Utilisation des technologies "Data Analytics" pour combattre la fraude à l'énergie

Dimension: px

Commencer à balayer dès la page:

Download "Utilisation des technologies "Data Analytics" pour combattre la fraude à l'énergie"

Samuel Hébert
il y a 6 ans
Total affichages :

1 Séminaire Smart Grid Paris 20 Mai 2014 Utilisation des technologies "Data Analytics" pour combattre la fraude à l'énergie Frédéric Bauchot IBM Distinguished Engineer CTO, Global E&U Solutions Center, La Gaude, France

IBM est une entreprise centenaire, comptant plus de 430 000 employés dans plus de 170 pays crée en 1911 par Thomas J.

2 IBM est une entreprise centenaire, comptant plus de employés dans plus de 170 pays crée en 1911 par Thomas J. Watson IBM, une entreprise mondiale intégrée Plus de sites dans le monde Siège social à Armonk, New-York IBM Research France Lab chercheurs 9 Labs centres de recherche Numéro 1 en dépôts de brevets 6 milliards de dollars par an en R&D Des avancées mondiale : Watson, Aboy and his atom, 5 in 5 6 sites en France 500 développeurs 200 experts en support et service dans le logiciel 100 docteurs en mathématiques

3 Le monde devient de plus en plus connecté, équipé et intelligent C est un changement fondamental qui demande aux entreprises de s adapter. Eau Santé Banque Education Villes Energie Sécurité Commerce Cloud Computing Big Data & Analytics Social Business Mobilité

4 Le Smart et le Big Data vont révolutionner le monde de l énergie. IBM apporte des solutions innovantes Grid Operations Distributed Generation Integration New Renewable Integration Predictive Asset Maintenance Distribution Grid Monitoring Demand-side Response Mobile Workforce Optimization etc. Data Velocity Data Volumes Data Veracity Data Variety Generation Diverse Forecasting, e.g. Weather Prices Demand & Supply Distribution Load & Scheduling Intelligent Plant Lifecycle Management Unit Commitment & Fleet Optimization Predictive asset management Customer Operations Smart Metering & Beyond Fraud management Front Office Digitization (Customer Experience, Customer Analytics & Insight) Electric Vehicles (Usage Patterns, Charging Control, Billing etc.) Demand-side Response. 4 Le secteur de l énergie est en face d immenses opportunités de création de nouveaux services à fortes valeurs ajoutées à partir de données toujours plus nombreuses et diversifiées 2014 IBM Corporation

Le contexte est en train d évoluer Diminution des visites sur

inspection Contraintes réglementaires Instrumentation - Capteurs

- Temps réel Intelligence - Analyse de données complexes

5 Le contexte est en train d évoluer Diminution des visites sur site Evolution des techniques de fraude Augmentation des Coûts d inspection Contraintes réglementaires Instrumentation - Capteurs réseau - Compteurs Intelligents Interconnection - Multi-domaine - Temps réel Intelligence - Analyse de données complexes Changement de paradigme Inspecter pour détecter Détecter pour inspecter 5

Utilisation des données face à la fraude à l énergie Historical Data Latest Data Analyse mono-dimensionnelle: - Evènement sur compteur - Dénonciation - Niveau de consommation anormal vs contrat -

- Analyse d évolution temporelle de segment pour identifier des évolutions suspectes Regression Mining: -L analyse des historiques de fraudes connues permet d identifier les caractéristiques et

6 Utilisation des données face à la fraude à l énergie Historical Data Latest Data Analyse mono-dimensionnelle: - Evènement sur compteur - Dénonciation - Niveau de consommation anormal vs contrat - Caractéristiques techniques anormales ( power quality ) Analyse par segment et détection d anomalies: - Analyse comparative par seuil pour identifier des comportements anormaux vs un groupe de pairs - Analyse d évolution temporelle de segment pour identifier des évolutions suspectes Regression Mining: -L analyse des historiques de fraudes connues permet d identifier les caractéristiques et conditions de fraude les plus probables Bilan énergétique: - Bilan de charges sur des segments de réseau pour identifier et quantifier les pertes inconnues. - Point de départ pour identifier et prioritiser les candidats. 6 Plusieurs techniques s appuyant sur les données ont été déployées pour détecter des schémas de fraude spécifiques, mais avec un succès limité.

Enjeu des approches s appuyant sur les données Disponibilité des données: - Compteurs conventionnels et segments de réseau non instrumentés - Données historiques manquantes - Trop de

Recalibration Coût élevé des fausses alarmes: - Manque d information de comptage - Schéma de données mal diagnostiqué - Inspections terrain non justifiées 7 le rôle de l analytics est d

7 Enjeu des approches s appuyant sur les données Disponibilité des données: - Compteurs conventionnels et segments de réseau non instrumentés - Données historiques manquantes - Trop de données Qualité des données: - Hypothèses inadaptées - Précision insuffisante des scores - Données trop bruitées Optimize Prioritize Evolution: - Nouvelles fraudes - Contexte évolutif - Recalibration Coût élevé des fausses alarmes: - Manque d information de comptage - Schéma de données mal diagnostiqué - Inspections terrain non justifiées 7 le rôle de l analytics est d identifier rapidement et sûrement les cas de fraude les plus probables pour que les équipes d investigation puissent efficacement évaluer les candidats et agir avec un taux de succès élevé.

+ Facteur sur les données de comptage + =

sur l historique de facturation Il n y a

8 Il faut corréler plusieurs facteurs de risque Facteur sur les anomalies de charge + Facteur sur les données de comptage + = Facteur sur les pertes de ligne + Facteur sur l historique de facturation Il n y a aucun modèle analytique universel ( one size fits all ). Les meilleurs résultats sont obtenus par la convergence de plusieurs modèles. 8

Quantification des niveaux de confiance/incertitude Courbe de charge trimestrielle Score sur courbe de charge Step change in

signaler Courbe de charge très basse pour ce type d habitat : Rien d inquiétant pour l instant.

Il est temps de surveiller et de collecter des données Courbe de charge très basse pour ce type d habitat : Situation très

9 Quantification des niveaux de confiance/incertitude Courbe de charge trimestrielle Score sur courbe de charge Step change in average load SCORE: CONFIANCE: LOW HIGH HIGH HIGH HIGH LOW MEDIUM HIGH Courbe de charge typique pour ce type d habitat: Rien à signaler Courbe de charge très basse pour ce type d habitat : Rien d inquiétant pour l instant. Vacances peut-être Courbe de charge très basse pour ce type d habitat : Cela devient suspect. Il est temps de surveiller et de collecter des données Courbe de charge très basse pour ce type d habitat : Situation très suspecte qui justifie une investigation poussée Tout score d analyse individuel est associé à un niveau de confiance / incertitude. Il peut changer au cours du temps, suite à une évolution du contexte. 9

10 Le contexte est primordial Interprétation d une courbe de charge suspecte Contexte 1: Etude d efficacité énergétique effectuée chez l abonné Changement de tarification de l abonnement Mise en place d une PàC par un installateur agréé Probabilité de fraude = LOW Contexte 2: Nombreux retards de paiement Règlement à l ultime relance. Dénonciation anonyme Nombre important d anomalies de sous-tension du compteur intelligent Probabilité de fraude = HIGH Une évaluation manuelle du score analytique exige une interprétation fine des résultats d analyse. L apport d information de contexte et d historique facilite le processus de décision. 10

La lutte contre la fraude ne s arrête pas à la

Reporting Identification Détection Compteur

Modèles prédictifs Règles Patterns Decision

cachés Création de cas & Workflow Analyse de

11 La lutte contre la fraude ne s arrête pas à la détection Temps réel Investigation Recouvrement Reporting Identification Détection Compteur Concentrateur Echanges CPL et GPRS Données Modèles prédictifs Règles Patterns Decision Management Gestion des cas Analyse de liens cachés Création de cas & Workflow Analyse de contenu Optimisation des analyses Reporting opérationnel Tableaux de bord Feedback

Documents pareils

Le décisionnel plus que jamais au sommet de l agenda des DSI

Le décisionnel plus que jamais au sommet de l agenda des DSI 9 juin 2011 www.idc.com Cyril Meunier IDC France Research & Consulting Manager Copyright 2008 IDC. Reproduction is forbidden unless authorized.