관리 메뉴

HAMA 블로그

[Opower] 유틸리티들이 머신러닝을 사용해야하는 7 가지 이유 본문

IoT

[Opower] 유틸리티들이 머신러닝을 사용해야하는 7 가지 이유

[하마] 이승현 (wowlsh93@gmail.com) 2015. 8. 28. 18:47

년전부터, 아마 머신러닝에 대해서 들어봤을것이다. 이것은  숨겨진 패턴을 찾기위해  거대한 데이터셋을 빠르게 뒤지는 과학분야이다. 그러한 패턴은 그동안 회사들이 풀기힘들었던  문제를 풀수있도록 해주고있다.  머신러닝 알고리즘은 스팸을 제거하거나 , 누군가 당신의 신용카드를 사용할 가능성있을때 미리 경고를 보내주기도한다.  앞으로는 당신의 생명을 구할수도있을것이다.  they might save your life.

코어에서, 머신러닝 도구들은 많은 복잡한 정보들을 낚아채고 그것으로 부터 학습하고  미래의 사건을 예측하거나 알려지지않은것들에 대해 더 나은 평가를 하기위해 배운것을 적용한다. 틀에 박힌 분석에 대해 도전을 하는 거대한 데이터셋의 파수꾼으로써 , 유틸리티들은 거대한 방법의 머신러닝으로 부터 이득을 얻을수있다.  여기 그런것들을 해결할수있는  7 가지의 기반 지니스 에 대한  도전이 있다.


1. 숨겨진 에너지사용 패턴을 밝혀라

유틸리티들은 고객경험을 개인화하기 위해 뛰고있고 . 소비자 세계는 기업들이 혜안을가지고 잘 껴맞추어서 제공하기를 바라고있다. 머신러닝은 그런것을 도울수있고 , Opower 에서는 그들의 개인적인 에너지 사용 행동양식에 의한 고객의 단편화 와 고객의 에너지 사용습관에서 숨겨진 트랜드를 밝혀내기위해 그것을 사용한다. 그리고나서 소비자들을 그들과 관련된 정보 와 함께 목표로 삼는다.

예를들어,  낮시간동안 집에 있지 않은 사람들은  프로그래밍된 자동온도조절장치에 의해 이득을 취할수있고, 그런 사람들은 수요대응(조절) 프로그램에 대해 열려있다.

감독되지 않은 머신러닝( Unsupervised machine learning ) 은 그것을 가능하게한다.우리는 수십만 고객들에 대해 하루의 각 시간당 평균 에너지사용량을 가지고 시작했다. 한번에 이 데이터를 도시하여 우리는 아래와 같은 판독하기힘든 머리카락이 뭉친듯한 그래프를 얻었다. 

hairball_600px

그러나 데이타에 대해 군집기술 을 적용하면 , 어떤 사용패턴을 밝혀낼수있다.  “energy personalities:”

load curves_600px

Utilities 유틸리티는 그들의 소비자들을 각각의 에너지 성향(energy personalities) 에 따라 다르게 다룰수있어야한다.  그래야만 ,  마켓팅은 좀더 잘 이루어질수있으며 , 수요측 관리결과는 증대되며, 집과 회사에서 에너지 개인화에 대한 경험을 깊숙히 갖게된다.


2. 많은 사람들을 유틸리티 프로그램에 참여 시키기

에너지 효울화와 수요대응에서 참여자의 비율은 악명높게 낮다. 전통적으로 유틸리티들은  엄선된 통계학적 구분의 무리에서  소비자들을 깨우치는것에 의해  (BY BREAKING CUSTOMERS INTO A HANDFUL OF HAND-PICKED DEMOGRAPHIC SEGMENTS)  그들을 고취시키려고하는데 ,  그리고나서 각각의  무리에게 맞춤 프로그램으로  마켓팅한다. 높은 수입을 가진 소비자는 비싼 가정용기기의 환불 프로그램의 이득을 취하기 쉽다.  예를들어 감독된 머신러닝(Supervised machine learning ) 은 더 나은 접근법을 제공한다. 만약 당신이 어떤 소비자들이 과거에 어떤 프로그램에 참여했는지 안다면, 미래에 누가 참여할것인지에 대해서  좀더 모델을 정확히 훈련시킬수 있게된다.  그리고 자동적으로 프로그램 타겟팅을 옵티마이즈할수있게된다.

초기 리서치는 동적인 정보(에너지 사용,  이전 유틸리티와의 상호작용등), 와 함께 정적인 정보들을 묶는것을 제안한다. (수입레벨 및 집 크기등) , 머신러닝 모델들은 결국 프로그램 참여자율을 20% 만큼 올릴수있었다.


3. 미개적된 에너지 효율 기회를 찾아라 

Behavioral messaging can make a powerful impact on energy efficiency. But if you really want to motivate people to save energy, you need to tie it to personalized insights and analysis. Breaking down a home’s energy consumption by appliance — air conditioning, water heating, and so on — can help customers understand their energy behavior and pinpoint their biggest savings opportunities.

That’s why we wrote a usage disaggregation algorithm, which takes in meter reads, weather data, household characteristics, and other variables to create a personalized profile of a customer’s home energy use — and corresponding efficiency advice. The end result looks like the chart below, which can be embedded everywhere from a customer web portal to the utility bill.

pie-chart_sized1

Best of all, the algorithm even works for customers who don’t have smart meters.


4. 어떻게 소비자들이 그들의 집을 데우는지 결정 Accurate, personalized energy insights boost customer engagement. The reverse may also be true: homes and businesses that receive the wrong advice could be more likely to disengage, and tune out their utilities.

One place that comes into play is home heating. Utilities don’t always know how customers heat their homes — and while natural gas efficiency tips are helpful for people with gas heaters, they might be a turn-off for those with electric ones.

Machine learning techniques can ensure that customers get the right advice every time. By analyzing load curves from homes with known heating types, an algorithm can consistently predict customers’ heating hardware based on usage data alone.


5. 자동 조절 온도장치 설정값 옵티마이징 

In the same way, utilities can also feed smart meter data and weather patterns into a machine learning algorithm to estimate how homes and businesses are setting their thermostats. The algorithm’s output might look something like this:

Screen Shot 2015-03-09 at 5.47.21 PM

Utilities can apply thermostat setpoint estimates, which don’t require any hardware in the home, toward a variety of ends.

They might segment homes with inefficient setpoints, and offer personalized savings advice — including how much money customers could save by choosing a more efficient setpoint. Alternatively, they could use setpoint estimates and weather data to deliver bill forecasts halfway through the billing cycle. Or they could target homes with inefficient afternoon setpoints for demand response programs, like this:

DR homes


6. 전력망하에서 전기 자동차/자전거 집약 

Utilities have a huge incentive to know when electric vehicles — the largest home appliances ever — are plugged into the grid. In the immediate term, it’s a customer engagement opportunity: EV detection would allow utilities to suggest time-of-use rates and encourage overnight charging. Down the road, electric cars could also prove to be an important demand response resource.

Last year, we analyzed the EV owners’ signature energy usage patterns, which are represented below. In the months since, we’ve developed machine learning algorithms that help utilities detect when their customers plug a new EV into the grid.

electric vehicle load curve


7. 오랜기간동안 소비자들을 유지하기 

In Europe and around the world, utilities in competitive markets are working hard to cut churn and win their customers’ loyalty. Helpful, personalized services like high bill alerts and insightful call centers are giving them the tools to succeed. Machine learning can help utilities take customer care a step further — helping them identify homes at greatest risk of switching providers, listen to their concerns, and offer solutions.

A variety of industries — banking, insurance, and telecommunications among them — are already using churn modeling to deliver better customer experiences. By feeding customer characteristics, behavior, and billing information into a machine learning tool, utilities can start doing the same.


This article first appeared in Intelligent Utility on March 23, 2015.

0 Comments
댓글쓰기 폼