O poder da análise de dados na gestão de energia

Publicado por Bruno Santos Pimentel em ter, 05/09/2017 - 19:32
analise_de_dados

Os anos recentes têm mostrado uma forte expansão de tecnologias baseadas em análise de dados – ou Analytics, do inglês – para suportar processos de tomada de decisão. Seja em situações comuns do nosso dia a dia, como encontrar o melhor trajeto para chegar a um dado destino, ou em problemas mais complexos, típicos do ambiente industrial, como planejar lotes de produção, avaliar os riscos de um determinado projeto, ou determinar os fatores mais importantes no desempenho de uma operação, sistemas de suporte à decisão têm se tornado peças essenciais na busca por melhor desempenho.

A Teoria da Decisão sugere que boas decisões sejam informadas – utilizando dados e informações relevantes sobre o problema em mãos – e racionais – maximizando algum conjunto de critérios de desempenho. De fato, um processo formal de análise de decisões é tão mais importante quanto maiores forem os recursos envolvidos (ou a escassez destes), os riscos e a demanda por resultados efetivos.

Bons sistemas de suporte a decisão devem ser suportados por três elementos fundamentais: Dados, Modelos e Decisões. Dados constroem e alimentam modelos que por sua vez, sugerem decisões a serem avaliadas e combinadas com o julgamento e a experiência humana para, então, serem colocadas em prática.

Modelos são representações simplificadas da realidade, mecanismos que traduzem os principais elementos de interesse para a análise de um determinado problema. Bons modelos são simples, flexíveis e robustos à variabilidade dos dados que os alimentam.

No entanto, a qualidade das decisões recomendadas por um modelo está intrinsecamente ligada à qualidade dos dados utilizados. Daí a importância de se contar com tecnologias capazes de integrar, de forma robusta, e gerenciar, de maneira eficaz, dados de diferentes fontes, volumes e níveis de qualidade, além de prover ao gestor a possibilidade de realizar análises descritivas, preditivas e prescritivas.

Tais análises podem envolver técnicas já bem conhecidas, baseadas em estatística, matemática e probabilidade, ou mesmo técnicas mais avançadas, também suportadas por esses mesmos pilares, porém potencializadas pela rápida expansão da capacidade de processamento e comunicação dos dispositivos computacionais.

Um trabalho bastante interessante dos autores Thomas Davenport e Jeanne Harris – Competing on Analytics: The New Science of Winning – coloca essas técnicas em perspectiva. Vamos nos apoiar na organização proposta por eles para discutir o poder de cada um desses tipos de análise.

Vantagem competitiva

Análises descritivas, ou Descriptive Analytics, envolvem coletar, higienizar e apresentar dados sobre grandezas de interesse como, por exemplo, consumo e geração de energia, produção, níveis de emissões, dentre outras. O objetivo é apresentar os dados de forma coerente, por meio gráficos, relatórios, painéis de controle e análises hierárquicas, no nível de agregação temporal e/ou contextual adequado para a interpretação por analistas humanos.

A análise descritiva ajuda a responder questões como “o que aconteceu”, “com qual frequência”, “o que requer ação imediata”, dentre outras. Por proverem valor significativo e por serem de fácil consumo, ferramentas para análise descritiva têm sido cada vez mais adotadas pela indústria.

Por sua vez, análises preditivas, ou Predictive Analytics, são baseadas em modelos construídos a partir de fundamentos matemáticos e probabilísticos, demandando um volume considerável de dados sobre o sistema de interesse. Aqui se encaixam modelos da família do aprendizado de máquina, ou Machine Learning.

Algoritmos de regressão, classificação e agrupamento (clustering) conferem a esses modelos a capacidade de aprender com o comportamento passado de sistemas complexos, e possibilitar predizer seu comportamento futuro. Estimar níveis futuros de consumo de energia, determinar os principais fatores que influenciam a eficiência energética de uma operação, ou até mesmo identificar correlações de interesse entre variáveis de processo são alguns exemplos do grande poder analítico dessas técnicas.

Em outras palavras, a análise preditiva ajuda a responder questões como “quais são as principais causas do problema”, ou “quais resultados podemos esperar a partir de uma determinada configuração do sistema”. Talvez por demandarem um volume significativo de dados de boa qualidade, e por exigirem um maior grau de sofisticação, tanto em sua construção quanto em sua interpretação, a adoção de ferramentas para análise preditiva têm acontecido ritmo relativamente menor, mesmo apesar de seu grande potencial de criar valor.

Análises prescritivas, ou Prescriptive Analytics, buscam determinar, ou prescrever, as decisões que configuram o melhor desempenho possível de um determinado sistema. Tais análises requerem a construção de modelos matemáticos que representam o comportamento de um sistema por meio de variáveis de decisão, de restrições ou limites ao seu comportamento, e de uma função matemática que quantifique o seu desempenho.

A solução ótima de um modelo de análise prescritiva corresponde, assim, ao conjunto de valores para as variáveis de decisão que maximizem ou minimizem o desempenho do sistema. Modelos de otimização possibilitam determinar, por exemplo, a matriz energética que confere a maior eficiência (ou o menor custo) a uma determinada operação, ou o melhor regime de operação para usinas geradoras, ou ainda a contratação de classes tarifárias e níveis de demanda que garanta os menores custos operacionais em um dado horizonte de planejamento. Ferramentas de análise prescritiva ainda têm um bom caminho para percorrer quanto à sua adoção no mundo corporativo, talvez pelo seu alto grau de sofisticação e pelo grande nível de especificidade de sua aplicação, apesar do enorme potencial de criação de valor.

Fato é que organizações que investem consistentemente no desenvolvimento de estratégias e na adoção de ferramentas de análise de dados têm colhido resultados expressivos, garantindo altos níveis de competitividade.

Bom, o assunto é tão extenso quanto é interessante. Talvez a mensagem mais importante aqui seja o reconhecimento de que cada técnica de análise pode ser mais adequada a um determinado contexto ou problema. Identificar oportunidades para escolher a combinação mais apropriada das ferramentas acima exige uma boa dose de capacidade analítica humana, mas é essencial na busca de maior eficiência e desempenho.

Falaremos mais sobre cada abordagem, suas vantagens e desafios, nos próximos artigos.

A plataforma Viridis provê funcionalidades para coleta, higienização e visualização de dados sobre consumo e geração de energia, facilitando a análise de problemas complexos e a identificação de oportunidades. Capaz de processar grandes volumes de dados em tempo real, a plataforma Viridis conta com algoritmos capazes de construir modelos que combinam informações sobre consumo e geração de energia, contexto de produção e informações financeiras, provendo importantes insights para o gestor. As funcionalidades de planejamento da plataforma possibilitam identificar configurações operacionais ótimas para grandes consumidores de energia, possibilitando análises de cenários e de sensibilidade que garantem maior robustez ao processo de tomada de decisão.  Clique aqui e saiba mais sobre os produtos. 


Gerente de Produto, Viridis

Gerente de Produto da Viridis, com mais de 20 anos de liderança em programas de inovação e tecnologia em organizações industriais de grande porte. Doutor e mestre em Ciência da Computação pela UFMG, Bacharel em Engenharia Mecânica, Innovation & Sustainability Fellow at Sloan School of Management, MIT. Larga experiência na gestão de projetos e equipes de inovação aberta com indústria, academia e startups, aplicando tecnologias digitais e analytics a desafios em produtividade, estratégia e desenvolvimento sustentável.

Comentar