Dataanalys i dess olika former är på framfart och väntas vara en katalysator till vårt nästa paradigmskifte. Dataanalys innebär stora möjligheter för energisektorn. I takt med att datamängden ökar, breddas också dess användningsområden och de nyttor som skapas - ökad kundnytta, högre lönsamhet och bättre balansering av energisystemet, för att nämna några.
För att säkerställa realisering av de effekter man önskar nå genom arbetet med dataanalys är det viktigt med en tydlig målbild. Företag och organisationer behöver fråga sig vad det är man vill utforska närmare och varför. Vilket problem vill verksamheten lösa, vilken affärsnytta skapas, är tillämpningen skalbar och business caset positivt? När värdepotentialen är identifierad är nästa steg att se över vilka förutsättningar som behöver vara uppfyllda. Finns rätt data tillgänglig med tillräckligt god datakvalité? Vilka förmågor och resurser krävs för att genomföra projektet?
I takt med att större datamängder skapas och samlas in, delvis genom utrullningen av nya smarta elmätare till svenska hushåll, krävs bättre förutsättningar för att hantera och arbeta med data. Beroende på applikationsområde och målbild, lämpar sig olika analysmetoder olika väl. Deskriptiv, prediktiv och preskriptiv analys har alla ett syfte och agerar som komplement till varandra snarare än substitut. Ekonomienheter använder ofta deskriptiv analys i form av Business Intelligence för att visualisera och förbättra analysen inför problemlösning, medan prediktiv analys möjliggör förebyggande åtgärder inom exempelvis underhåll av anläggningstillgångar för att hålla nere kostnader och öka driftsäkerheten.
Ett annat tillämpningsområde med stor värdepotential är churnanalys av kunder. En grundläggande förutsättning för framgångsrika affärer är att förstå kunderna, deras beteende och behov. Med hjälp av segmenteringsmodeller kan organisationer dela in elkonsumenter i nya relevanta kundgrupper och därefter tillämpa en churnmodell för att förstå kundens benägenhet att byta elbolag. Värdet av en churnmodell är stort eftersom kostnader för att värva nya kunder oftast är höga. Det är däremot inte alltid klart om kostnaderna för att bevara en kund är befogad. Välkonstruerade modeller svarar på båda frågorna: Vad är risken att en given kund ska lämna och är kundens livstidsvärde för företaget hög nog för att insatser ska sättas in för att behålla kunden?
På Sopra Steria fokuserar vi på realiseringen av de värden och nyttor som tekniken ska åstadkomma. Vi hjälper våra kunder att identifiera satsningsområden, skapar förutsättningar för god datakvalité och arbetar agilt för att säkerställa relevanta lösningar - från användarcentrerade BI-lösningar för datadrivet beslutsfattande i vardagen till avancerade analysmodeller inom AI och Machine Learning.