Gorilla se fundó por una sencilla razón: las comercializadoras de energía no utilizaban sus datos al máximo y necesitaban ayuda. Desde entonces, ha habido muchos avances por parte de las comercializadoras que buscan ampliar sus carteras de datos, pero los problemas externos han magnificado los desafíos que enfrentan las empresas de servicios públicos. El impulso hacia el cero neto se ha acelerado a medida que las naciones buscan lidiar con la amenaza inminente del cambio climático. El progreso se ha visto perturbado por los shocks de los precios de la energía que hemos visto en los últimos años, con una volatilidad aún alta.

Este artículo sigue nuestra presencia en uno de los eventos energéticos más importantes de Europa occidental, E-World en Essen, Alemania. El mercado alemán ha sufrido una tensión particular, con iniciativas gubernamentales para recortar la energía nuclear coincidiendo con el corte del gas natural ruso tras la invasión de Ucrania. Al mismo tiempo, las comercializadoras de energía del país están tratando de ponerse al día con los mercados más avanzados del resto de Europa; incluso ahora, las comercializadoras están luchando por implementar medidores inteligentes a una escala lo suficientemente amplia.

Poner la implementación de la IA por encima de todos los demás desafíos que enfrentan los CIO de energía es mucho pedir. ¿Cómo ayudará la nueva ola de IA de aprendizaje automático a los CIO a resolver sus problemas de datos y abordar los problemas más amplios que se avecinan en la industria energética? ¿Hay espacio para que la IA desempeñe un papel importante en su estrategia de datos o en su estrategia tecnológica más amplia? ¿Qué recomiendan los expertos de Gorilla? Vamos a averiguar.

Los datos son su nueva función clave

El título de este artículo habla de "estrategia de datos", pero la creciente importancia de la gestión de datos significa que probablemente sea más exacto hablar de los datos como una nueva función empresarial, equivalente a TI, finanzas o marketing. Es muy posible que los futuros líderes empresariales vean los datos como un centro de costos, dirigido por un director de datos o vicepresidente, y considerado un activo estratégico clave. La mayoría de las empresas aún no han llegado a ese punto, ni todas las industrias tendrán el mismo enfoque hacia los datos, pero no se puede negar la creciente importancia de los datos.

¿El mayor problema al que se enfrenta esta posible función? Falta de experiencia. Las personas rara vez se especializan en datos, y aquellas que lo hacen, a menudo lo hacen desde una perspectiva puramente técnica. La gestión de datos siempre ha sido simplemente una subtarea para los CIO y otros líderes de TI, no un área que exija años de experiencia especializada. Tratar de gestionar un área que cambia rápidamente sin tener esa base de conocimientos supondrá una carga para muchos.

El crecimiento de los datos para las comercializadoras de energía no ha seguido el de otras industrias, donde Internet fue la mayor fuerza impulsora. Más bien, la liberalización y los avances tecnológicos han ido de la mano. Cuando la producción, distribución, transmisión y venta comercializadora de energía estaban bajo una sola entidad, las tareas que enfrentaban las empresas de servicios públicos eran menores, a pesar de las responsabilidades adicionales. A medida que cada parte se dividió, la complejidad aumentó y la cantidad de puntos de datos potenciales creció exponencialmente. Lo que era manejable con tecnologías heredadas incluso hace 10 años ahora está mucho más allá de las capacidades de las carteras de TI no desarrolladas. Las empresas se verán obligadas a realizar cambios, les guste o no.

La orquestación de tantas actividades consumiría muchos recursos para cualquier industria, pero la energía enfrenta el desafío único de tener que hacerlo en tiempo real, lo que impone una enorme presión a sus capacidades de procesamiento de datos. La automatización de las actividades cotidianas será esencial para obtener resultados, lo que requerirá un gran cambio en los enfoques que tradicionalmente han sido altamente manuales y dependientes de aportes humanos altamente calificados.

Esto coloca a los CIO de energía en una posición difícil. Incluso en los mercados energéticos menos maduros, los líderes serán muy conscientes de la importancia que tendrán los datos. Al mismo tiempo, pocos en el sector energético conocerán los mejores enfoques para gestionar datos o planificar a largo plazo, y no hay una gran oferta de contrataciones externas. En esta combinación surge el nuevo interés en la IA. ¿Podría la IA ser un salvavidas para las empresas que no saben cómo manejar sus datos? ¿O resultará ser una complicación más?

La oportunidad de la IA

Cada CIO tendrá sus propios proyectos que desea impulsar, pero la agitación descrita anteriormente brinda la oportunidad para que otras partes interesadas promuevan la IA como la nueva solución a todos los problemas de la empresa. Incluso aquellos CIO escépticos sobre los beneficios a corto o mediano plazo de la IA necesitarán tener argumentos sólidos para explicar por qué cualquier cambio importante en su cartera de tecnología no debería planear la incorporación de la IA.

Esto plantea la pregunta sobre el posible papel que la IA puede desempeñar para las comercializadoras de energía. Gran parte del revuelo reciente ha surgido de los algoritmos de aprendizaje automático, específicamente los modelos de lenguajes grandes (LLM, por sus siglas en inglés), como el GPT de OpenAI. Si bien estas IA prometen mejorar la productividad en muchas áreas, no está claro qué podrían hacer chatGPT, Bard o Midjourney por una utilidad.

En todo caso, la falta de claridad sobre lo que significa IA es una barrera. Hay muchas aplicaciones y funciones dentro de las aplicaciones que pueden denominarse IA, pero tendrán capacidades muy diferentes. La autocorrección en un teléfono móvil y ChatGPT pueden denominarse inteligencia artificial y ambos generan texto, pero es seguro decir que ninguna empresa se está preparando para el dramático impacto de la primera. Quizás sería mejor referirse al aprendizaje automático, o ML, como el área que interesará a las partes interesadas.

Los modelos de lenguaje presentan una oportunidad inmediata para mejorar la experiencia del usuario, como a través de chatbotsm - Aunque aquí también se necesita precaución, como lo demuestra esta historia. También existe la posibilidad de obtener ganancias generales de productividad, por ejemplo, con la redacción asistida por IA para ventas o la IA integrada en aplicaciones empresariales.

las comercializadoras de energía pueden utilizar modelos lingüísticos para atención al cliente o ventas, pero no tendrán éxito en implementarlos para el procesamiento de datos. Dicho esto, el aprendizaje automático se ha aplicado a datos y estadísticas con cierto éxito. De hecho, estos modelos existen desde hace mucho más tiempo que el reciente auge de los LLM; sus resultados simplemente no tienen el factor sorpresa que tiene un ChatGPT. Es probable que aquí las empresas de servicios públicos vean el mayor valor potencial de las inversiones en "IA". El análisis predictivo, el aprendizaje automático y otros métodos de inteligencia artificial se utilizan para identificar tendencias, grupos y otros patrones en los datos. Esto puede conducir a una toma de decisiones aumentada o automatizada. Otras áreas de conocimiento que se benefician de la IA incluyen modelos de optimización, forecasting, personalización o detección de fraude.

¿Podrían las comercializadoras entrenar sus propios modelos utilizando ML? Los datos de que disponen las empresas energéticas parecen presentar una oportunidad para aplicar técnicas de aprendizaje automático. Empresas como AWS y Azure pueden ofrecer servicios de aprendizaje automático para solucionar la falta de computación. Sin embargo, todavía existen algunas barreras importantes. La utilidad promedio no estará llena de expertos en Tensorflow ni de nadie capaz de construir los algoritmos. La cantidad de datos será una limitación y será necesario mucho trabajo de limpieza y análisis antes de que estén listos para su uso. Y eso suponiendo que la regulación gubernamental no se involucre y limite el uso de los datos de los clientes con fines de capacitación.

Cada enfoque para desbloquear el potencial de la IA tendrá sus ventajas y desventajas, como muestra la imagen de arriba. La mayoría de las comercializadoras se encuentran en el área de “compra”, y en este momento carecen del talento o el caso de uso para construir, pero las soluciones internas de aprendizaje automático podrían ser algo a considerar en el largo plazo. Si hay alguna lección que pueda aplicar ahora a su estrategia de datos, es que la preparación será esencial. Hacer las cosas bien hoy abrirá nuevas vías mañana, incluso si esto no satisface a las partes interesadas que buscan un cambio inmediato.

Estrategia de datos

Incluso si una herramienta de inteligencia artificial revolucionaria estuviera lista para las comercializadoras de energía en un futuro cercano, ¿eso debería cambiar su enfoque? Cuando se trata de estrategia de datos o TI, la tecnología no debería ser la fuerza impulsora. La tecnología debe adaptarse a sus metas y objetivos en lugar de intentar adaptar la empresa a la tecnología.

¿Cómo debería abordar su estrategia de datos empresariales si la IA no es la respuesta? Como se mencionó anteriormente, un enfoque es comenzar a avanzar hacia la IA, creando las capacidades necesarias para el aprendizaje automático, pero este enfoque no será para todos. Algunos estarán nerviosos por la regulación o simplemente no confiarán en entregar partes clave de su negocio a la IA. Otros recurrirán a proveedores externos en lugar de intentar hacerlo todo internamente.

La IA es solo una pequeña parte de una estrategia de datos mucho más amplia que debería habilitarse cuando pueda agregar beneficios. Sin embargo, si no se establece un ecosistema de datos más amplio, será complejo lograr verdaderos beneficios sostenibles a largo plazo, ya que el aprendizaje automático es difícil de poner en práctica a escala. Estos problemas se ven agravados por el problema de la confianza: los líderes empresariales simplemente no podrán confiar en los resultados de la IA a menos que tenga un historial consistente, pero puede ser difícil hacerlo sin confianza.

Dejando de lado la IA, ¿qué podemos recomendar? No habrá un enfoque único para todos, ya que cada empresa y mercado es demasiado diferente, pero hay suficientes puntos en común que podemos recomendar algunos pasos que todos deberían seguir.

A continuación se muestra un ejemplo de un ecosistema de datos simplificado para una comercializadora de energía, que presenta la plataforma de Gorilla. No todas las empresas necesitarán todos los aspectos de su estrategia de datos, pero es un buen punto de partida.

1. Invierta primero en datos

La lección más importante que se puede extraer de la ilustración anterior es examinar cómo se comparan sus capacidades de datos actuales y considerar qué inversión podría ser necesaria para alcanzar este nivel. Al hacer de los datos una prioridad para la inversión, puede utilizar los ecosistemas de datos para resolver los desafíos de los datos distribuidos mejorando su capacidad para llegar más allá de su área comercial principal e integrarse con fuentes de datos fuera de su dominio inmediato. Encuentre formas de hacer que los datos estén disponibles y sean utilizables más allá de su dominio de origen. Para lograrlo, céntrese en diferentes patrones de integración que se basan en la gobernanza de datos compartidos y metadatos.

2. Esté preparado para múltiples escenarios

La difusión de sensores y herramientas de monitoreo de datos tiene implicaciones que van más allá de la simple medición de los clientes o el equilibrio de carga. Ser capaz de predecir patrones climáticos o interrupciones en la distribución ahora es factible para las empresas de servicios públicos, lo que permite avanzar hacia un suministro adaptativo que reacciona a los eventos antes de que ocurran. Sin embargo, ni siquiera estos datos adicionales producirán pronósticos 100% precisos: para ser verdaderamente proactivos, las comercializadoras necesitarán generar escenarios para cada situación potencial. Con formas de trabajo más antiguas y manuales, esto nunca sería posible, pero las herramientas modernas pueden manejarlo, pero esto suponiendo que tenga un ecosistema viable como se ilustra. Los conectores de IoT y de mercados externos proporcionan los datos. Su nube de datos se encargará de la integración y el acceso, lo que proporciona un acceso flexible a los datos para que las herramientas de análisis de datos produzcan resultados valiosos.

3. Pon tus conocimientos en acción

Aproveche sus aplicaciones actuales o plataformas SAAS especializadas de primer nivel para aplicar sus conocimientos de forma automática y a gran escala en todas sus operaciones. Asegúrese de que su integración, gobernanza y metadatos le permitan utilizar todos los datos pertinentes y automatizar los conocimientos y modelos desarrollados por sus analistas. Es fundamental tener en cuenta que estas aplicaciones generarán metadatos adicionales, que pueden mejorar aún más su conocimiento y comprensión a largo plazo.

4. Invierta en datos en tiempo real disponibles para gestionar la orquestación de carga

Las fuentes intermitentes de energía y las limitaciones de las fuentes de energía han contribuido a la necesidad de una mayor resiliencia de la carga para garantizar un suministro constante a los clientes. Las plataformas de datos en tiempo real serán esenciales para ofrecer una orquestación de carga que pueda garantizar la seguridad de la carga de manera eficiente sin necesidad de esfuerzo manual. Para los proveedores residenciales, las empresas necesitarán la capacidad de escalar millones de dispositivos en tiempo real para ofrecer las capacidades prometidas. El suministro comercial e industrial no será de esa escala, pero aun así necesitarás invertir para obtener resultados en tiempo real. ¿Utilizará una plataforma de transmisión de datos como Apache Kafka o Pulsar? ¿Qué pasa con el almacenamiento? ¿Necesita un lago de datos o un almacén de datos? Los canales de ETL tradicionales no serán suficientes para un análisis y una toma de decisiones genuinas en tiempo real. 

Palabra Final

Este artículo ha sido un tanto desdeñoso con la inteligencia artificial, pero si algo hemos aprendido en los últimos años es que el ritmo de desarrollo puede sorprender incluso a los iniciados. Hemos utilizado términos como corto y mediano plazo, pero en realidad no podemos estar seguros de las capacidades de la IA ni siquiera en un cronograma de 6 meses, y mucho menos a lo largo de los años que podrían constituir el mediano plazo. Quizás la conclusión estratégica más importante sea estar preparado para un cambio dramático y ser capaz de cambiar de dirección rápidamente.

Incluso si los acontecimientos no son tan dramáticos, ya es hora de comenzar a prepararse para el impacto que la IA puede tener. Necesita poner en funcionamiento su ecosistema de datos antes de poder entregar cualquier valor a través de él. Necesitará datos buenos y limpios y gobernanza sobre esos datos para obtener resultados confiables que pueda utilizar, ya sea que sean procesados por IA u otras herramientas.

Al mismo tiempo, hay desafíos más mundanos que es necesario abordar. IoT y otros sensores están entregando un volumen mucho mayor de datos externos. La generación intermitente de energía y los cambios en el perfil de la demanda ejercerán una presión mucho mayor sobre la resiliencia de la carga. La ventaja que tienen los CIO es que en muchos casos las respuestas a estas preguntas, así como a la IA, requieren las mismas soluciones. La ingesta de datos moderna y la computación perimetral, la transmisión y el procesamiento en tiempo real, la nube de datos y otras tecnologías de datos contribuirán a la creación de un ecosistema de datos completo.

Gorilla es una de esas plataformas de datos que puede constituir un componente básico. La transformación de datos basada en la nube formará un componente clave entre sus soluciones de almacenamiento e ingesta. Gorilla proporciona una plataforma automatizada y de escalamiento automático que ofrece análisis y aplicaciones para áreas como precios, pronósticos y análisis de cartera. Solicite una demostración hoy para descubrir cómo Gorilla puede potenciar su estrategia de datos.