Caso Chilquinta

Con el objetivo de mejorar la calidad de servicio a sus clientes, Chilquinta Energía impulsó en el año 2018 un conjunto de iniciativas de innovación. En el proceso, donde participaron las distintas áreas internas de la compañía, se revisó el  ciclo completo del servicio involucrando la visión de los distintos participantes.

A partir de lo anterior, el área de Atención a Cliente en conjunto con el área de Operaciones identificaron la estimación de Tiempo de Reposición de energía eléctrica como uno de los procesos donde se podría realizar mejoras sustanciales al incorporar una nueva visión al proceso. El ETR (Estimated Time of Restoration), es uno de los indicadores claves que utilizan las compañías eléctricas en todo el mundo y corresponde al tiempo que se demora la empresa en reponer el servicio a un cliente cuando ocurre alguna interrupción en el servicio generada por cualquier tipo de causa (falla en equipos, eventos fortuitos accidentes que involucran el tendido eléctrico entre muchas otras causas).

Para nuestro cliente CHILQUINTA contar con un ETR confiable es fundamental ya que permite, realizar una planificación apropiada de los recursos que están en terreno y dar información precisa a los clientes sobre el tiempo en que se realizará la reposición del servicio eléctrico.

El cálculo del ETR se realiza en base a tablas con información fija, debido a que el modelamiento matemático del proceso es demasiado complejo, aún cuando la compañía cuenta con información histórica sobre la operación pasada.

A partir de lo anterior, el área de inteligencia artificial de Zeke propuso el desarrollo de un modelo predictivo que, aprovechando la gran cantidad de datos almacenados, pudiera realizar el pronóstico del ETR en forma automática.

El proceso, realizado en forma conjunta entre Chilquinta y Zeke, se inicia con una explicación del problema e identificación de los datos con que cuenta la compañía. Luego se identifican las variables más relevantes que afectan durante la reposición del servicio eléctrico (ubicación de la falla, fecha y hora, cantidad de clientes afectados por ejemplo). Con esta información se define una arquitectura de red y luego se comienza con el proceso de entrenamiento de la red neuronal.

La capacidad de aprendizaje del modelo es evaluada y al lograr los resultados esperados se presentan los resultados y se obtiene feedback del cliente.

Este feedback permite incorporar nuevas variables que permitan mejorar la efectividad del modelo.

En la actualidad y gracias a los resultados obtenidos, el sistema de estimación de ETR se encuentra en proceso de integración con los sistemas internos de Chilquinta.

Si quieres saber cómo podemos aplicar modelos predictivos en tu negocio, contáctanos.

CONTÁCTANOS