Predicción de No Pago en el Consumo de Energía

Date

2020-12

Type:

Thesis

item.page.extent

34 p.

item.page.accessRights

item.contributor.advisor

ORCID:

Journal Title

Journal ISSN

Volume Title

Publisher

Universidad del Desarrollo. Facultad de Ingeniería

item.page.isbn

item.page.issn

item.page.issne

item.page.doiurl

item.page.other

item.page.references

Abstract

Las empresas de distribución de energía eléctrica, si bien son empresas privadas, prestan un servicio público, como lo es la electricidad, teniendo como fin principal llevar la energía al cliente final, debiendo los clientes pagar por el servicio prestado. Pero como en toda empresa, las compañías de distribución de energía eléctrica, estas no son la excepción en temas de morosidad e incluso castigos de deudas por no pago y en la situación que nos encontramos a nivel mundial, el efecto pandemia puede incrementar los indicadores de incobrabilidad, provocando impactos en la recaudación, flujos de efectivo, solvencia, entre otros. Lograr tener un indicador de clientes que podrían no pagar su boleta o factura por consumo de energía, puede generar que las empresas se adelanten y comiencen a realizar gestiones preventivas para evitar morosidad o definitivamente el no pago de los documentos tributarios. En este proyecto se realizó un modelo de predicción del no pago en el consumo de energía, mediante modelos de Machine Learning, sobre una base de datos que fue facilitada por una compañía de distribución de energía eléctrica en Chile, en adelante “Distribuidora”, teniendo registros que consideran 3 comunas de la Región Metropolitana, San Bernardo, La Pintana y Puente Alto, sumando un total de 11.068.399 boletas y facturas emitidas entre enero 2017 y julio 2020. Para realizar la predicción fue necesario realizar técnicas de balanceo de los datos, dando como mejores resultados utilizar el 100% de los registros de No Pago y el 10% del registro de los documentos pagados, donde el modelo que más se ajusta a los datos y que entrega una predicción razonable en términos de métricas es el modelo SGDClassifier, obteniendo una precisión para la clase de no pago de un 94% y un accuracy total de 96%. Además, hemos obtenido resultados relevantes como, clientes que no pagan el consumo de energía no son solo los clientes residenciales, si no también clientes que tienen tarifas contratadas diferentes a las de los residenciales, quienes por la tarifa contratada se asume que consumen bastante energía y el no pago del consumo puede tener un impacto mayor en la recaudación. También observamos que la pandemia efectivamente ha tenido efectos no deseados en la recaudación, con un aumento del no pago desde de marzo 2020, principalmente clientes de las comunas con mayor riesgo socioeconómico como lo es la Pintana y San Bernardo.

Description

Proyecto de grado presentado a la Facultad de Ingeniería de la Universidad del Desarrollo para optar al grado académico de Magíster en Data Science

item.page.coverage.spatial

item.page.sponsorship

Citation

Keywords

Energía eléctrica, Consumo, Predicción, Pago, 070037S, Deudas

item.page.dc.rights

item.page.dc.rights.url