Prescriptive Decision AI para Utilities
Utilities
Previsión de Generación y Demanda Renovable

Los modelos de previsión producen un número. El trader no sabe por qué el modelo está fallando en ese periodo concreto, ni cuánto le va a costar ignorarlo. AyGLOO convierte esa previsión en cuatro beneficios concretos: los periodos de alta incertidumbre se identifican antes de operar; el ISA detecta los micro-segmentos donde el modelo sobreestima sistemáticamente; el CF muestra qué variable está distorsionando la previsión; y la simulación de puja cuantifica el coste de desviación evitable antes de que se produzca.

1
Las reglas con 100% de fiabilidad permiten ajustar la puja automáticamente en los periodos claros. El trader solo interviene donde la incertidumbre es real.
2
El ISA detecta los micro-segmentos horarios y meteorológicos donde el modelo sobreestima sistemáticamente la generación eólica, con el MAPE histórico de cada segmento.
3
El análisis contrafactual (CF) muestra qué variable está distorsionando la previsión y cuánto cambiaría si esa señal se normalizara, antes de decidir la puja.
4
La simulación de puja cuantifica el coste de penalización evitable comparando la posición actual frente a la posición ajustada, en euros antes de ejecutar.
Hoy, lo que un trader suele recibir
Previsión #FC-20260218-14h 342 MWh · MAPE: 14.6% Mercado diario · Zona: Noroeste · Sin contexto adicional
Con AyGLOO. Misma previsión, completamente enriquecida
Previsión #FC-20260218-14h · Zona: Noroeste 342 MWh · Mercado diario · Ventana: 18–22h
XAI Por qué esta previsión Twin Reglas con nivel de fiabilidad ISA Segmento de error del modelo CF Sensibilidad de variables Twin Simulación de puja y coste de desviación PDF Trazabilidad regulatoria
1. Por qué esta previsión. Twin model (profundidad 7 · fidelidad 97.1%)
100%IF velocidad_viento_18_22h < media_estacional AND presión_baja = true AND estación = invierno → Ajustar puja a la baja automáticamente. Fiabilidad total: actuar sin revisión manual.
81%IF temperatura > media_estacional AND carga_industrial_turno_noche = true → Demanda elevada posible. Revisar posición de demanda antes de cerrar la puja.
59%IF temperatura > media_estacional sin otros factores → Señal débil aislada. No ajustar puja solo con esta variable.
Las reglas con 100% de fiabilidad permiten ajustar automáticamente. El trader solo interviene en las reglas con fiabilidad menor, donde su criterio añade valor real.
XAITwin
2. Segmento de error del modelo (ISA)
Micro-segmento: "horas tarde-noche, baja presión, invierno" · MAPE histórico en este segmento: 14.6% frente al 4.2% de media de la cartera · El modelo sobreestima sistemáticamente la generación eólica en periodos de viento bajo · Sin deriva detectada en las últimas 8 semanas
El ISA no solo detecta el error: identifica que el modelo es consistentemente demasiado optimista en viento bajo. Eso permite aplicar un factor de corrección automático antes de pujar.
ISA
3. CF. Qué variable está distorsionando la previsión
Eliminar señal de viento: previsión sube +18.3 MWh · Si viento recupera media estacional: previsión +14 MWh · Si temperatura se normaliza: demanda –6 MWh · La señal de viento es el factor dominante; la temperatura es secundaria
El CF no es una corrección: es la explicación de qué variable está tirando la previsión hacia abajo y cuánto cambiaría si esa condición se normalizara. Eso informa la decisión de cobertura intradiaria.
CF
4. Simulación de puja y coste de desviación evitable
Ajuste recomendado de puja: –16 a –19 MWh para la ventana 18–22h · Considerar cobertura intradiaria para la exposición residual
Sin ajuste: penalización estimada €4.200–€5.000 · Con corrección de puja: €800–€1.200 · Ahorro esperado: €3.000–€4.000
La simulación cuantifica en euros el coste de no actuar antes de ejecutar la puja. El trader no necesita calcular la exposición manualmente.
TwinPDF

Ejemplo ilustrativo. Cada despliegue se adapta a los modelos, datos y operativa de cada entidad.

Mantenimiento Predictivo de Activos

Los modelos de fallo marcan activos en riesgo. El ingeniero de O&M recibe una probabilidad de fallo sin saber qué señal la está impulsando, cuál es la intervención mínima para bajarla por debajo del umbral, ni cuánto cuesta en SAIDI y penalización no actuar. AyGLOO convierte ese proceso en cinco beneficios concretos: las intervenciones para activos con reglas de alta fiabilidad se programan automáticamente; el ISA detecta los segmentos de activos con mayor tasa de fallo histórica; el CF genera la intervención mínima que reduce el riesgo por debajo del umbral; el análisis de red detecta riesgo sistémico en topología; y la simulación SAIDI cuantifica el impacto de no actuar antes de decidir.

1
Las reglas con 100% de fiabilidad permiten programar intervenciones automáticamente. El ingeniero solo interviene donde la certeza es menor.
2
El ISA detecta los micro-segmentos de activos con mayor tasa de fallo histórica, incluyendo patrones sistemáticos por tecnología, antigüedad o ubicación geográfica.
3
El análisis contrafactual (CF) genera la intervención mínima que baja el riesgo por debajo del umbral operativo, con el coste comparado frente a sustitución completa.
4
El análisis de red detecta cuando varios activos conectados en la misma topología muestran degradación simultánea, señalando riesgo sistémico antes de que falle el primero.
5
La simulación SAIDI cuantifica el impacto de no actuar en minutos de interrupción por cliente y penalización regulatoria, antes de decidir el tipo de intervención.
Hoy, lo que un ingeniero de O&M suele recibir
Activo: Transformador TR-4471 · Subestación Leganés Sur Probabilidad de fallo: 74% · Nivel: ALTO Sin contexto adicional
Con AyGLOO. Mismo activo, completamente enriquecido
Transformador TR-4471 · Subestación Leganés Sur Probabilidad de fallo: 74% (próximos 90 días)
XAI Por qué está marcado este activo Twin Reglas con nivel de fiabilidad ISA Segmento de riesgo del activo CF Intervención mínima Graph Riesgo sistémico en topología Twin Simulación SAIDI PDF Trazabilidad regulatoria
1. Por qué está marcado este activo. Twin model (profundidad 7 · fidelidad 95.8%)
100%IF gas_disuelto_aceite_tendencia = alcista_6m AND temperatura_arrollamiento > 105°C AND disparos_protección_90d ≥ 2 → Programar intervención inmediata. Fiabilidad total: actuar sin revisión manual.
82%IF antigüedad > 25 años AND ratio_carga_pico > 0.85 AND ubicación = urbana → Riesgo elevado en pico estival. Revisar plan de mantenimiento antes del verano.
61%IF antigüedad > 25 años sin otros factores → Señal débil aislada. No programar intervención urgente solo con esta variable.
Los activos con reglas de 100% de fiabilidad se intervienen automáticamente. El ingeniero se concentra en los casos con fiabilidad menor, donde su criterio añade valor real.
XAITwin
2. Segmento de riesgo del activo (ISA)
Micro-segmento: "transformadores >25 años, ubicación urbana, pico estival" · Tasa de fallo en este segmento: 12.3% frente al 3.8% de media de la flota · 3 activos similares han fallado en los últimos 18 meses · Subestimación sistemática detectada en subestaciones costeras por corrosión salina: ajuste aplicado
El ISA no solo confirma el riesgo: detecta el patrón sistemático del segmento. Saber que este tipo de activo falla 3 veces más que la media cambia la urgencia de la decisión.
ISA
3. CF. Intervención mínima que baja el riesgo por debajo del umbral
Tratamiento de aceite solo: 74% → 52% · Tratamiento de aceite + limitación de carga al 80%: 74% → 38% · Sustitución completa: 74% → 2%
Intervención mínima recomendada: tratamiento + limitación de carga. El historial del segmento muestra degradación acelerada tras el primer disparo de protección: no diferir.
El CF no es sensibilidad: es la acción mínima concreta que reduce el riesgo por debajo del umbral operativo, con el coste de cada opción para que el ingeniero decida con criterio económico.
CF
4. Riesgo sistémico en topología de red
2 transformadores adicionales en la misma subestación muestran tendencia alcista de gas disuelto en las últimas 8 semanas · Los 3 activos comparten alimentación desde la misma línea de alta tensión · Si TR-4471 falla, los otros 2 quedarían sobrecargados: probabilidad de fallo en cascada en 30 días >60%
Analizando cada activo por separado el riesgo parece individual. El análisis de topología revela que hay un riesgo sistémico en la subestación que multiplica el impacto SAIDI potencial.
Graph
5. Simulación SAIDI y penalización regulatoria evitable
Sin intervención: corte estimado 4.2h, 8.400 clientes afectados, SAIDI +0.018 min/cliente · Con tratamiento de aceite + limitación de carga: probabilidad de corte <5%
Penalización regulatoria evitada: €47.000 · Coste de la intervención mínima: €8.500 · ROI de actuar: 5.5×
La simulación convierte una probabilidad de fallo en euros y minutos SAIDI antes de decidir. El ingeniero no necesita calcular la exposición regulatoria manualmente.
TwinPDF

Ejemplo ilustrativo. Cada despliegue se adapta a los modelos, datos y operativa de cada entidad.

Retención de Clientes (Churn)

Los modelos de churn identifican clientes con riesgo de cambiar de comercializadora. El equipo de retención recibe una puntuación sin contexto: no sabe si el cliente se va por precio, por una mala experiencia de servicio o por una oferta de la competencia, ni qué acción concreta lo retendría. AyGLOO convierte esa predicción en cuatro beneficios concretos: las acciones de retención para casos de alta certeza se lanzan automáticamente; el CF genera la intervención mínima con el ROI calculado; el ISA detecta dónde el modelo predice mal el abandono; y el análisis what-if muestra qué señal impulsa el riesgo antes de decidir la oferta, con la acción recomendada calibrada para cada cliente.

1
Las reglas con 100% de fiabilidad permiten lanzar acciones de retención automáticamente. El gestor solo interviene donde la certeza es menor.
2
El análisis contrafactual (CF) genera la intervención mínima que retendría a cada cliente con el ROI calculado: no una campaña genérica, sino la acción concreta que cambia la predicción.
3
El ISA detecta segmentos donde el modelo predice mal el abandono, evitando gastar presupuesto de retención en clientes que no se iban a ir.
4
El análisis what-if muestra si la señal dominante es el precio o la experiencia de servicio, lo que cambia el tipo de intervención antes de lanzar la oferta.
Hoy, lo que un gestor de retención suele recibir
Cliente #CLT-408721 Riesgo de churn: 87% Residencial · Tarifa 2.0TD · Sin contexto adicional
Con AyGLOO. Misma predicción, completamente enriquecida
Cliente #CLT-408721 · Residencial · Tarifa 2.0TD Riesgo de churn: 87% · Valor estimado: €2.840
XAI Por qué este cliente está en riesgo Twin Reglas con nivel de fiabilidad CF Intervención mínima con ROI calculado ISA Fiabilidad del modelo por segmento What-if Sensibilidad por variable Action Acción recomendada
1. Por qué este cliente está en riesgo de churn. Twin model (profundidad 7 · fidelidad 96.4%)
100%IF reclamaciones_facturación_90d ≥ 3 AND renovación_contrato_días ≤ 18 → Riesgo de churn inminente. Fiabilidad total: lanzar acción de retención automáticamente.
81%IF caída_consumo > 20% AND oferta_competidor_detectada = true → Cliente evaluando alternativas activamente. Contacto personalizado antes de que renueve.
58%IF caída_consumo > 20% sin otros factores → Señal débil aislada. No lanzar acción de retención solo con esta variable.
Las reglas con 100% de fiabilidad se ejecutan automáticamente. Solo las reglas con fiabilidad menor requieren intervención del gestor.
XAITwin
2. CF. Intervención mínima accionable con ROI calculado
Resolver reclamaciones de facturación: 87% → 58% · Ajuste tarifario –7% sobre factura media: 87% → 42% · Ambas combinadas: 87% → 34% · Ambas + llamada proactiva de resolución: 87% → 22%
ROI de retención: coste de la oferta €180/año frente a valor en riesgo €2.840 × (0.87 – 0.22) = €1.846. Retención neta: €1.666 por cliente retenido.
El gestor no tiene que adivinar qué oferta funciona: ve el impacto de cada intervención antes de actuar, incluyendo cuáles no valen la pena.
CF
3. Doble check del modelo en este segmento (ISA)
Micro-segmento: "residencial urbano, antigüedad 12–24 meses, tarifa indexada" · Tasa de churn en este segmento: 31% frente al 14% de media de la cartera · Precisión del modelo: 89% · Sin deriva detectada en las últimas 8 semanas · Alta fiabilidad: actuar con confianza.
El ISA confirma que el modelo predice bien en este segmento. Si el semáforo fuera amarillo, el presupuesto de retención podría estar gastándose en clientes que no se iban a ir.
ISA
4. What-if. Qué señal está impulsando el riesgo de churn
Eliminar reclamaciones de facturación: riesgo baja de 0.87 a 0.54 · Eliminar solo señal de oferta de competidor: baja a 0.68 · Eliminar caída de consumo: baja a 0.79 · Las reclamaciones son la señal dominante; el precio es secundario pero urgente dado el plazo de renovación.
Saber que las reclamaciones dominan frente al precio cambia el tipo de intervención: resolver primero la fricción de servicio tiene más impacto que el descuento. Si se ofrece el descuento sin resolver las reclamaciones, el riesgo baja menos de lo esperado.
What-if
5. Acción recomendada
Llamada proactiva de resolución de reclamaciones en los próximos 3 días · Propuesta: ajuste tarifario –7% + tarifa plana · No ofrecer descuento de fidelización sin resolver las reclamaciones primero: baja sensibilidad para este segmento si el problema de servicio no se ha resuelto · Revisar en 7 días si no hay respuesta
La acción no es genérica: está calibrada para este cliente concreto, con la secuencia correcta de intervención y el impacto cuantificado de cada paso.
Action

Ejemplo ilustrativo. Cada despliegue se adapta a los modelos, datos y operativa de cada entidad.

-->