Συνεχης ενημερωση

    Δευτέρα, 17-Ιαν-2022 00:03

    Ενσυναίσθηση, τεχνητή νοημοσύνη και φουσκωμένοι λογαριασμοί ενέργειας - Θεραπεία για καταναλωτές και παρόχους

    • Εκτύπωση
    • Αποστολή με email
    • Προσθήκη στη λίστα ανάγνωσης
    • Μεγαλύτερο μέγεθος κειμένου
    • Μικρότερο μέγεθος κειμένου

    Του Πάνου Μιχαλόπουλου

    Από την αρχή της κρίσης στις τιμές του ηλεκτρικού ρεύματος και φυσικού αερίου, οι καταναλωτές ζουν με το άγχος της άφιξης του μηνιαίου λογαριασμού και οι πάροχοι με την αγωνία της είσπραξης.

    Η κλασική αντιμετώπιση στη δυσκολία πληρωμής λογαριασμών, γενικά υποχρεώσεων, από τον πάροχο-πιστωτή είναι ο διακανονισμός, η ρύθμιση. Πως πετυχημένοι ήταν όμως οι διακανονισμοί; Στο χρονικό διάστημα Σεπτέμβριος – Δεκέμβριος 2021, σύμφωνα με δειγματοληπτική έρευνα της Wemetrix σε καταναλωτές (νοικοκυριά και μικρομεσαίες επιχειρήσεις), τα αποτελέσματα δεν είναι ενθαρρυντικά.

    Τρεις στους 4 καταναλωτές δήλωσαν ότι τελικά δεν ολοκλήρωσαν μέχρι τέλους την αποπληρωμή της ρύθμισής τους ανεξάρτητα από το ποσό οφειλής. Είναι εντυπωσιακό ότι ειδικά στις ρυθμίσεις με πολλές δόσεις η μη βιωσιμότητα ως ποσοστό είναι ακόμη μεγαλύτερη ενώ θα περίμενε κανείς το αντίθετο. Φυσικά, ο μεγαλύτερος αριθμός δόσεων αφορά (λανθασμένα ως πρακτική) τα μεγάλα ποσά. Δηλαδή, όσο μεγαλύτερο το ποσό, τόσο μεγαλύτερος ο αριθμός των δόσεων. Αποτυχία! Αυτό κινητοποιεί τον κακοπληρωτή και αδικεί εκείνον που πραγματικά έχει ανάγκη.

    Πουθενά, σε καμία αγορά, καμία οφειλή δεν αποπληρώθηκε με την πρακτική των οριζόντιων ρυθμίσεων, μια πρόταση, έστω και με κλίμακες, προς όλους. Αντίστοιχα καμία οφειλή δεν πληρώθηκε χωρίς να είναι βιώσιμοι και για τα δύο μέρη. Αυτό το ξέρουμε από τα ανείσπρακτα της εφορίας και τα κόκκινα δάνεια.

    Η τεχνητή νοημοσύνη (artificial intelligence) μέσω εξειδικευμένων αλγορίθμων δίνει την θεραπεία ώστε οι καταναλωτές να μπορούν να πληρώνουν τους λογαριασμούς τους και οι πάροχοι να μην χάνουν τις εισπράξεις τους.

    Στο παρακάτω διάγραμμα απεικονίζεται, ενδεικτικά, ο τρόπος με τον οποίο οι αλγόριθμοι τεχνητής νοημοσύνης και μηχανικής μάθησης μπορούν να επιλέξουν και διαχωρίσουν ανάμεσα σε εκατομμύρια πρωτογενών δεδομένων, "ομάδες" καταναλωτών οι οποίες δεν έχουν τον παραδοσιακό διαχωρισμό π.χ. χαμηλή – μέση – υψηλή τάση ή B2B/B2C αλλά κοινές συμπεριφορές και αποφάσεις βάσει του τρόπου και του κύκλου της "ζωής" τους.

    πιν


     
    Οι αλγόριθμοι καταγράφουν τη συμπεριφορά κατανάλωσης και πληρωμών μέσα από τα συστήματα του παρόχου, ενσωματώνουν τα χαρακτηριστικά του προφίλ του όπως τα δηλώνει ο ίδιος ο καταναλωτής και συγκρίνουν συγκεντρωτικά χαρακτηριστικά δεδομένων από 20.000 μικροπεριοχές στην ελληνική επικράτεια ώστε να κατηγοριοποιήσουν τον καταναλωτή στο σωστό προφίλ. Είναι χαρακτηριστικό ότι στην Ελλάδα σήμερα επικρατούν 74 προφίλ-προσωπικότητες, οι οποίες συμπεριφέρονται έναντι της κατανάλωσης και της πληρωμής του ρεύματος και του φυσικού αερίου με τον ίδιο τρόπο, με πολύ μικρές αποκλίσεις.

    Συμπεριφέρονται όλοι οι καταναλωτές της χαμηλής τάσης με ληξιπρόθεσμη οφειλή π.χ. 300 ευρώ το ίδιο; Φανταστείτε, έναν καταναλωτή ο οποίος μόλις χώρισε και πρέπει να πληρώνει διατροφή με ληξιπρόθεσμη οφειλή 300 ευρώ και έναν καταναλωτή με την ίδια οφειλή ανύπαντρο με πρόσφατη αύξηση στον μισθό του.

    Είναι φυσιολογικό να αναρωτηθεί κάποιος πώς είναι δυνατόν και αν επιτρέπεται να συγκεντρώνει ένας πάροχος αυτά τα στοιχεία από χιλιάδες πελάτες. Η τεχνολογία μπορεί να δώσει τη λύση. Αρχικά να πούμε για το αν επιτρέπεται, ειδικά με την εφαρμογή του GDPR (κανονισμός περί προσωπικών δεδομένων). Οι πλατφόρμες τεχνητής νοημοσύνης έχουν την επιλογή διαδραστικότητας ώστε ο καταναλωτής να δίνει με τη συναίνεσή του κάποια βασικά στοιχεία του προφίλ του χωρίς να αποθηκεύονται δια βίου. Φανταστείτε, το γκισέ ή το γραφείο σε ένα κατάστημα μιας τράπεζας όπου πηγαίνει ο δανειολήπτης για να ζητήσει ρύθμιση του δανείου του. Ε, φανταστείτε το ψηφιακά και την επεξεργασία των δεδομένων αντικειμενικά και γρήγορα ώστε να λαμβάνει την εξατομικευμένη ρύθμιση του. Οι αλγόριθμοι τεχνητής νοημοσύνης με συνεχόμενες και επαναλαμβανόμενες μετρήσεις καταλήγουν σε αποτελέσματα μεγάλης ακρίβειας τόσο στην έγκυρη καταγραφή της ανάγκης του καταναλωτή για ρύθμιση όσο και στο ποια πρέπει να είναι η ρύθμιση βάσει του δικού του προφίλ.

    Το ακόλουθο διάγραμμα περιγράφει σε υψηλό επίπεδο τις επαναλαμβανόμενες λειτουργίες τις οποίες διενεργούν οι αλγόριθμοι τεχνητής νοημοσύνης αναπροσαρμόζοντας τόσες τις παραμέτρους όσο και τις μεταβλητές τους, διαφοροποιούμενοι από την κλασική στατιστική και οικονομετρική διαχείριση δεδομένων.

    πιν

    πιν

     

    Η προβλεπτική ικανότητα τους, με τα μέχρι σήμερα δεδομένα, ανέρχεται σε 88% για χρονικό διάστημα 3 μηνών πριν την αδυναμία πληρωμής του επαυξημένου λογαριασμού ρεύματος.

    πιν


    Η χρήση αυτών των εφαρμογών από τους παρόχους ενέργειας τους διασφαλίζει το μείζον, το οποίο είναι η συνεχής επικοινωνία με τον πελάτη τους ώστε να μην δημιουργηθεί η εχθρότητα η οποία υπήρξε στον τραπεζικό κλάδο. Επιπρόσθετα ισχυροποιείται η συνεχής ροή χρήματος αφού οι καταναλωτές θέλουν να πληρώσουν, όπως έδειξαν τα αποτελέσματα της έρευνας της WEMETRIX αλλά σύμφωνα με τις δυνατότητες του προφίλ τους. Μάλιστα, οι εφαρμογές αυτές αποκαλούνται πλέον ως CVM (Customer Value Management) αφού η όλη επικοινωνία παρόχου-πελάτη ανάγεται πλέον στην "ενσυναίσθηση" η οποία καταλήγει στην εξακρίβωση της Αξίας του Πελάτη μέσα από τις αγορές και τις πληρωμές του. Πάρα πολλές φορές οι CVM λύσεις από την επίλυση των διακανονισμών έχουν οδηγήσει σε σημαντικές μειώσεις κόστους για τους παρόχους αφού δεν χρειάζονται να εμπλέκονται εισπρακτικές εταιρείες και δικηγορικά γραφεία ενώ έχουν αυξήσει και τις σταυροειδείς (X-Sell) πωλήσεις άλλων υπηρεσιών και προϊόντων (πράσινες συσκευές) σε καταναλωτές που έχουν ανάγκη να μειώσουν το κόστος της ενέργειας την οποία καταναλώνουν. 

    * Ο κ. Πάνος Μιχαλόπουλος είναι Partner στην εταιρεία WEMETRIX Α.Ε., μέλος του ομίλου Net company-Intrasoft

    ΣΑΣ ΑΡΕΣΕ ΤΟ ΑΡΘΡΟ;

    ΣΧΕΤΙΚΑ ΑΡΘΡΑ