Advanced Analytics en Utilities

Aplicación a la comercialización de electricidad.

El objetivo de esta reflexión es exponer el valor aportado al negocio de las comercializadoras de electricidad de las técnicas y modelos analíticos predictivos avanzados, obteniendo nuevos business insights y convirtiéndolos en palancas accionables para sus procesos de gestión, seguimiento y control.

 

¿Qué es una comercializadora eléctrica?

Una comercializadora eléctrica, en el modelo español, es una empresa que debe captar a los mejores clientes para venderles la electricidad que otros generan y distribuyen.

La comercializadora asume el riesgo financiero, vendiendo a sus clientes en régimen de libre competencia, haciendo una predicción de dos variables fundamentales en el negocio:

  1. Lo que estos clientes van a consumir en el período de contratación.
  2. El precio futuro de la electricidad en el mercado (“pool”) en el mismo período de manera continua.

Cuanta mayor certeza haya en la predicción de dichas variables mejor control habrá sobre el coste directo a soportar por la comercializadora para cada cliente-contrato, es decir, sobre el margen bruto de explotación.

Por otro lado y aislando el concepto anterior, el comportamiento de una comercializadora tiene mas semejanza con una empresa del sector “retail” o “e-commerce” que con otras empresas de los segmentos de generación o distribución de electricidad.

La incorporación de nuevas líneas de negocio como la comercialización de gas o la de CO2 amplían el espectro en la captación de clientes y de negocio.

Así, en cualquiera de las comercializadoras de electricidad que quiera abarcar todo el mercado de consumidores podemos encontrar:

  • Clientes: pudiendo ser esto empresas y doméstico-residenciales.
  • Un catálogo de venta de Productos electricidad: con productos tales como Precio Fijo, Precio Variable (indexado al pool) y Mixto (fijo-variable con multitud de combinaciones).
  • Productos secundarios asociados: en su mayoría a la disponibilidad de telemedida en el punto de consumo y permitiendo plantear estrategias de marketing y comerciales de Up-selling:
    • Baterías de condensadores para compensación de energía reactiva
    • Servicios de optimización de tarifa contratada
    • Servicios de gestión de contratos multipunto o plurianuales
    • Servicios de estudio de eficiencia energética
    • Servicios de mantenimiento de equipamientos energéticos (termos, calderas, etc)  
  • Productos adicionales de energía: Productos de gas con Precio Fijo, Mixto o Indexado, habilitando estrategias de Cross-selling en los clientes mediante contratos mixtos gas-electricidad e incluyendo servicios de mantenimiento de equipamientos, SAT y otros.
  • Canales de venta: Directo (con fuerza comercial propia o externa), On-line (100% web) y Televenta (Inside Sales) como principales. Uso de campañas de marketing como palanca de crecimiento y fidelización de clientes.
  • Servicio de Atención al Cliente: normalmente con atención telefónica y digital (email, chat online).
  • Sistemas informáticos propios o de terceros:
    • la gestión de los contratos y el “switching”
    • la gestión de la medida de energía consumida en cada punto de suministro, telelectura
    • cálculo y emisión de la factura mensual x cliente-contrato incluyendo contratos multipunto y facturas extendidas
    • la gestión de la compra de energía y su balance
    • el “rating” de los clientes (riesgo asociado al pago)
    • la gestión del ciclo de vida del cliente y su interacción con la organización (crm)

Las comercializadoras de electricidad coexisten en un mercado de libre competencia donde el precio manda, pero donde la calidad (la factura y su contenido principalmente) y el servicio al cliente son aspectos fundamentales para su captación y su fidelización. De todo ello depende su viabilidad como compañía.

Universo de Datos

Si de algo disponen las comercializadoras es de datos, tanto en volumen como en variedad (heterogeneidad).

Dejando de lado las comercializadoras “incumbentes”, con más de un 80% de penetración en el mercado, actualmente existen más de 300 comercializadoras activas en España.

Cada año se incorporan comercializadoras nuevas en el mercado y otras cesan su actividad. Su cartera de clientes, desde las decenas hasta las decenas de miles, evoluciona en el tiempo y con perfiles de cliente en los segmentos de empresa y doméstico-residencial.

Cuando el volumen de clientes es sólo de algunas decenas, la gestión puede llevarse de manera “artesanal” sin asumir grandes riesgos pero conforme se avanza en el tiempo, la cartera crece y se amplía el portfolio de productos, los datos crecen exponencialmente y se hace imprescindible disponer de sistemas de información robustos para dar soporte a la gestión del negocio y de los clientes.

Sin ánimo de ser exhaustivo, en la siguiente tabla se exponen las fuentes de datos más relevantes en las comercializadoras, indicando su principal ámbito de gestión-aplicación, haciendo mención a su tipología más habitual:

Ámbito

Fuente

Tipología

Cliente + Operacional

Contrato eléctrico

Normalmente con más de un centenar de datos x contrato-cliente en función de tarifa y producto contratado. Datos Estructurados.

Operacional

Medidas de consumos

Normalmente obtenidos telemáticamente (cadencia mensual) mediante acceso a los datos de consumo de las distribuidoras. Incrementa su volumen en función del tipo de tarifa contratada llegando al extremo de disponer de telemedida en tiempo real o quasi-real. Datos Estructurados.

Cliente

Servicio de Atención al Cliente

Registro de Incidencias y Consultas de clientes (telefónico, e-mail, chat). Datos Desestructurados.

Cliente

Finanzas-rating

Condiciones de facturación y pago x cliente/contrato. Datos estructurados.

Cliente

Marketing- Campañas y comunicados

Normalmente por canales clásicos (correo postal) y digitales (emailing). Datos desestructurados.

Operacional

Precio de la energía en el mercado (OMIE i OMIP)

Datos estructurados del precio diario de la energía y del precio futuro (previsión) con ventana hasta de 2 años.

Cliente

Legal-Contratos

Comunicados contractuales — > cambios, ceses, penalizaciones, … Con carácter legal (burofaxes en su mayoría). Datos desestructurados.

Cliente

SIPS (cartera potencial)

Información y datos bajo LOPD sobre todos los suministros (CUPS) activos en el territorio español. Más de 50 datos por CUPS en función de tarifa vigente. Datos Estructurados

De la observación de la tabla ya se puede deducir que las fuentes de datos son muy variadas y su tipología también. Si además tenemos en cuenta que el histórico de datos es imprescindible para la gestión, entramos en un universo de datos que encaja con la visión de un “Big Data” ya sea por la cadencia de datos en algunos casos, por su variedad y heterogeneidad en otros.

Por otro lado, la capacidad de poder analizar ese Big Data ofrece valores relevantes de los clientes (business insights) mediante la aplicación de técnicas analíticas predictivas y de machine learning, convirtiendo el universo de datos en disparadores accionables para la toma de decisiones y mejorar el negocio, en ocasiones de forma radical.

El avance de las tecnologías y su reducción de coste ha eliminado prácticamente cualquier barrera de entrada para las comercializadoras en este ámbito, independientemente de su dimensión. Aquellas que sepan posicionarse bien, obtendrán mayores beneficios.

Conforme el mercado evolucione, lo que hoy son ventajas competitivas basadas en la aplicación de técnicas analíticas predictivas se convertirá en un “commodity”. Aquellos que no hagan uso de ellas, simplemente desaparecerán por las propias reglas del mercado y la competencia.

Advanced Analytics – Aplicaciones

Una vez es accesible el universo de datos, el mayor reto consiste en obtener la mayor inteligencia posible (business insights) tanto en el ámbito de Cliente como en el Operacional mediante la aplicación de técnicas analíticas avanzadas de predicción sobre todo el universo de datos disponibles (Big Data Analytics).

Clasificaremos diferentes casos de uso de técnicas analíticas avanzadas según su ámbito principal, ya sea el de inteligencia de cliente o inteligencia operacional.

Aplicaciones en el ámbito de Inteligencia de Cliente

  • Análisis y Prevención del abandono de clientes

En la comercialización eléctrica, uno de los costes relevantes después del asociado a la propia energía, es el de la captación de nuevos clientes. Aquel que no sea capaz de disponer de altos índices de renovación en su cartera de contratos, difícilmente será sostenible en el tiempo. Para ello es necesario fidelizar a los clientes, evitando que nos abandonen (churn)  cambiando a otra comercializadora. El uso de analítica avanzada permite predecir qué clientes tienen mayor probabilidad de abandonarnos en escala temporal e incluso las causas que pueden originar dicho abandono.  Clasificando los clientes en riesgo en función de su valor y tipología, podemos establecer acciones de márketing, servicio post-venta y/o comercial para prevenir el abandono y retener el cliente. Para aquellos casos en los que consideremos no activar ninguna acción, nos permite saber con antelación qué cartera saliente de contratos tendremos, su impacto en volumen de energía, ingresos y margen así como planificar campañas de captación adicionales para cubrir esas bajas.

  • Segmentación de clientes e identificación de nuevos segmentos

Existen diferentes técnicas analíticas para la segmentación del universo de clientes y también diferentes tipos de segmentación en función de las variables que consideremos en el modelo analítico. Gracias a la tecnología actual, es posible por ejemplo identificar de manera desasistida cuales son los distintos segmentos de cliente en mi cartera en función de su perfil de consumo, actualizando el cálculo tantas veces como sea preciso e identificando automáticamente nuevos segmentos de cliente y cambios de clientes en los segmentos. El tema es de extremada importancia si tenemos en cuenta que el coste de la energía es horario (cada hora tiene un precio kw distinto). El consumo de un regante, de un hotel o de un edificio de oficinas puede tener la misma tarifa contratada y un balance anual de idéntico valor en kwh pero su coste es bien distinto porque no se consume lo mismo en las mismas franjas horarias. La estrategia de preciosxperíodo de la comercializadora para cada producto debe adaptarse a cada segmento de clientes en función de su perfil de consumo.  

  • Predictive 1-to-1 Marketing

El uso de analítica avanzada permite identificar nuevos “business insights” de los clientes y diseñar ofertas personalizadas en función de los patrones detectados en los mismos. Por ejemplo: Ofrecer calefacción eléctrica con un precio personalizado a aquellos clientes que muestren una mayor afinidad a la compra de ese producto.

  • Social Media Monitoring & Sentiment Analysis

Mediante la extracción y análisis de textos provenientes de las redes sociales y otros medios digitales (bbdd de registro de atención al cliente, foros, comunidades, etc.) obtenemos información relevante sobre la percepción de nuestra marca, nuestros servicios y nuestros productos. Dicha información puede tratarse casi en tiempo real y convertirla en accionable incorporándola en los procesos de negocio, generando acciones comerciales, campañas de márketing o incluso acciones legales.

  • Optimización en las campañas de márketing

El uso de analítica avanzada en la gestión de campañas de márketing permite incrementar la conversión y optimizar el budget para su ejecución. Podemos por ejemplo seleccionar el conjunto de clientes para cada campaña en función del producto/servicio de la campaña y ordenarlos en base a la mayor o menor propensión de los clientes a adquirirlo en función de su perfil y del segmento de clientes al que pertenecen. También podemos saber a priori qué canal de comunicación (correo, emailing, teléfono u otros) es el más indicado para cada uno de ellos.

  • Perfilado y enriquecimiento de la información del cliente

Podemos usar datos procedentes de bases de datos externas, redes sociales o incluso correos para obtener nuevos business insights y captar nuevos clientes potenciales: se puede identificar por ejemplo los intereses de los clientes altamente rentables y luego iniciar una campaña ad-hoc con el mismo objetivo de encontrar nuevos. Utilizar fácilmente los datos de identidad del cliente enriquecido para construir agrupaciones eficaces, llegar a un público personalizado y encontrar pistas similares a los perfiles de clientes existentes. Intengrar estos datos en otras herramientas de negocio o de marketing.

Aplicaciones en el ámbito de Inteligencia Operacional

  • Predicción del consumo y de la demanda agregada

Cada comercializadora dispone de una demanda agregada de electricidad en función de la suma de los consumos previstos por los clientes en su cartera. Dicha demanda debe ser continuamente actualizada con la captación y el abandono previstos a futuro. La aplicación de técnicas analíticas avanzadas permite realizar predicciones de consumo de los clientes en cartera en base a su histórico y otras variables (climatológicas, evolución de PIB, etc.) con gran precisión. La agregación de todos los datos nos permite disponer de una alta fiabilidad en la curva de energía de la comercializadora y ajustar la compra en el mercado minimizando los desvíos. Cuanto mayor precisión, menor riesgo de desvíos, generando una ventaja competitiva frente otras comercializadoras.   

  • Priorización de leads y oportunidades de venta

Para aquellas comercializadoras con fuerza comercial propia, es muy relevante orientarlas a aquellas oportunidades con mayor nivel de conversión. Ello depende de multitud de factores: rating del cliente, encaje del portfolio de productos con los requerimientos del cliente, perfil de consumo (SIPS) y cualquier otra información recabada durante el proceso comercial. Toda esta información, normalmente dentro de un sistema CRM, puede alimentar un sistema analítico que permita priorizar las oportunidades y enfocar a la fuerza comercial hacia el éxito, incrementando su productividad. La solución es extensible para redes comerciales externas comisionadas si lo que la comercializadora busca es un determinado target de clientes para su cartera.

  • People analytics and people flow management

Cada vez más, las comercializadoras están aplicando estrategias de captación de nuevos clientes basadas en redes comerciales externas comisionadas móviles en el territorio. Mediante analítica avanzada aplicada a las aplicaciones de gestión de redes comerciales móviles, es posible incorporar nuevos business insights para comparar la eficiencia y rendimiento de cada perfil comercial en un territorio concreto, permitiendo establecer acciones comerciales correctoras en función del objetivo comercial perseguido.

  • Detección de facturación anómala

Uno de los grandes retos en la comercialización es la generación y emisión periódica de la factura de consumo a cada cliente. Demoras en las lecturas y estimaciones, cambios regulatorios aplicables, cambios en los contratos y las renovaciones, son algunos de los motivos que generan facturas erróneas a los clientes e incrementan su probabilidad de abandono. Utilizando técnicas de machine learning sobre todas las facturas, previamente a su remisión al cliente, podemos identificar cuáles de ellas son sospechosas de contener errores y reprocesarlas. En caso de una emisión y enío de facturas erróneas, su identificación, aunque tardía, también nos permite accionar en fase temprana el servicio de atención al cliente y mitigar su impacto negativo en el cliente y en el resto de la organización.

  • Predicción volumen de llamada/interacciones en Servicio de Atención al Cliente

El servicio de atención al cliente de las comercializadoras está en constante evolución, hoy se trabaja con multicanalidad, con servicio telefónico, chats online, web e-mail y otros. Varios de esos canales son atendidos por operadores de contact center qué deben disponer de los skills adecuados para resolver las consultas e incidencias de los clientes y los partners en un primer nivel de soporte o escalándolas a otros niveles dentro de la propia organización. El volumen de consultas e incidencias por estos canales es variable en el tiempo dependiendo de razones de carácter interno (períodos de renovación de contratos, cambios de precios, cambios en la emisión de facturas, errores de emisión, etc.) o externo (época del año, cambios legislativos, calendario fiscal, etc.). Si la comercializadora quiere ser eficiente y optimizar el coste de este servicio, debe dimensionar los equipos de contact center en base a la previsión del volumen de llamadas esperadas en el tiempo. Mediante técnicas analíticas basadas en machine learning, se puede predecir con antelación cuál será dicho volumen y su evolución temporal, incorporando variables internas y externas. La predicción nos permite dimensionar los equipos de contact center de una manera eficiente y planificar con suficiente antelación sus necesidades y requisitos.

  • Categorización y resolución de consultas e incidencias de clientes

Normalmente, la información disponible de las incidencias y consultas de clientes se encuentra en formatos no estructurados (texto). Incluso el canal telefónico es una fuente de datos mediante la grabación de conversaciones y su conversión en textos. Mediante técnicas de procesamiento de lenguaje natural y machine learning es posible categorizar las consultas e incidencias de manera automática, incorporando dicho valor en los procesos de resolución de todas las áreas involucradas, incrementando su productividad.  

  • Pricing dinámico

Con un Mercado eléctrico con precio de compra horario, la fijación del precio de venta de la electricidad para cada producto ofertado por la comercializadora con su margen objetivo es una tarea compleja. Tanto más cuando nos “deslizamos” hacia estrategias de oferta de producto a precio mixto (fijo-variable) o fijo, mayor es el riesgo asumido por la comercializadora. El comportamiento de consumo de cada cliente es otra variable básica para establecer cuál es su precio óptimo para obtener un margen objetivo. Si además queremos (de hecho debemos) tener en cuenta el impacto -positivo o negativo- en función de la curva de desvíos agregada del cliente y su consumo en la demanda agregada (cartera) de la comercializadora, el nivel de complejidad sobre el establecimiento de precio óptimo crece exponencialmente. Mediante la aplicación de técnicas de analítica predictiva y métodos de optimización, es posible efectuar cálculos de precio dinámicos y vigencias temporales con tolerancias sobre el margen objetivo, aspecto imprescindible para controlar el riesgo en las operaciones. Para el caso de las renovaciones de contratos, permite automatizar el proceso de renovaciones de una manera fiable, identificando aquellos en los que debe rescindirse el contrato (predicción de pérdidas) y renegociar, de aquellos otros en los que pueden mantenerse las condiciones contractuales o incluso mejorar el precio de renovación sin erosionar el margen (palanca de fidelización mediante campañas específicas).

Conclusiones

El negocio de la comercialización de electricidad en España continúa siendo un segmento en evolución y su regulación también. Conforme avanza en el tiempo, aparecen nuevas normativas y modificaciones a las ya existentes para evitar malas prácticas (todavía presentes hoy, aunque en mitigación) y mejorar el funcionamiento del mercado y su libre competencia. Las barreras de entrada para aquellos que quieran introducirse en este mercado, o incluso permanecer en él, cada vez serán mayores. Es imprescindible disponer de sistemas y soluciones automatizadas que faciliten la operación, todos ellos “navegando” en un universo de datos creciente, cambiante y heterogéneo. Los valores escondidos dentro de ese universo son enormes siempre que seamos capaces de destilarlos.

Gracias al estado del arte en las tecnologías analíticas de predicción, el universo de datos puede aportar nuevos business insights y convertirlos en palancas accionables para el negocio de las comercializadoras en prácticamente todas las áreas de su organización. Desde Márketing y Comercial hasta Gestión de Energía, Facturación, Atención al Cliente, Finanzas y Legal, todos pueden beneficiarse de la analítica avanzada y, lo que es mejor, sin tener que asumir los enormes costes que hasta hace poco tiempo hacían difícil su adopción. Hoy ya es posible incorporar los valores de la aplicación de la analítica a este negocio como un servicio más, contratándolo en la nube bajo subscripción mensual, con coste escalable en función de su utilización y sin entrar en grandes proyectos de inversión (de capex a opex).

Aquellas comercializadoras que sean capaces de incorporar el valor de la analítica predictiva en sus procesos de negocio dispondrán de una ventaja competitiva enorme frente a aquellas que no lo hagan. Lo que hoy es una ventaja competitiva se convertirá en una necesidad para mantenerse en el mercado. Aquellas que no sean capaces de incorporarla, simplemente desaparecerán.

 

Jordi Gil, Octubre 2016