimo nos últimos 3 meses Conceito da Regra: Clientes que se encontram sendo faturados pelo mínimo continuamente e que se não atuarmos rapidamente continuarão imputando perdas à SAELPA/CELB. Cliente Ligado que teve queda de 30% no seu consumo médio nos últimos 3 meses, em relação ao seu próprio consumo médio num período de 12 meses, anteriores aos 3 últimos meses. Conceito da Regra: Identificar fraudes recentes Cliente Ligado que teve nos últimos 16 meses pelo menos um consumo 70% maior que seu consumo médio do último trimestre. Conceito da Regra: Identificar fraudes mais antigas

15

16 Exemplo real na Saelpa - Combate a Perdas
Utilizando o Revenue Intelligence - Regras de irregularidades criadas: Irregularidade 55 – Suspeita de Fraude – Identificada Pelo Leiturista Irregularidade 06 – Cliente impediu Leitura – Identificada pelo Leiturista Irregularidade 52 – Vidro do Medidor Quebrado – Identificada pelo Leiturista Irregularidade 88 – Medidor Retirado Pelo Cliente sem autorização – Identificada Pelo Leiturista Irregularidade 85 – Necessidade Urgente de Medidor – Identificada pelo Leiturista Irregularidade 70 – Imóvel Desocupado – Identificada pelo Leiturista Irregularidade 69 – Medidor com Defeito – Identificada Pelo Leiturista Irregularidade 50 – Constante do Medidor Errada – Identificada pelo Leiturista Irregularidade 59 – Disco do Medidor Girando em Sentido Contrário – Identificada pelo Leiturista Irregularidade 60 – Ligação Direta Sem Medidor – Identificada Pelo Leiturista Ocorrência do Sistema 98 – Consumo Abaixo da Média Mensal – Identificada pelo Sistema Ocorrência do Sistema 71 – Leitura Atual Menor que Leitura Anterior – Identificada pelo Sistema Ocorrência do Sistema 49 – kWh de Leitura com Valor Negativo – Identificada pelo Sistema Ocorrência do Sistema 22 – Leitura Atual Igual a Leitura Anterior – Identificada pelo Sistema

17 Exemplo real na Saelpa - Combate a Perdas
Utilizando o Revenue Intelligence - Regras de ordens de serviço criadas: Ordem de Serviço 22 – Inspeção via SIAIF Ordem de Serviço 33 – Inspeção Ordem de Serviço 29 – Substituição de Medidor para Aferição Ordem de Serviço 83 – Substituição de Medidor

18 Exemplo real na Saelpa - Combate a Perdas
Utilizando o Revenue Intelligence - Perfis criados: Combinando : Regras de anomalias de consumo e Regra de irregularidade Que não tenham ordens de serviços associados Inspeções foram priorizadas por: Nível de risco = somatório dos pesos das regras de anomalia de consumo e de irregularidade encontradas; Gravidade financeira Resultado : Aumento da taxa de eficiência (fraudes / inspeções); Aumento da produtividade (kWh recuperado / inspeções).

19

20

21

22 Exemplo real na Saelpa - Combate a Perdas
Redução da energia requerida em 14% Redução das perdas de 30,5% para 20,1%

23 kWh Recuperado Por Inspeção Realizada
CELB kWh Recuperado Por Inspeção Realizada 2003 2004 jan 35 77 fev 89 85 mar 109 34 abr 61 72 mai 68 198 jun 90 169 jul 39 ago 75 set 79 out 131 nov 114 dez 43 Média mensal de kWh recuperados por inspeção nos últimos 12 meses = 75,6 Valor mensal de kWh recuperado com o RI = 183,4 Aumento de recuperação por inspeção de 107,8 kWh (143%)

24 CELB

25 CELB Média mensal de kWh recuperados nos últimos 12 meses = 86.501
kWh Recuperado CELB 2.003 2.004 jan 39.837 87.086 fev 88.207 62.589 mar 82.093 27.039 abr 73.304 mai 80.753 jun 99.244   jul 60.620 ago 99.549 set out nov dez 62.123 Média mensal de kWh recuperados nos últimos 12 meses = Valor mensal de kWh recuperado com o RI = Aumento mensal de recuperação de 91 MWh (105%) Aumento anual estimado de recuperação de 2,45 GWh

26 CELB

27 kWh Recuperado Por Inspeção Realizada
SAELPA kWh Recuperado Por Inspeção Realizada 2003 2004 jan 725 198 fev 284 208 mar 328 84 abr 415 304 mai 282 579 jun 353 552  jul 301 ago 238 set 324 out 188 nov 213 dez 281 Média mensal de kWh recuperados por inspeção nos últimos 12 meses = 247,8 Valor mensal de kWh recuperado com o RI = 565,5 Aumento de recuperação por inspeção de 317,7 kWh (128%)

28 SAELPA

29 SAELPA Média mensal de kWh recuperados nos últimos 12 meses = 866.429
kWh Recuperado SAELPA 2003 2004 jan fev mar abr mai jun   jul ago set out nov dez Média mensal de kWh recuperados nos últimos 12 meses = Valor mensal de kWh recuperado com o RI = Aumento mensal de recuperação de 1,39 GWh (161%) Aumento anual estimado de recuperação de 24,45 GWh

30 SAELPA

31 Recuperação de Receitas
SAELPA : Venda de energia: GWh (mercado próprio) Redução de perdas de 18,88%% para 17,63% (1,25%) Projeção de energia recuperada de 24,45 GWh por ano Projeção de energia agregada de 13,64 GWh por ano Projeção de incremento de energia  38,09 GWh por ano  1,68% da venda anual Projeção de redução de energia requerida de 4,09 GWh

32 Recuperação de Receitas
CELB : Venda de energia: 524 GWh (mercado próprio) ; Redução de perdas de 8,89%% para 7,65% (1,24%) Projeção de energia recuperada de 2,45 GWh por ano Projeção de energia agregada de 1,25 GWh por ano Projeção de incremento de energia  3,70 GWh por ano  0,71% da venda anual Projeção de redução de energia requerida de 0,37 GWh

33 Recuperação de Receitas
Empresa Quantidade de consumidores Área geográfica Densidade (consumidores/Km2) Venda anual Incremento de produtividade de inspeção (KWh/inspeção) Perdas totais (antes do RI) Perdas totais (depois do RI) Redução de Perdas SAELPA Km2 15,33 2.269 GWh 128% 18,88% 17,63% 1,25% CELB 1.789 Km2 73,23 524 GWh 143% 8,89% 7,65% 1,24% Empresa Venda anual Projeção de incremento anual de energia recuperada Projeção de incremento anual de energia agregada Projeção total de incremento anual de energia % de incremento em relação à venda anual Projeção de redução anual de energia requerida SAELPA 2.269 GWh 24,45 GWh 13,64 GWh 38,09 GWh 1,68% 4,09 GWh CELB 524 GWh 2,45 GWh 1,25 GWh 3,70 GWh 0,71% 0,37 GWh

34 Centro de Inteligência
Centralização de Informações Dados de sistemas elétricos Dados de medição Compra de Energia Venda de Energia Operação de Sistemas Sistemas de Análise Gestão de Redes Pesquisa e análise Gestão de Inspeções e fraudes

35 Centro de Inteligência
Gestão do Conhecimento Resultados de Campo Definição de Regras “Data Mining” Transferência ordenada de conhecimento Campo <<<<>>>> Sistemas de Gestão

36 Centro de Inteligência
Analistas de perdas dedicados para utilização do Revenue Intelligence Competências do analista de perdas : Conhecimento sobre perdas (tipos de fraude, características técnicas, etc) Conhecimento sobre as informações existentes sobre os consumidores Conhecimento de lógica Criatividade para criar regras e perfis de investigação Capacidade de planejamento e otimização de recursos

37 Conclusões Incremento de produtividade entre 128% e 143%
Projeções de recuperação anual entre 0,71% e 1,68% da venda Resultados independentes de volume de consumidores, densidade ou volume total de perdas Perspectiva futura de ampliação da utilização para outras aplicações : inadimplência, planejamento de demanda, etc.