SELEÇÃO DE CLIENTES À INSPEÇÃO USANDO PROBABILIDADES & REDES NEURAIS

1. Setembro 2012 AMPLA ENERGIA E SERVIÇOS SA Diretoriade Recuperaçãode Mercado :: Área de Perdas 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 570.737 (21 %) Habitantes 7 milhões Força de Trabalho 8.145 colaboradores Venda (2011) 10.223 GWh

4. AMPLA tem 33% menos clientes do que a Light, apesar de a área de concessão ser duas vezes maior. Baixa Densidade 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 Clientes Residenciais O Ambiente de Concessão da AMPLA

5. 21,4% 21,2% 20,5% 20,2% 18,7% META Rede Ampla Primeiros Estudos (1º Etapa) - 4,52PP Medição Eletrônica Primeiras Instalações (2º Etapa) Inmetro aprova o modelo da Landis+Gyr Interrupção das Instalações. Ampla Aguarda Homologação do Inmetro Sentinelas Projetos Sociais Inmetro migra medidores polifásicos para medição convencional Máquinas Anti - Furto Histórico das Perdas de Energia Evolução do Indicador de Perdas (TAM) 25,0% 24,2% 23,5% 22,5% 21,8% 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% TERESÓPOLIS PETRÓPOLIS 16,96% 12,46% RESENDE 6,25% NORDESTE 23,12% MAGÉ SÃO 36,30% GONÇALO ITABORAÍ DUQUE DE ANGRA ARARUAMA 38,62% 43,33% CABO FRIO NITERÓI CAXIAS MARICÁ DOS REIS 31,43% 27,90% 17,02% 47,25% 45,34% 19,85%

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% SÃO MAGÉ DUQUE DE ITABORAÍ GONÇALO 21,07% ARARUAMA ANGRA 27,03% 24,27% CAXIAS MARICÁ DOS REIS 26,41% NITERÓI 35,74% 30,79% 15,85% 20,47%

8. Objetivos • Esse trabalho tem a finalidade de ... • Desenvolver um modelo adaptativo com o tempo, com base na teoria básica de probabilidades e redes neurais artificiais Aumentar a assertividade, ênfase contra fraudes • Derivar o modelo para um processo (viável na prática), capaz de gerar mensalmente serviços de inspeção Máquina adaptativa

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

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

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

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

13. Teoria Básica de Probabilidade Assertividade em Petrópolis, no Estado do Rio de Janeiro E 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 AUMENTO DE CONSUMO NOS ÚLTIMOS 36 MESES (ANTES DA INSPEÇÃO) MARCA MEDIDOR TRIMESTRE QUEDA DE CONSUMO NOS ÚLTIMOS 36 MESES (ANTES DA INSPEÇÃO) MUNICÍPIO BAIRRO ÚLTIMO CONSUMO ANTES DA INSPEÇÃO VARIABILIDADE DE CONSUMO NOS ÚLTIMOS 12 MESES (ANTES DA INSPEÇÃO) MÉDIA DOS 12 ÚLTIMOS CONSUMOS (ANTES DA INSPEÇÃO) MÉDIA DOS 3 ÚLTIMOS CONSUMOS (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 ... • 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 ... A probabilidade estimada de detecção (por grupo) forneceu uma medida bastante razoável para os clientes não inspecionados. • 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