कार शेयरिंग उद्योग में स्कोरिंग कैसे काम करता है। भाग 1. असली डेटा पर लोकप्रिय टूल का अवलोकन

कार शेयरिंग, युवा होने के बावजूद, रूसी ऑटो व्यवसाय में सबसे सक्रिय रूप से विकासशील क्षेत्रों में से एक है। पहली कंपनी के लॉन्च को 5 साल बीत चुके हैं, और आज 25 से अधिक ऑपरेटर्स, जो अल्पकालिक पट्टों के विशेषज्ञ हैं, बाजार में काम करते हैं। कार शेयरिंग के विकास के साथ, उपयोगकर्ता डेटा जमा हो रहा है, और अब कार शेयरिंग, बैंकों की तरह, एक निश्चित ग्राहक स्कोरिंग प्रणाली है। यह उम्र, लिंग, ड्राइविंग अनुभव पर भी निर्भर करता है, लेकिन यह आपके ऋणों का इतिहास नहीं है, बल्कि आपकी यात्राओं का इतिहास है। इस तरह के स्कोरिंग के लक्ष्यों में से एक, सॉल्वेंसी के अलावा, एक ड्राइवर के लाइसेंस का जुर्माना, जुर्माना, किसी विशेष चालक के लिए दुर्घटनाओं की संभावना की भविष्यवाणी करना है।



इस लेख में, हम कार शेयरिंग उपयोगकर्ताओं के लिए स्कोरिंग एल्गोरिदम के संचालन के तर्क का विश्लेषण करेंगे, जो केवल उम्र और ड्राइविंग शैली पर निर्भर करेगा। इन मापदंडों के अलावा, और अधिक सटीक परिणाम प्राप्त करने के लिए, उनका उपयोग किया जा सकता है - सामाजिक स्थिति, बच्चों के साथ यात्राएं, सामाजिक नेटवर्क पर गतिविधि और कार में कैमरे से जानकारी। हालांकि, आज हम दो मूल लोगों पर ध्यान केंद्रित करेंगे - उम्र और ड्राइविंग शैली।

ध्यान दें कि लेख में हम 50,000 उपयोगकर्ताओं और 260,000 यात्राओं की ड्राइविंग गतिविधि के उदाहरण द्वारा स्कोरिंग के तर्क का प्रदर्शन करेंगे। सभी डेटा को अनाम कर दिया गया था। इसके अलावा, हमने मॉस्को और मॉस्को क्षेत्र के साथ किए गए 220 दुर्घटनाओं पर डेटा का उपयोग किया।


कार शेयरिंग में, एक कार क्रेडिट मनी के साथ खरीदे गए लाभ को उत्पन्न करने का एक साधन है। इस दृष्टिकोण के साथ, डाउनटाइम से बचने के लिए इसे यथासंभव कुशलता से उपयोग करना महत्वपूर्ण है। और अगर कार दुर्घटना में हुई, तो बीमाकर्ता के साथ कागजी कार्रवाई, समन्वय, स्पेयर पार्ट्स का ऑर्डर करना और वास्तविक मरम्मत में कई दिनों से लेकर महीनों तक काफी समय लग सकता है। स्कोरिंग संभावित रूप से संभावित दुर्घटनाओं की पहचान कर सकता है, और इसके आधार पर, आप ग्राहकों को असुरक्षित ड्राइविंग के जोखिमों के बारे में प्रतिक्रिया दे सकते हैं।

कार शेयरिंग ऑपरेटरों के लिए यह महत्वपूर्ण है कि वे अपनी संपत्ति का संरक्षण करें और उस पर पैसा लगाएं। इस प्रकार, कार शेयरिंग प्लेटफॉर्म बस कार के बारे में सभी संभावित जानकारी एकत्र करने के लिए बाध्य है और इसके साथ क्या हो रहा है। प्रत्येक यात्रा के लिए, कार शेयरिंग कार टेलीमैटिक्स डेटा एकत्र करती है - इन बिंदुओं पर 1 सेकंड से अधिक और कार संकेतकों के अंतराल के साथ यात्रा अंक (गति, क्रांतियों, त्वरण, द्वार और खिड़की की स्थिति, आदि)।

आयु

कार-शेयरिंग ऑपरेटर के साथ एक अनुबंध का समापन करते समय, चालक को अपनी आयु और ड्राइविंग अनुभव का संकेत देना चाहिए। इन आंकड़ों के आधार पर, हम निम्नलिखित हिस्टोग्राम का निर्माण कर सकते हैं।


चित्र 1. उपयोगकर्ताओं की आयु

चित्र 1 कार साझा करने वाले उपयोगकर्ताओं की आयु का एक बार चार्ट दिखाता है। क्षैतिज अक्ष उपयोगकर्ताओं की आयु है, ऊर्ध्वाधर अक्ष उनकी संख्या है, धराशायी रेखा 30 वर्षों के मध्य को चिह्नित करती है। यह एक सामान्य वितरण और 25, 30 और 35 वर्ष की आयु के साथ उपयोगकर्ताओं की संख्या में वृद्धि की तरह दिखता है।

फिर हम दुर्घटना के दोषियों द्वारा पहचाने गए उपयोगकर्ताओं के युग के वितरण पर विचार करते हैं।

चित्रा 2. एक दुर्घटना के साथ उपयोगकर्ताओं की आयु

चित्र 2 ट्रैफ़िक दुर्घटनाओं के लिए जिम्मेदार उपयोगकर्ताओं की आयु के वितरण का एक हिस्टोग्राम दिखाता है, क्षैतिज - उपयोगकर्ताओं की आयु, ऊर्ध्वाधर - उपयोगकर्ताओं की संख्या। फिर से, धराशायी लाइन 26 साल के माध्य को चिह्नित करती है। इस प्रकार, यह स्पष्ट है कि 26 वर्ष से कम आयु के उपयोगकर्ता दुर्घटनाओं के लिए दूसरों की तुलना में अधिक बार दोषी होते हैं।

हिस्टोग्राम के अनुसार, उपयोगकर्ताओं के एक चौथाई समूह (26 साल से कम उम्र के उपयोगकर्ता) के एक समूह की गलती के कारण दुर्घटना का आधा हिस्सा हुआ। इसी तरह, 30 से अधिक उपयोगकर्ताओं के एक समूह ने कुल में से आधे के लिए लेखांकन किया, जो दुर्घटना का केवल एक चौथाई हिस्सा था।

इस प्रकार, हम देखते हैं कि 26 वर्ष से अधिक आयु के उपयोगकर्ताओं के लिए दुर्घटना की संभावना 30 वर्ष से अधिक के उपयोगकर्ताओं की तुलना में चार गुना अधिक है। जो कार शेयरिंग ऑपरेटरों की तरफ से युवा उपयोगकर्ता समूह पर अतिरिक्त ध्यान आकर्षित करता है। यह कोई संयोग नहीं है कि कई ऑपरेटरों की उम्र की आवश्यकताएं 18 साल से नहीं, बल्कि 21 साल से शुरू होती हैं। कारशरिंग भी अपने उपयोगकर्ताओं के बीच अनुभवी ड्राइवरों को देखना चाहते हैं और 2 साल के अनुभव का संकेत देते हैं, जिससे अनुभवहीन युवा ड्राइवरों को दूर करना पड़ता है।

ड्राइविंग शैली

ड्राइविंग शैली अधिक जटिल है। फिलहाल, ड्राइविंग स्टाइल निर्धारित करने के लिए उद्योग में एक स्थापित मॉडल है - तेज त्वरण और ब्रेकिंग की गणना करने के लिए एक मॉडल। आइए इसे और अधिक विस्तार से विचार करें।


चित्रा 3. वाहन की गति में परिवर्तन का एक ग्राफ।


यदि एक समय अंतराल पर वाहन की गति ats3sec। bys by15 किमी / घंटा की वृद्धि, तो इस समय अंतराल में कार तेजी से बढ़ती है। इसी तरह, अगर एक समय अंतराल के लिए ≤t if3 सेकंड। कार की गति'ss's15 किमी / घं से कम हो जाती है, तो इस समय में कार का ब्रेक तेज हो जाता है। ∆t और parameterss मॉडल पैरामीटर हैं और इन्हें ऊपर और नीचे दोनों में बदला जा सकता है। उदाहरण के लिए, ग्राफ 3 समय पर वाहन की गति की निर्भरता को दर्शाता है, और 8 वीं से 11 वीं सेकंड के अंतराल में कार की गति तेजी से 20 किमी / घंटा से बढ़कर 40 किमी / घंटा हो जाती है, और 15 वें से 18 वें अंतराल में गति 60 किमी / घंटा से तेजी से गिर गई। 30 किमी / घंटा
ए मार्ग के साथ तेज त्वरण की संख्या है, बी तेज ब्रेकिंग की संख्या है। चित्र 4 उपयोग किए गए मार्गों के नमूने पर A + B के योग का वितरण दर्शाता है।


चित्रा 4. तेज त्वरण और ब्रेकिंग का वितरण

ध्यान दें कि यात्रा 15 मिनट और शायद 5 घंटे तक चल सकती है, इसलिए आपको स्कोरिंग मापदंडों का चयन करते समय यात्रा के समय या दूरी पर विचार करने की आवश्यकता है। D किलोमीटर में मार्ग की लंबाई है। हम मार्ग के प्रति 1 किमी की तेज गति और ब्रेकिंग की संख्या की गणना करते हैं, अर्थात ((ए + बी)) / डी। हम चित्र 5 के हिस्टोग्राम में दिखाए गए असममित वितरण को प्राप्त करते हैं, जहां बाईं ओर के मूल्य दाएं की तुलना में बहुत तेजी से क्षय होते हैं। दुर्भाग्य से, अधिकांश सांख्यिकीय तरीके अत्यधिक तिरछा वितरण के लिए काम नहीं करते हैं। ऐसे मामलों में, एक लघुगणकीय परिवर्तन आमतौर पर मदद करता है, जो अक्सर असममितता को समरूपता में बदल देता है, क्योंकि यह आपको शून्य के आसपास के क्षेत्र में पैमाने को फैलाने की अनुमति देता है।


चित्रा 5. मार्ग के 1 किमी प्रति त्वरण और ब्रेकिंग का वितरण

इस फ़ंक्शन को लघुगणित करने के बाद, हमें Log (((A + B)) / D) मिलता है। नतीजतन, वितरण सामान्य एक के समान है - चित्रा 6।


चित्रा 6. प्रति 1 किमी की यात्रा में त्वरण और गिरावट की संख्या का लघुगणक

यह इस फ़ंक्शन के आधार पर है कि आमतौर पर ड्राइविंग शैली का स्कोरिंग मॉडल बनाया जाता है। आइए प्रत्येक फ़ंक्शन के माध्यम से प्रत्येक उपयोगकर्ता के सभी मार्गों को चलाने का प्रयास करें। हिस्टोग्राम चित्रा 7 पर।


चित्रा 7. दुर्घटनाओं के साथ और बिना उपयोगकर्ताओं की तुलना

यह सभी उपयोगकर्ताओं के नीले परिणामों को दिखाता है, नीली बिंदीदार रेखा उनके माध्यिका के साथ, दुर्घटनाओं वाले उपयोगकर्ताओं के परिणामों को लाल, और लाल बिंदीदार रेखा उनके माध्यिका को दर्शाती है। यह देखा जाता है कि दुर्घटनाओं वाले उपयोगकर्ताओं के परिणाम दाईं ओर स्थानांतरित किए जाते हैं, अर्थात्। दुर्घटनाओं वाले उपयोगकर्ताओं को अक्सर आंदोलन की प्रक्रिया में तेज ब्रेकिंग और त्वरित किया जाता है। हालांकि, विस्थापन बेहद छोटा है और वास्तव में, इस समारोह के मूल्य और दुर्घटना में होने के तथ्य के बीच कोई संबंध नहीं है। हम उपयोगकर्ताओं के औसत प्रदर्शन पर विचार करते हैं, लेकिन यह संभव है कि उपयोगकर्ता औसत रूप से सुरक्षित रूप से ड्राइव करें, लेकिन कभी-कभी लापरवाह। प्रत्येक उपयोगकर्ता के लिए Log ((((A + B)) / D) फ़ंक्शन के अधिकतम मान के साथ दुर्घटना के बिना यात्राओं पर विचार करें। हिस्टोग्राम चित्रा 8 है, जहां धराशायी रेखा माध्यिका को चिह्नित करती है।


चित्रा 8. सबसे खराब उपयोगकर्ता यात्राएं

हम दुर्घटनाओं के साथ उपयोगकर्ताओं की यात्राओं का हिस्टोग्राम जोड़ते हैं, और हम उनकी यात्राओं को भी ध्यान में नहीं रखेंगे जिसमें दुर्घटना हुई थी। परिणामी हिस्टोग्राम को चित्र 9 में प्रदर्शित किया जाता है, जहां नीली धराशायी रेखा दुर्घटनाओं के बिना यात्रा करने वाले उपयोगकर्ताओं का मध्य बिंदु है, नारंगी धराशायी रेखा दुर्घटनाओं के साथ यात्रा करने वाले उपयोगकर्ताओं का मध्य बिंदु है। दाईं ओर बड़ी शिफ्ट है। यानी इस तरह से दुर्घटनाओं वाले उपयोगकर्ता सामान्य समूह से बाहर खड़े होते हैं।


चित्र 9. सबसे खराब उपयोगकर्ता यात्राओं की तुलना

इस पद्धति के आधार पर, हम एक स्कोरिंग मॉडल बनाते हैं। मॉडल के परिणाम चित्र 10 में दिखाए गए हैं। नीला सभी उपयोगकर्ताओं के परिणामों को इंगित करता है, नारंगी - दुर्घटनाओं वाले उपयोगकर्ताओं के परिणाम। गति 0 से 10 तक है, जहां 0 सबसे खराब परिणाम है, और 10 सबसे अच्छा है। बिंदीदार रेखाएं दो उपयोगकर्ता समूहों के औसत अंकों को दर्शाती हैं। इसी समय, दुर्घटनाओं वाले उपयोगकर्ताओं की औसत गति लगभग 4 है, और सभी उपयोगकर्ता 5. दुर्घटनाओं के साथ 80% उपयोगकर्ताओं की औसत से कम गति है, दूसरे शब्दों में, दुर्घटनाओं वाले 80% उपयोगकर्ता औसत से भी बदतर हैं।


चित्रा 10. स्कोरिंग परिणाम

टेलीमैटिक डेटा के आधार पर ड्राइविंग स्कोरिंग की गणना में एक समान मॉडल का उपयोग किया जाता है। इसके परिणामों के आधार पर, प्रीमियम कारों या सामान्य रूप से सेवा तक पहुंच सीमित हो सकती है। हालांकि, यह सभी मामलों के लिए एकमात्र और सबसे इष्टतम नहीं है।

लेख में वर्णित मॉडल दुर्घटनाओं की भविष्यवाणी करने के लिए बिल्कुल सही नहीं है। इस लेख में, हमने केवल कार साझाकरण में वर्तमान मॉडलों पर एक समीक्षा की। अगले भाग में, हम आंदोलन की ऊर्जा के मॉडल के बारे में बात करेंगे, जो विशेष रूप से ड्राइविंग शैली (गति परिवर्तन शैली, पैंतरेबाज़ी, आदि) पर संचालित होती है।

Kirill Kulchenkov, kulchenkov32 , बिजनेस कंसल्टेंट, ब्राइट बॉक्स द्वारा पोस्ट किया गया।