Economia Del Comportamiento y Ciencia de Datos

Curso “Economía del Comportamiento y sus
Aplicaciones en el Sector Energético”

Economía del Comportamiento y ciencia de datos
29 de julio de 2022
Paula Baliña Vieites

Marta Torrens Tomey
Contents
1. La Ciencia de datos y sus implicaciones en el sector energético 3

2. Descanso y ronda de preguntas 17
3. Casos de estudio: Economía del Comportamiento y ciencia de datos en Frontier Economics 19
4. Caso de estudio 1: Agent Based Modelling 21
5. Caso de estudio 2: análisis de segmentos o clústeres de comportamientos de ahorro 33
6. Ronda de preguntas 40
7. Bibliografía 42
frontier economics 2
7. Bibliografía 42
Introducción: sinergias entre la Ciencia de datos y la Economía del
Comportamiento
Describe los patrones observados en

los datos comportamentales y sus
relaciones
Ciencia de datos Economía del Comportamiento

¿QUÉ? ¿POR QUÉ?
Genera las hipótesis a testear, y ayuda

a explicar los cambios observados en
el comportamiento de los agentes
económicos
En el sector energético están pasando muchas cosas…
Predictive
maintenance Smart homes Digital twins
Smart meters Distributed ledger
Data science
Big data
Smart grids Social media
Smart thermostats Prosumers
Blockchain Geographic information
Machine learning systems
Disintermediation Dynamic DSR Digitalisation
…pero qué significa todo esto?

Vamos a empezar por desmitificar algunos términos
 Las capacidades necesarias para:

 obtener datos, crear conjuntos de datos, administrar flujos de datos;
Ciencia de datos
 hacer las preguntas correctas y utilizar las técnicas más apropiadas y eficientes para
proporcionar y presentar información nueva y valiosa.
Machine learning/  Algoritmos para hacer predicciones o decisiones a partir de un conjunto de datos sin
aprendizaje requerir instrucciones explícitas.
automático  La regresión lineal y Deep Learning son técnicas de machine learning
Blockchain /  Una "base de datos distribuida", que permite almacenar información (como datos
comerciales) sin tener que confiar en un servidor central. Aunque algunas
sistemas implementaciones de blockchain en el sector de la energía eliminan el modelo distribuido
distribuidos y requieren algún organismo central de confianza.
 Un término para los datos que son demasiado grandes, no estructurados o de rápido
movimiento para los sistemas tradicionales como las bases de datos relacionales.
Big data
 Los departamentos de marketing abusan de ellos para referirse simplemente a conjuntos
de datos grandes
En los últimos años hemos visto el aumento en la oferta de datos en el
sector energético gracias a la digitalización…
Smart Información Automatización

meters Nueva abierta
Nuevos infraestructur Nuevas
dispositivos Smart grids a para Machine aplicaciones Visualización
para obtener recoger y learning del análisis
datos procesar los de datos
datos
Hogares Blockchain
inteligentes
…y también en la demanda
 Decarbonización – El uso de generación

más inflexible (por ejemplo, eólica) requiere
un mejor control del sistema para reducir los
costos y las emisiones de carbono
 Descentralización – Mayor generación en

la red de distribución significa que los
métodos de control de “top-down” son
menos apropiados.
 (Des)regulación – Existe la opinión de que

los mercados existentes no funcionan:
¿pueden los datos ayudar a brindar
soluciones a problemas como clientes
"pegajosos" y resultados "injustos"?
Los datos se generan a lo largo de la cadena de valor
Operador del Generación/ Transmisión Distribución Consumo Venta minorista Otras fuentes
sistema Producción
Atributos del Atributos del Atributos del Detalles Precios de Datos

Fuentes convencionales
bien (edad) bien (edad) bien (edad) personales (e.g. tarifas meteorológicos
Equilibrio de Datos de flujo de Planes de dirección) Datos de (e.g. viento /
oferta y potencia (voltaje, inversión Lecturas referencia del temperatura)
demandas frecuencia, etc) infrecuentes del medidor
Oferta y Planes de medidor
demanda en la inversión
venta al por
mayor
Datos de
producción
Datos de flujo de Termostato
potencia (voltaje, inteligente
Nuevas fuentes
frecuencia, etc) Lecturas de

Algunos de estos datos existen contador cada
actualmente pero de forma media hora
fragmentado. Iniciativas de
Electrodoméstic
Open Data pueden hacer estos
os inteligentes
datos disponibles para su uso
en otros casos Publicaciones
en redes
sociales
El análisis de datos puede tomar tres formas
Análisis prescriptivo
 Usando estas predicciones para recomendar acciones que llevar a cabo
 Estos generalmente son problemas de optimización
 Pueden crearse sistemas automáticos que funcionen sin la intervención
Análisis predictivo
 Usando estos datos para predecir lo que pueda llegar a pasar en el future (¿qué?)
 Puede incluir el establecimiento de vínculos causales (¿por qué?)
Análisis descriptivo
 Describiendo el pasado o el presente
Los datos del sector energético se está usando cada vez más para todo
tipo de análisis
Operador del Generación/ Transmisión Distribución Consumo Venta Otras fuentes
sistema Producción minorista
Equilibrar el Mantenimiento Mantenimiento Mantenimiento Sugerencias de Tarifas Colocación

sistema de la predictivo predictivo predictivo eficiencia dinámicas para optimizada de
manera menos (reemplazo de Conmutación energética gestionar picos aerogeneradores
Prescriptivo
costosa activos en automática para basadas en datos de carga

función de los reducir las de medidores Conmutación
datos, no solo de interrupciones inteligentes de automática
la antigüedad) Control directo casas inteligente ("voltear")
de carga automatizadas
Contratación de
flexibilidad
Identificar a los ¿Cómo se
clientes con pueden
mayor solucionar las
probabilidad de interrupciones
Predictivo
abandonar/robar para mejorar la

energía satisfacción
(medida en las
redes sociales)?
Predicción de la
producción de
viento
Detección de Identificación de
Descriptivo
cortes electrodomésticos
de bajo
rendimiento
Ejemplo: Google DeepMind ha estado trabajando para mejorar la
previsibilidad del viento
Fuentes de datos Análisis Resultado
 Predicciones mejoradas de
generación eólica con 36 horas
Predicciones
de antelación
meteorológicas
Predictivo (redes  Se utiliza para hacer
neuronales) compromisos para la entrega
Generación histórica de energía
https://deepmind.com/blog/machine-learning-can-boost-value-wind-energy/
Las iniciativas actuales en UK tienen como objetivo liberar más datos
para este tipo de usos
En respuesta, Ofgem
Principales está haciendo que sus
recomendaciones: datos sean más
estandarizados
 Rellenar un montón de
Datos del
lagunas de datos
Sistema
energético  Presunción de que los
datos estarán abiertos
 Hacer que los datos sean
más visibles
Formas estándar de
compartir y acceder a los
datos del consumidor
Uso de datos de
medidores inteligentes en
Datos de el interés público (PIAG)
consumidor
es
Identificación mejorada
de clientes vulnerables
(utilizando datos
inteligentes)
frontier economics DRAFT 13

Consultorías como Frontier podrían llevar a cabo parte de este análisis
de datos por sí mismas…
Trabajo que requiere analizar los propios datos. Por ejemplo:
 ¿Cuál es la aceptación comercial probable de los medidores inteligentes, según los datos
Análisis de datos a nivel de cliente?
 ¿Cómo podrían ser los precios de la energía en el futuro, según los datos de oferta y
demanda?
Extraer información del análisis que ya se ha llevado a cabo. Por ejemplo:

Ideas y  Usar las predicciones de avería de activos de un operador de red de distribución para
perspectivas ayudar a comparar su eficiencia.
derivadas de los  Usar las predicciones de los proveedores sobre la probabilidad de incumplimiento de los
datos clientes para ver si ciertos grupos de clientes tienen costos de provisión de servicio.
Asesoramiento sobre cuestiones derivadas de la existencia de los datos y análisis - por

ejemplo:
Asuntos  ¿Cuál será el impacto de los datos y el análisis en la estructura y las propuestas de la
regulatorios y industria?
estratégicos  ¿Qué impacto tendrá la digitalización de otros sectores en el sector energético?
…o participar en proyectos sobre las implicaciones de los datos

Frontier Economics ha trabajado en varios proyectos con un enfoque de
ciencia de datos (1/2)
Análisis de datos
Sector minorista Estadísticas  ¿Cuál es el efecto de DSR en el consumo?
Datos de
consumo de descriptivas y  ¿Qué áreas del país tienen la elegibilidad más
contadores simples test de alta para medidores inteligentes?
inteligentes hipótesis  ¿Qué efecto tiene la publicidad?
Sector mayorista Predicciones

Datos a nivel de
cliente sobre (i.e. modelos  ¿Cuántos clientes adoptarán contadores
atributos y logit inteligentes en el futuro?
comunicaciones anidados)
Ideas y perspectivas derivadas de los datos
 Extraer información del análisis que ya se ha llevado a cabo. Por ejemplo:

 Usar las predicciones de falla de activos de un DNO (operador de la red de distribución) para ayudar a comparar su
eficiencia.
 Usar las predicciones de un proveedor sobre la probabilidad de incumplimiento del cliente para ver si proveer a ciertos
grupos es más costoso.
Frontier Economics ha trabajado en varios proyectos con un enfoque de
ciencia de datos (2/2)
Asuntos regulatorios y estratégicos
 Demostrando la importancia de la existencia de un mercado central para DSR

Gran parte de nuestro trabajo  Desarrollando un mecanismo para coordinar medidas de flexibilidad en la red de
estratégico ha consistido en distribución
diseñar y evaluar nuevos
 Desarrollando un ensayo de acuerdos comerciales para reducir el coste de los
mercados o modelos
servicios de flexibilidad
comerciales, en particular para
la flexibilidad eléctrica.  Desarrollando modelos comerciales para superar las barreras de adopción de
tecnología incluyendo sistemas de gestión de energía para el hogar
También llevamos a cabo  Desarrollo de un marco que permitirá evaluar las oportunidades de inversión en redes
análisis de costes-beneficios inteligentes
para inversiones en redes  Desarrollo de un marco para una herramienta de toma de decisiones que ayude a
inteligentes y una plataforma de evaluar los recursos flexibles como alternativa o refuerzo de la red
datos de medidores  Análisis de coste-beneficio de una plataforma de datos para datos de consumo en
inteligentes. tiempo real
Y asesoramiento en temas  Asesoramiento sobre cómo tratar diferentes categorías de costos para tecnologías de
regulatorios en torno a nuevos redes inteligentes, bajo regulación de incentivos
tipos de activos (medidores  Asesoramiento en el tratamiento regulatorio de los contadores inteligentes
inteligentes, redes inteligentes y
redes de comunicación)
7. Bibliografía 42
Tómense 10 min de confort o pausa para café y preguntas
7. Bibliografía 42
Casos de estudio
A continuación veremos dos casos de estudio:
Análisis de
segmentos
Modelo basado en
(clústeres) de
agentes (ABM)
comportamientos
de ahorro
SECTOR SECTOR
ENERGÉTICO FINANCIERO
7. Bibliografía 42
El Reino Unido deberá descarbonizar la calefacción de los edificios
para cumplir sus objetivos climáticos (Net Zero en 2050)
Alrededor del 13% de las
emisiones del Reino Unido
provienen de edificios
domésticos, en su mayoría
calentados por calderas de gas.
Esto requerirá que los consumidores pasen de las calderas de gas a las
nuevas tecnologías.
Bomba de calor
Calefacción urbana
baja en CO2
Caldera de gas
Calderas de
hidrógeno
Se han construido muchos modelos de esta transición….
Modelos basados en
problemas de optimización
con restricciones: encontrar
la combinación de
tecnologías de menor costo
sujeta a satisfacer la
demanda y otras
restricciones...
… Pero, teniendo en cuenta

que los consumidores no
son agentes racionales y
que no tienen información
perfecta a su alcance para
minimizar los costes,
¿veremos este resultado en
el mercado realmente?
…los modelos tradicionales se han centrado en la vía óptima, que no es

necesariamente la vía probable
Los modelos económicos estándar no siempre son buenos para simular
la vida real
Modelos económicos estándar Vida real
Suelen suponer consumidores homogéneos (o Los consumidores son heterogéneos en cuanto a

incluso un único agente representativo) sus propiedades y objetivos.
Toman supuestos simplificados sobre cómo se La economía del comportamiento nos muestra que
comportan estos consumidores (por ejemplo, los consumidores toman decisiones de formas
maximizando las funciones de utilidad básicas) complejas que no siempre parecen coherentes
internamente.
Usan con frecuencia aproximaciones lineales Es no-lineal
para que las matemáticas sean fáciles de resolver.
Generalmente buscan el equilibrio Puede que no se encuentre en el equilibrio
La mayoría pasan por alto estos fundamentos Incluso las reglas simples pueden dar lugar a
micro-económicos y empiezan asumiendo un macro-comportamientos emergentes complejos
comportamiento agregado (i.e. “el mercado (posiblemente caóticos) que no guardan un
distribuirá los bienes de forma eficiente”) parecido evidente con las micro-reglas.
Los modelos basados en agentes simulan las interacciones a nivel
micro que nos permiten observar lo que surge a nivel macro
 Los agentes son objetos/individuos que tienen propiedades

(cosas que son) y reglas/objetivos (cosas que hacen)
 Los agentes habitan un entorno e interactúan con él (las

propiedades del entorno pueden afectar el comportamiento
de los agentes)
 Los agentes interactúan entre sí.
 El comportamiento de los agentes puede verse afectado por

sus interacciones pasadas, es decir, pueden aprender
Estos modelos pueden ser poderosos para generar ideas inesperadas...
El modelo de segregación de
Schelling: un ejemplo famoso
que muestra cómo los agentes
con una leve preferencia por
estar cerca de algunos agentes
del mismo tipo se mueven hacia
un patrón segregado.
… Pero a veces puede parecer una “caja negra” y puede tener una gran
cantidad de parámetros que necesitan calibración
El mercado de la calefacción es extremadamente complejo con muchos
agentes independientes…
Esta es una
simplificación
Operador red de Operador de la red Operador de la red sustancial!
District heat
calefacción del de distribución
Gas DNOs de de distribución
Electricity de
DNOs
network operators
distrito gas electricidad
Definen tarifas
Set tariffs for para
Provide network
Proporcionan access
acceso fora
a la red
Occupiers
Ocupantes
Influencian /
restringen la Influenciantechnology
Influence la elección de la tecnología
choice of
elección de la Influencian restrict
/ restringen la elección de la tecnología de
Influence Influence/
tecnología de
Comercializadoras
Energy service technology technology
Propietarios
Owners Government
Gobierno
de energía
companies choice of choice of
Required to
Necesarios install
para systems de
la instalación forsistemas a
Influencian la elección
Influence choice of de
Installers
Instaladores
Provide stock to a
Dan equipamiento
Provide training
Dan formación a to
Equipment
Fabricantes
manufacturers
Nos hemos centrado en las decisiones tomadas por los propietarios y/o
ocupantes, donde el costo es solo una de muchas consideraciones
¿Qué tan rentable es en

comparación con lo que uso
actualmente?
Operador de la red
de Gas
distribución
DNOs de
gas
¿La instalación supone una
Set tariffs
Definen for para
tarifas molestia?
Influencian /
¿Es una tecnología “verde” (y le
Propietarios /
Owner - occupiers restringen la doy un valor a eso?)
ocupantes elección de la
Influence/ restrict
tecnología de Gobierno
Government
technology
choice of (exógeno)
(exogenous)
¿Me lo ha recomendado
alguien?
Estos efectos de red pueden

generar no linealidades
interesantes. Por ejemplo, que
la adopción sea baja a no ser
que se alcance un
determinado umbral
Una vision general del modelo
Decisiones que se toman cada vez que la tecnología de calefacción de un propietario

se queda obsoleta y necesita reemplazo entre 2020 y 2050
Input Interacciones de los agentes Resultado
Inputs de los Inputs de los Inputs de los

instaladores propietarios propietarios
Outputs
Property
Inputs deowner
los agregados
propietarios
inputs Elección
Owner del
1 Elección
Owner 2del
propietario
decision 1 propietario
decision 2 E.g. ratio de
Aggregate
Technology
Inputs de la penetración por
outputs
tecnología
inputs año
e.g. overall
Government
Inputs de la política Owner del
Elección 3 Owner …
Elección del take-up by year
gubernamental
policy inputs propietario
decision 3
propietario decision 4
Network
Inputs sobre cost
costes Gas Tarifas de
distribution
de la red distribución de la red
inputs networkde gastariffs
Las elecciones del agente están motivadas por cuatro factores de forma
simple: coste, social, molestia y verde
Los consumidores basan su decisión de qué sistema de calefacción instalar en función del atractivo
relativo de una elección determinada
La probabilidad de que a un individuo de tipo i le 𝐴,

atraiga una tecnología t, de entre todas las demás
𝑃 𝑖, 𝑡 =
∑ 𝐴,
tecnologías en su conjunto de opciones, viene dada
por:
El atractivo de la tecnología, Ai,t, viene dado por: 𝐴, = 𝑒 ,
Cada agente tiene una función linear de 𝑈 =𝑓 𝑖, 𝑡 𝑤 +𝑓 𝑖, 𝑡 𝑤 +𝑓 𝑖, 𝑡 𝑤

utilidad sencilla: +𝑓 𝑖, 𝑡 𝑤
 Parámetro de heterogeneidad: representa la calidad de la información que tienen los agentes y el nivel de heterogeneidad en su
toma de decisiones;
 factores de costo: el ahorro de costos relativo de una tecnología determinada;
 factores sociales: el porcentaje de penetración de la tecnología en un radio respecto de la localización del agente;
 factores de molestia: la molestia de una tecnología dada (que también se puede utilizar para modelar otros costos y beneficios no
monetarios ponderados por igual para todos los agentes); y
 factores verdes: el beneficio no monetario asociado con la elección de una tecnología "verde".
Se usaron varios softwares para la modelación
1
Limpieza de datos de dominio público en R
Limpieza de datos  R permite analizar y limpiar datos de forma rápida
2
El modelo se construyó usando Python (paquete Mesa ABM)
Construcción del  Otra alternativa es “Net Logo”
modelo  NetLogo está completamente diseñado para modelos basados en
agentes y tiene una buena interfaz. Mesa usa la sintaxis de
Python. Python = flexible, NetLogo = rígido.
3
Visualizaciones en R usando el paquete “ggplot2”
Visualización de  Altamente extendido para crear gráficos y visualización de datos
datos
4
Modelo proporcionado al cliente en Excel para que pudiera
correrlo e introducir sus propios parámetros de forma simple
Interfaz para el
usuario  Permite al cliente usar el modelo de forma simple
7. Bibliografía 42
Análisis de segmentos o clústeres de comportamientos de ahorro
 Proyecto realizado para un cliente del sector financiero en el que proporcionamos

Contexto información sobre los riesgos asociados a la migración de fondos (ahorros en
depósitos vista) ante un posible aumento de tipos de interés
 Las predicciones de los modelos tradicionales de propensión en base a

regresiones no estaban funcionando bien tras varios años de tipos de interés muy
Problemática bajos
 Los resultados de los mismos no eran útiles para informar la toma de
decisiones relativas a la gestión de la liquidez o de la cuenta de resultados
 Ofrecer modelos de predicción alternativos para analizar la propensión de los

Objetivo individuos de migrar sus fondos en base a la Economía del Comportamiento
 Mejorar la información para la toma de decisiones y gestión de riesgos
Para analizar el riesgo de migración, se siguió un proceso de tres pasos
Análisis de una muestra representativa de la cartera de clientes
2
Análisis de la
propensión a
1 administrar los
ahorros (de
Estimación de la
segmentos o
capacidad de ahorro
clústeres)
(de segmentos o
Análisis de la
clústeres)
unidad de toma
de decisiones
El objetivo final consistió en proporcionar una

clasificación de los fondos (agregados) según su
riesgo de migración
* Datos ilustrativos, distintos a los resultados del análisis
1. Para cada cliente, analizamos su capacidad de ahorro
Clasificación de fondos en base a tres tipos de fondos (hipótesis):
 Transaccionales: saldo inestable, para gastos frecuentes como la hipoteca, el alquiler, las facturas, la compra, etc.
 Colchón financiero: saldo estable, insensible a cambios de interés. Para cubrir imprevistos.
 Exceso de saldo / ahorros: saldo estable, sensible a cambios de interés. Ahorros acumulados en la cuenta susceptibles de migrar ante una
subida de tipos.
Saldo máximo Objetivo, diferenciar entre:
Inestable Diferencia entre saldo existente (en un

momento dado del mes) y el saldo mínimo
del mes
“SUPER-OPTIMIZADORES”
Saldo al final
del mes Para aproximar el “colchón
Saldo en exceso, por encima de lo financiero”, se analizaron las
Estable - Sensible identificado como “colchón” características de aquellos que
son más activos en manejar sus
fondos, llamados “super-
optimizadores”
Cochón financiero: aproximación del saldo

Estable - Insensible
remanente para cubrir imprevistos
Identificamos a los segmentos (clústers) dentro de la sub-
muestra de los superoptimizadores
Colchón financiero
Evaluamos cómo las características de los
clientes afectaba a la cantidad para el “colchón
Edad <
financiero” usando a los super-optimizadores
60?
Sí No
Edad <
Age < 80?
50?
Sí No Sí No
Particular? Particular?
No Sí No Sí
Segmento A B C D E F
Colchón, en meses 1 3 2 5 4 1,5
* Datos ilustrativos, distintos a los resultados del análisis
Se analizó la propensión a administrar los fondos
mediante dos métricas
Propensión a administrar los fondos: interés en
Capacidad de ahorro: capacidad para tener exceso de
disponer de los fondos y migrarlos a productos de ahorro
ahorros.
distintos a los depósitos vista
Propensión a
administrar los
ahorros
Con capacidad y voluntad de

Sin capacidad de ahorro pero administrar fondos de forma
con voluntad de administrarlos activa
Soñador Optimizador
Capacidad de
ahorro
Con capacidad de ahorro pero

Sin capacidad de ahorro y sin
sin voluntad de administrar los
voluntad de administrarlos
fondos
Malabarista Ahorrador pasivo
7. Bibliografía 42
¿Preguntas?
7. Bibliografía 42
Bibliografía
Casos prácticos:
Agent based modelling of a heat market. A report prepared for the National Infrastructure Commission. Disponible en:
https://nic.org.uk/app/uploads/frontier-nic-agent-based-heat-model-stc-100521-v10.pdf
Net Zero begins at home: modelling low-carbon heating uptake. Frontier Economics. Blog post. Disponible en: https://www.frontier-
economics.com/uk/en/news-and-articles/news/news-article-i8910-net-zero-begins-at-home-modelling-low-carbon-heating-uptake/
Smart impact assessments. Frontier Economics. Blog post. Disponible en: https://www.frontier-economics.com/uk/en/news-and-
articles/articles/article-i7510-smarter-impact-assessments/
The Behavioural Economics Guide. Partnership Between Data Science and Behavioural Economics. Frontier Economics & Stephen Heal,
Paula Papp, Priyanka Roychoudhury. Páginas 27-37. Disponible en: https://www.behavioraleconomics.com/be-guide/the-behavioral-
economics-guide-2022/
Libros de referencia sobre Ciencia de Datos:
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An introduction to statistical learning. New York: springer. Disponible en:
https://www.statlearning.com/
Géron, A. (2019). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: Concepts, tools, and techniques to build intelligent
systems. " O'Reilly Media, Inc.".
Frontier Economics Ltd is a member of the Frontier Economics network, which consists of two separate companies based in Europe (Frontier
Economics Ltd) and Australia (Frontier Economics Pty Ltd). Both companies are independently owned, and legal commitments entered into by
one company do not impose any obligations on the other company in the network. All views expressed in this document are the views of Frontier
Economics Ltd.

Economia Del Comportamiento y Ciencia de Datos

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Economia Del Comportamiento y Ciencia de Datos

Cargado por

Copyright:

Formatos disponibles

Curso “Economía del Comportamiento y sus

Aplicaciones en el Sector Energético”

Paula Baliña Vieites

1. La Ciencia de datos y sus implicaciones en el sector energético 3

Describe los patrones observados en

Ciencia de datos Economía del Comportamiento

Genera las hipótesis a testear, y ayuda

Disintermediation Dynamic DSR Digitalisation

…pero qué significa todo esto?

 Las capacidades necesarias para:

Smart Información Automatización

 Decarbonización – El uso de generación

 Descentralización – Mayor generación en

 (Des)regulación – Existe la opinión de que

Atributos del Atributos del Atributos del Detalles Precios de Datos

frecuencia, etc) Lecturas de

Equilibrar el Mantenimiento Mantenimiento Mantenimiento Sugerencias de Tarifas Colocación

costosa activos en automática para basadas en datos de carga

abandonar/robar para mejorar la

frontier economics DRAFT 13

Extraer información del análisis que ya se ha llevado a cabo. Por ejemplo:

Asesoramiento sobre cuestiones derivadas de la existencia de los datos y análisis - por

…o participar en proyectos sobre las implicaciones de los datos

Sector mayorista Predicciones

Ideas y perspectivas derivadas de los datos

 Extraer información del análisis que ya se ha llevado a cabo. Por ejemplo:

 Demostrando la importancia de la existencia de un mercado central para DSR

A continuación veremos dos casos de estudio:

… Pero, teniendo en cuenta

…los modelos tradicionales se han centrado en la vía óptima, que no es

Modelos económicos estándar Vida real

Suelen suponer consumidores homogéneos (o Los consumidores son heterogéneos en cuanto a

Generalmente buscan el equilibrio Puede que no se encuentre en el equilibrio

 Los agentes son objetos/individuos que tienen propiedades

 Los agentes habitan un entorno e interactúan con él (las

 Los agentes interactúan entre sí.

 El comportamiento de los agentes puede verse afectado por

¿Qué tan rentable es en

Estos efectos de red pueden

Decisiones que se toman cada vez que la tecnología de calefacción de un propietario

Input Interacciones de los agentes Resultado

Inputs de los Inputs de los Inputs de los

La probabilidad de que a un individuo de tipo i le 𝐴,

El atractivo de la tecnología, Ai,t, viene dado por: 𝐴, = 𝑒 ,

Cada agente tiene una función linear de 𝑈 =𝑓 𝑖, 𝑡 𝑤 +𝑓 𝑖, 𝑡 𝑤 +𝑓 𝑖, 𝑡 𝑤

 Proyecto realizado para un cliente del sector financiero en el que proporcionamos

 Las predicciones de los modelos tradicionales de propensión en base a

 Ofrecer modelos de predicción alternativos para analizar la propensión de los

Análisis de una muestra representativa de la cartera de clientes

El objetivo final consistió en proporcionar una

* Datos ilustrativos, distintos a los resultados del análisis

Saldo máximo Objetivo, diferenciar entre:

Inestable Diferencia entre saldo existente (en un

Cochón financiero: aproximación del saldo

Colchón, en meses 1 3 2 5 4 1,5

* Datos ilustrativos, distintos a los resultados del análisis

Con capacidad y voluntad de

Con capacidad de ahorro pero

Libros de referencia sobre Ciencia de Datos:

También podría gustarte