Un case study Miningful nel settore utility/acqua/gas

Alla fine di ogni anno, il volume totale dei consumi rappresenta un dato fondamentale per le valutazioni operative e di business, tra cui l’analisi delle perdite e il monitoraggio di altri indicatori di performance. Attendere il 31 dicembre per disporre di un valore affidabile, tuttavia, limita la possibilità di intervenire tempestivamente nel corso dell’anno. L’obiettivo del progetto era quindi stimare con anticipo e con un elevato livello di precisione il volume complessivo dei consumi a fine anno, sfruttando le serie storiche delle letture dei contatori disponibili per ciascun impianto.

Per raggiungere questo obiettivo, Miningful ha sviluppato un approccio predittivo in grado di trasformare i dati delle letture in previsioni affidabili dei consumi annuali. Lo scopo non era soltanto prevedere il volume finale al 31 dicembre, ma farlo con sufficiente anticipo da supportare il monitoraggio operativo, il processo decisionale e l’attivazione di azioni preventive. Il livello di accuratezza richiesto era particolarmente sfidante: il modello doveva raggiungere un errore inferiore al 2%, anticipando le prestazioni dei metodi di stima tradizionali. Il progetto ha inoltre affrontato la complessità della trasformazione delle letture in consumi effettivi, gestendo le discontinuità dovute ai passaggi di fine anno e ad altre anomalie presenti nei dati.

I risultati hanno dimostrato che è possibile ottenere previsioni altamente accurate a partire dalle sole letture dei contatori. Questo ha posto le basi per un processo di forecasting operativo, aggiornabile durante l’anno e integrabile in un’applicazione web con visualizzazioni in tempo reale e sistemi di allerta per il monitoraggio continuo.

Approccio predittivo e implementazione

L’approccio sviluppato da Miningful ha previsto la realizzazione di una pipeline di modellazione capace di estrarre il massimo valore informativo dalle serie storiche delle letture, combinando attività di feature engineering e selezione dei modelli predittivi. La soluzione si è basata sulla generazione di oltre 100 feature predittive derivate dalle serie di letture. Successivamente, tali feature sono state selezionate e combinate per addestrare i modelli di previsione più performanti.

Un elemento chiave della metodologia è stato lo sviluppo di modelli su base mensile. Questo ha consentito di valutare quanto precocemente nel corso dell’anno fosse possibile ottenere stime affidabili e di identificare i periodi che fornivano il maggiore contenuto informativo ai fini della previsione. Lo sviluppo della soluzione si è articolato in tre fasi principali:

  1. Sviluppo dei modelli mensili, confronto tra feature fisse e dinamiche e arricchimento del set di variabili predittive.
  2. Introduzione del parametro di “delay” e sviluppo di modelli basati sulle stime dei consumi giornalieri.
  3. Ottimizzazione della pipeline predittiva, attraverso la selezione delle feature e dei modelli migliori, l’ottimizzazione sui dodici mesi dell’anno e l’armonizzazione della strategia finale di modellazione.

Questo approccio incrementale ha permesso di affinare progressivamente la pipeline di previsione, passando da una fase esplorativa a un framework strutturato per la stima mensile dei consumi annuali. Il risultato è un sistema in grado di stimare i consumi di fine anno in diversi momenti dell’anno, individuando al tempo stesso i mesi in cui le previsioni raggiungono il massimo livello di affidabilità.

RisultaiRisultati e impatto

I risultati ottenuti dimostrano che è possibile prevedere con elevata precisione i consumi di fine anno a partire dalle letture dei contatori. L’analisi ha inoltre evidenziato come le previsioni raggiungano un errore inferiore all’1% già nei primi mesi dell’anno.

Dal punto di vista del business, il principale valore della soluzione risiede nella possibilità di disporre di stime affidabili con largo anticipo rispetto alla chiusura dell’anno. Invece di attendere il bilancio finale, l’organizzazione può monitorare l’evoluzione dei consumi durante l’anno e utilizzare le previsioni per supportare le decisioni operative.

Questo consente di individuare tempestivamente eventuali anomalie, analizzare possibili perdite e pianificare interventi correttivi prima della disponibilità dei dati consuntivi, migliorando così l’efficacia del monitoraggio e la capacità di intervenire in modo proattivo.