Geralmente o planejamento para a troca ou manutenção da rede é feito com base no histório de falhas, material e tempo de instalação, porém, este método não é eficaz, uma vez que não reduz significativamente novos incidentes e em algumas situações a rede substituída ainda teria alguns anos de vida útil.
Voda.ai é uma start-up americana que desenvolveu o software Davinci que utiliza Machine Learning para suas análises e que possibilita as concessionárias de forma inédita terem uma visão completa do Risco do Negócio. As distribuidoras passam a ter acesso a um software na nuvem que gera uma listagem com os segmentos de rede com maior probabilidade de falha nos próximos 12 meses, podendo este período ser até de 20 anos.
![]() | 1) Coleta de dados VODA.ai combina dados da empresa de serviços públicos sobre as tubulações (ex.: idade, material, dimensões e histórico de vazamentos/rupturas) com dados públicos (mudanças de temperatura, precipitação, umidade e tipo de solo, atividade sísmica, elevação, fluxo do tráfego, dados de satélite, etc.) e variáveis de interação exclusivos da VODA.ai. |
![]() | 2) Limpeza dos dados A equipe de cientistas de dados da VODA.ai analisa os dados de entrada e usa algoritmos e técnicas especializadas para encontrar erros, lidar com exceções, preencher valores ausentes e corrigir problemas com a estrutura dos dados |
![]() | 3) Atribuição de pontuação preditiva Detecção de padrões de vazamentos prévios com uso de aprendizado automático (machine learning) para a criação de um modelo preditivo. O modelo atribui uma probabilidade de vazamentos para cada segmento de tubulação. A precisão do modelo aumenta à medida que novos dados são inseridos e o sistema de IA descobre padrões de dados comuns em diversas empresas de serviços públicos. |
Para a área de operação:
Para a área de engenharia
Para a área de gerenciamento
Para localizar 100% das falhas, as empresas de serviços públicos precisariam inspecionar 100% de sua rede de distribuição, isto é muito caro e totalmente impraticável.
VODA.ai avalia virtualmente as condições de cada segmento de tubulação do sistema de abastecimento; não consege detectar 100% dos problemas, porém, pode prever até 50% das falhas catastróficas com um ano de antecedência. Além disso, é possível identificar as piores tubulações (top 1%, 5%, 10%, etc), e esta informação pode ser cruzada com as áreas de maior consequência, fornecendo um ranking dos segmentos de rede que trazem os maiores riscos ao negócio.
O McKinsey Global Institute relata que as organizações orientadas por dados têm 23 vezes mais probabilidade de adquirir clientes, 6 vezes mais probabilidade de retê-los e 19 vezes mais probabilidade de serem lucrativas em função disso.
Neste artigo, exploramos esta constatação em maiores detalhes.