Kunstig intelligens (AI) og maskinlæring gir nettselskapene muligheten til å segmentere kunder basert på forbruksprofiler fra AMS-data. Hvilken innsikt kan dette gi oss, og hvordan gjøres det? Hvilke muligheter oppstår for kraftselskaper og små nettselskaper når Elhub settes i drift i oktober 2018?

I juni 2017 hadde 875 000 nettkunder fått installert AMS-måler, og i løpet av 2018 vil ytterligere to millioner smarte målere ha blitt installert (se kart fra NVE). Enorme mengder data vil da være tilgjengelig for nettselskapene, som kan nyttiggjøre seg av big data i produktutvikling og markedsføringsøyemed.

Kundeanalyser med AMS-data gir nettselskapene bedre beslutningsgrunnlag

Sammen med mine kolleger i eSmart har vi hjulpet nettselskaper med dette. Vi har da analysert hele kundemassen og funnet ut hva som er deres typiske forbruksprofil på en arbeidsdag, sommer som vinter, og i en typisk helg. Ut fra dette har vi funnet grupperinger av kunder og innsikt som gir nettselskapene bedre beslutningsgrunnlag i ulike scenarier:

• Prisstrategi: Hvordan skal vi utforme tariffleddene?
• Segmentering: Hvilke kundeprofiler og grupper er aktuelle for de ulike produktene og tjenestene nettselskapet allerede tilbyr?
• Tjeneste- og produktutvikling: Hvilke grupperinger av kunder har vi? Hvilke produkter og tjenester kan vi utvikle og selge til disse? Det er for eksempel svært enkelt å se forskjell på et hytteområde og et boligområde, to kundeprofiler som har vidt forskjellige behov, og som bør få tilbud tilpasset dette.
• Markedsføring: Algoritmene kan detektere endringer i forbruksprofilene, som for eksempel gjør det mulig å automatisere utsendelse av markedsføringsbudskap til kunder som har installert solcellepanel eller som har kjøpt seg elbil.

Hvilke fordeler gir Elhub til nett- og kraftselskapene?

Nettselskapene er ikke avhengige av Elhub for å utnytte fordelene vi nettopp listet opp, da de eier sine egne kundedata. Kraftselskapene gjør imidlertid ikke det, og vil med Elhub få tilgang til store mengder anonymiserte data som kan gi dem mye av den samme innsikten. Også mindre nettselskaper, med begrenset kundemasse, vil dra fordeler av Elhub, som gir dem et litt større datagrunnlag for å lage brukerprofiler.

Hvordan jobber man med maskinlæring og kunstig intelligens for kundesegmentering?

Metoden vi gjerne starter med er å benytte såkalte dimensjonsreduksjonsteknikker. Disse kan variere fra klassiske og relativt enkle lineære metoder fra statistikk, som hovedkomponentanalyse (PCA), til mer avanserte ikkelineære metoder, som for eksempel t-SNE. Tenk for eksempel at vi lager en forbruksprofil på hver kunde basert på forbruksdata for en typisk sommerhelg, sommerarbeidsdag, vinterhelg, vinterarbeidsdag osv.

Med timeverdier for 24 timer, har vi nå 4x24-timer-tall som beskriver en kundeprofil. Utfordringen med så mange variabler er at det kan være problematisk å finne gode clustere og i det hele tatt å visualisere dem, da man må beskrive kunder i 96 dimensjoner. Man bruker da dimensjonsreduksjonsmetoder, som gjør en mapping fra 96 dimensjoner til noen få (2-4), slik at det er lettere å visualisere. Man vil da se at mange kunder ender i samme gruppe, noe som også gjør det lettere for clustering-algoritmen å finne gode grupperinger.

Clustering handler om å analysere store mengder data og å finne grupper av data som ligner hverandre. Dette er en måte å identifisere ulike kundesegmenter på. Et typisk scenario for energibransjen vil være å benytte forbruksdata og identifisere ulike grupperinger basert på forbruksprofil. Man kan også gå dypt til verks og fra disse overordnede grupperingene gjøre en drilldown og gå mer i detalj i hver gruppe, noe vi kaller hierarkisk clustering.

Se også vår ressursside om effektiv nettdrift i en digital verden. 

Konklusjon

Ved å ta i bruk maskinlæring og kunstig intelligens kan nett- og kraftselskaper få dyp og verdifull innsikt fra AMS-data og oppnå store konkurransefortrinn. Store nettselskaper har mye å vinne på å utnytte disse mulighetene her og nå, mens Elhub vil gi mindre nettselskaper og kraftselskaper ekstra analysemuskler når det rulles ut i 2018. Nett- og kraftselskaper som er fremme i skoene bør ta grep allerede nå.