Denis Maia Presidente denis@choice.br

1. O uso de sistema de business intelligence na redução de perdas Denis Maia Presidente denis@choice.com.br Marcos Aurélio Madureira da Silva Diretor Comercial Corporativo madureira@cataguazes.com.br

2. Sistema Cataguazes-Leopoldina Nordeste do Brasil Área: 1.789 Km2 Consumidores : 131 mil SAELPA Área: 54.595 Km2 Consumidores : 837 mil Brasil Área: 17.419 Km2 Consumidores : 436 mil Sudeste do Brasil Área: 17.331 Km2 Consumidores : 378 mil Base: Abril / 04

3. Combate as Perdas Comerciais • Principais ações já realizadas • Regularização Consumidores Clandestinos • Acerto de Cadastros • Combate a Fraudes • Calibração de Medidores • Regularização de Instalações de medição • Resultados já alcançados • Redução em 50% das perdas Comercias no período de dez/ 2001 a junho2004 • 9% em dezembro de 2001 • 4,6% em junho de 2004

4. Desafios Atuais • Melhorar a eficácia do processo de identificação de perdas • Quanto ? • Onde? • Que tipo? • Otimizar o processo de Combate as Perdas • Quais ações devem ser priorizadas? • Como devem ser efetuadas as ações ? • Receber os valores perdidos • Manter a eliminação das perdas

5. Novas Armas • A análise e uso adequado de informações confiáveis, rápidas e com custos compatíveis faz a diferença na luta para redução e gestão das perdas comerciais. • A existência de pessoal capacitado e com ferramentas de gestão inteligente permite o enfrentamento da fraude e roubo de energia, que crescem cada vez mais.

8. Recuperação de Receitas • Quando se detecta uma fraude : • Recupera-se o valor de energia consumida que foi furtada pelo tempo que seja possível compravar, denominado kWh recuperado; • Do volume total de energia consumida que esta sendo furtada, uma parte não será mais consumida – redução da energia requerida, e outra parte continuará sendo consumida, mas agora sendo faturada – kWh agregado.

9. Aumentando a recuperação de perdas

10. Curvas de produtividade de inspeção Energia Recuperada + Agregada Ponto ótimo energia / custo Incremento de energia com mesmo custo Curva de produtividade sem o RI Custo

11. Tecnologias de identificação de Perdas • Sistemas de Gestão de Perdas • Revenue Intelligence • Definição de Regras de “Indícios de Fraude” • Definição de alarmes • Identificação de Pontos de perdas • Análise • Filtros e Perfis • Priorização

12. Gerando Regras de identificação • Usuais • Variação de consumo mensal • Comparação entre consumidores de mesma região • Característica da unidade (nº de fases, tipo de atividade, média de consumo) • Pré inspeções de leituristas • Denuncias • Novas • Perdas no segmento do sistema elétrico • Comparações com consumos médios de consumidores de mesmo “tipo” • Alarmes de Campo • Correlação com outras dados do consumidor “bancos de dados externos” • “Data Mining”

13. Exemplo real na Saelpa - Combate a Perdas • Região com 2 alimentadores com perdas altas • Antes da utilização do Revenue Intelligence : • Identificação de Suspeita de Irregularidade (código 55) indicada pelo Setor de Leitura da SAELPA • Relatórios de anomalias emitido pelo módulo de fraude do Sistema de Faturamento • Denúncias de clientes • Suspeitas de irregularidade indicada por funcionários de outros setores da SAELPA

14. Exemplo real na Saelpa - Combate a Perdas • Utilizando o Revenue Intelligence - Regras de anomalias de consumo criadas: • Cliente Trifásico Ligado com consumo médio abaixo de 100kWh Conceito da Regra: Um cliente trifásico geralmente possui um consumo acima de 100kWh mensal • Cliente Ligado e Faturado pelo Mínimo nos últimos 3 meses Conceito da Regra: Clientes que se encontram sendo faturados pelo mínimo continuamente e que se não atuarmos rapidamente continuarão imputando perdas à SAELPA/CELB. • Cliente Ligado que teve queda de 30% no seu consumo médio nos últimos 3 meses, em relação ao seu próprio consumo médio num período de 12 meses, anteriores aos 3 últimos meses. Conceito da Regra: Identificar fraudes recentes • Cliente Ligado que teve nos últimos 16 meses pelo menos um consumo 70% maior que seu consumo médio do último trimestre. Conceito da Regra: Identificar fraudes mais antigas

16. Exemplo real na Saelpa - Combate a Perdas • Utilizando o Revenue Intelligence - Regras de irregularidades criadas: • Irregularidade 55 – Suspeita de Fraude – Identificada Pelo Leiturista • Irregularidade 06 – Cliente impediu Leitura – Identificada pelo Leiturista • Irregularidade 52 – Vidro do Medidor Quebrado – Identificada pelo Leiturista • Irregularidade 88 – Medidor Retirado Pelo Cliente sem autorização – Identificada Pelo Leiturista • Irregularidade 85 – Necessidade Urgente de Medidor – Identificada pelo Leiturista • Irregularidade 70 – Imóvel Desocupado – Identificada pelo Leiturista • Irregularidade 69 – Medidor com Defeito – Identificada Pelo Leiturista • Irregularidade 50 – Constante do Medidor Errada – Identificada pelo Leiturista • Irregularidade 59 – Disco do Medidor Girando em Sentido Contrário – Identificada pelo Leiturista • Irregularidade 60 – Ligação Direta Sem Medidor – Identificada Pelo Leiturista • Ocorrência do Sistema 98 – Consumo Abaixo da Média Mensal – Identificada pelo Sistema • Ocorrência do Sistema 71 – Leitura Atual Menor que Leitura Anterior – Identificada pelo Sistema • Ocorrência do Sistema 49 – kWh de Leitura com Valor Negativo – Identificada pelo Sistema • Ocorrência do Sistema 22 – Leitura Atual Igual a Leitura Anterior – Identificada pelo Sistema

17. Exemplo real na Saelpa - Combate a Perdas • Utilizando o Revenue Intelligence - Regras de ordens de serviço criadas: • Ordem de Serviço 22 – Inspeção via SIAIF • Ordem de Serviço 33 – Inspeção • Ordem de Serviço 29 – Substituição de Medidor para Aferição • Ordem de Serviço 83 – Substituição de Medidor

18. Exemplo real na Saelpa - Combate a Perdas • Utilizando o Revenue Intelligence - Perfis criados: • Combinando : • Regras de anomalias de consumo e • Regra de irregularidade • Que não tenham ordens de serviços associados • Inspeções foram priorizadas por: • Nível de risco = somatório dos pesos das regras de anomalia de consumo e de irregularidade encontradas; • Gravidade financeira • Resultado : • Aumento da taxa de eficiência (fraudes / inspeções); • Aumento da produtividade (kWh recuperado / inspeções).

22. Exemplo real na Saelpa - Combate a Perdas Redução daenergia requerida em 14% Redução das perdas de 30,5% para 20,1%

23. CELB • Média mensal de kWh recuperados por inspeção nos últimos 12 meses = 75,6 • Valor mensal de kWh recuperado com o RI = 183,4 • Aumento de recuperação por inspeção de 107,8 kWh (143%)

24. CELB

25. CELB • Média mensal de kWh recuperados nos últimos 12 meses = 86.501 • Valor mensal de kWh recuperado com o RI = 177.245 • Aumento mensal de recuperação de 91 MWh (105%) • Aumento anual estimado de recuperação de 2,45 GWh

26. CELB

27. SAELPA • Média mensal de kWh recuperados por inspeção nos últimos 12 meses = 247,8 • Valor mensal de kWh recuperado com o RI = 565,5 • Aumento de recuperação por inspeção de 317,7 kWh (128%)

28. SAELPA

29. SAELPA • Média mensal de kWh recuperados nos últimos 12 meses = 866.429 • Valor mensal de kWh recuperado com o RI = 2.260.614 • Aumento mensal de recuperação de 1,39 GWh (161%) • Aumento anual estimado de recuperação de 24,45 GWh

30. SAELPA

31. Recuperação de Receitas • SAELPA : • Venda de energia: 2.269 GWh (mercado próprio) • Redução de perdas de 18,88%% para 17,63% (1,25%) • Projeção de energia recuperada de 24,45 GWh por ano • Projeção de energia agregada de 13,64 GWh por ano • Projeção de incremento de energia  38,09 GWh por ano  1,68% da venda anual • Projeção de redução de energia requerida de 4,09 GWh

32. Recuperação de Receitas • CELB : • Venda de energia: 524 GWh (mercado próprio) ; • Redução de perdas de 8,89%% para 7,65% (1,24%) • Projeção de energia recuperada de 2,45 GWh por ano • Projeção de energia agregada de 1,25 GWh por ano • Projeção de incremento de energia  3,70 GWh por ano  0,71% da venda anual • Projeção de redução de energia requerida de 0,37 GWh

33. Recuperação de Receitas

34. Centro de Inteligência • Centralização de Informações • Dados de sistemas elétricos • Dados de medição • Compra de Energia • Venda de Energia • Operação de Sistemas • Sistemas de Análise • Gestão de Redes • Pesquisa e análise • Gestão de Inspeções e fraudes

35. Centro de Inteligência • Gestão do Conhecimento • Resultados de Campo • Definição de Regras • “Data Mining” • Transferência ordenada de conhecimento • Campo <<<<>>>> Sistemas de Gestão

36. Centro de Inteligência • Analistas de perdas dedicados para utilização do Revenue Intelligence • Competências do analista de perdas : • Conhecimento sobre perdas (tipos de fraude, características técnicas, etc) • Conhecimento sobre as informações existentes sobre os consumidores • Conhecimento de lógica • Criatividade para criar regras e perfis de investigação • Capacidade de planejamento e otimização de recursos

37. Conclusões • Incremento de produtividade entre 128% e 143% • Projeções de recuperação anual entre 0,71% e 1,68% da venda • Resultados independentes de volume de consumidores, densidade ou volume total de perdas • Perspectiva futura de ampliação da utilização para outras aplicações : inadimplência, planejamento de demanda, etc.