Water Loss 2026 — Resumo gerado por IA
Transcrição e tradução ao vivo por Nobox Live Translate
Desenvolvido pelo Grupo Nobox
Stream C3 — Water Loss 2026
Apresenta na Stream C3 — Digital Transformation, durante o Water Loss 2026 no Rio de Janeiro.
Sobre o palestrante
Pesquisador britânico de machine learning aplicado ao saneamento, Clive Harrison chega ao Water Loss 2026 com uma proposta metodológica inusitada: usar algoritmos sobre dados públicos para fazer engenharia reversa de programas de redução de NRW. Em vez de pedir acesso interno a utilities, ele extrai padrões de relatórios anuais, dashboards regulatórios e séries históricas — e produz lições transferíveis para qualquer cidade com transparência regulatória mínima. O caso-base é Taipei: uma das reduções de NRW mais expressivas da Ásia nas últimas duas décadas.
Trabalha sem o privilégio do acesso a SCADA, GIS ou planilhas de manutenção das concessionárias. Sua matéria-prima são dados em domínio público — exatamente os mesmos que reguladores, jornalistas e ativistas têm. A vantagem competitiva está no método de análise, não no dado.
UKIndependentNão está vendendo a história de Taipei — está vendendo a abordagem que extraiu lições daquela história. Qualquer utility ou regulador pode aplicar o mesmo método em sua própria base de dados pública, comparando-se à curva de Taipei e identificando onde precisa atuar.
MethodologyReplicable"O método é o produto, não o caso."
Tese central
Relatórios anuais, KPIs regulatórios e séries históricas de produção e consumo carregam sinal estatístico bastante para reconstruir a dinâmica de um programa de redução de perdas. Não substitui acesso operacional, mas vai muito além do que utilities costumam reconhecer ao publicar esses dados.
Public DataHarrison não vende a história de Taipei. Vende a abordagem analítica que extraiu lições daquela história — replicável em Londres, São Paulo, Manila ou qualquer cidade com mínima transparência regulatória. O caso é prova de conceito; o método é o que escala.
Method FirstPara reguladores, é uma visão paralela à narrativa oficial da concessionária. Pode-se cruzar o que a utility reporta com o que algoritmos extraem de dados externos — útil para gatilhar auditorias ou validar metas em revisões tarifárias. Não depende da boa vontade do regulado.
Regulatory"O método é o produto, não o caso."
Dados de Taipei Water
Taipei é referência clássica em redução de NRW na Ásia. Os números públicos contam parte da história — e os algoritmos de Harrison extraem o resto.
"Quase 20 anos de orquestração paciente — não uma intervenção mágica."
Metodologia ML em 3 passos
Reúne relatórios anuais da concessionária, dashboards do regulador, séries históricas de produção, consumo, pressão média e investimento. Estrutura tudo em base temporal homogênea para alimentar os algoritmos. Sem nenhum acesso a SCADA, GIS ou sistemas internos.
Annual ReportsRegulatory KPIsRoda algoritmos de ML para identificar quais variáveis se moveram juntas, ordenar fatores por importância, detectar inflexões e medir lags entre investimento e queda de NRW. O modelo aprende a estrutura latente do programa de redução — sem ninguém explicar.
Pattern MiningInflection PointsTraduz os padrões extraídos em lições aplicáveis a outras cidades. Não como receita literal — como um mapa de onde olhar primeiro: combinação de pressão e renovação, lag típico investimento-resultado, peso da maturação de DMAs. Cada utility pode rodar o mesmo método sobre seus próprios dados.
TransferableReplicableAplicações do método
A entrega prática de Harrison são lições comparáveis para outras megacidades — sem precisar de acesso interno às concessionárias.
Mercado regulado, com dashboards Ofwat detalhados e séries históricas longas. O método de Harrison se encaixa naturalmente: cruzar o que Thames Water e Affinity reportam com o que os algoritmos extraem dos próprios dados públicos. Validação independente para o regulador.
UKOfwat dataSabesp pública indicadores anuais, balanço hídrico e KPIs por região. Aplicar o método permite localizar São Paulo na curva de Taipei: que combinação de pressão, renovação e DMAs explica a redução observada? Onde estão os gargalos que ainda travam o avanço?
BrazilSabespManila Water e Maynilad operam em mercado regulado com transparência crescente. O método identifica padrões na transição de quase-falência hídrica para níveis de NRW competitivos — útil para reguladores asiáticos comparando trajetórias de utilities pares.
PhilippinesMWSSPontos-chave da palestra
Relatórios anuais, KPIs regulatórios e séries de produção contêm sinal estatístico suficiente para reconstruir a dinâmica de um programa de redução de perdas. Não é tudo, mas é muito mais do que utilities costumam reconhecer ao publicar esses dados.
Cidades grandes saem de cerca de 30% de NRW para um dígito quando combinam renovação de tubos, DMAs maduros, gestão de pressão e ALC sustentado por décadas. Não é uma fórmula mágica de uma intervenção isolada — é orquestração paciente.
Os algoritmos identificam quais variáveis se moveram juntas e em que ordem, mas a tradução para ação local exige conhecimento operacional do contexto. Harrison alerta contra usar a saída do modelo como roteiro literal — é mapa, não destino.
A análise mostra defasagens entre os anos de maior investimento e os anos de maior queda de NRW — informação crítica para reguladores e bancos de fomento. Quem espera retorno em 12 meses está olhando para a curva errada; o horizonte realista é multi-anual.
Aplicar o método em utilities reguladas dá ao regulador uma visão paralela à narrativa oficial. Pode-se cruzar o que a concessionária reporta com o que os algoritmos extraem de dados externos — útil para gatilhar auditorias ou validar metas em revisões tarifárias.
Harrison não vende a história de Taipei — vende a abordagem. Qualquer utility ou regulador com um conjunto mínimo de dados em domínio público pode rodar análise equivalente. Em mercados com transparência crescente, é ferramenta de baixo custo e alto sinal para gestores que querem benchmarking real.
O ML revela que pressão sozinha ou renovação sozinha entregam menos do que a combinação coordenada das duas. A inflexão na curva de Taipei coincide com o período em que ambas avançaram simultaneamente — pista direta para programas que ainda tratam essas frentes como projetos separados.
Criar DMAs no papel é fácil; fazer DMAs maduros — com balanço hídrico estável, instrumentação confiável e equipe treinada — leva anos. O modelo de Harrison consegue distinguir DMAs declarados de DMAs operantes pelo padrão de variância do consumo noturno.
Resumo gerado a partir da transcrição ao vivo via Nobox Translate com inteligência artificial.
Filosofia de pesquisa
Por trás do trabalho de Harrison existe uma convicção: dado público bem analisado é infraestrutura crítica do setor de saneamento. Quando a transparência regulatória avança, o custo de fazer benchmarking real cai — e a assimetria entre operador e regulador diminui. A função do pesquisador independente é provar que esse custo já é baixo o bastante para qualquer cidade começar hoje.
A vantagem de não precisar de acesso interno é dupla: o método é replicável por qualquer ator da cadeia (regulador, banco de fomento, jornalista, ativista) e o resultado não pode ser editado pela utility analisada. É uma camada externa de validação que faltava no setor.
Indep.ExternalTaipei é prova de conceito de que a abordagem funciona. Mas o que Harrison entrega ao mercado é o método — não a narrativa. Cada cidade pode rodar sua própria análise, posicionar-se na curva de referência e descobrir, com seus próprios dados, onde estão suas inflexões pendentes.
ReplicávelOpen Method"O método é o produto, não o caso."
Water Loss 2026 — Resumo gerado por IA
Transcrição e tradução ao vivo por Nobox Live Translate