Cara penilaian bekerja di industri berbagi mobil. Bagian 1. Ikhtisar alat populer pada data nyata

Berbagi mobil, terlepas dari masa mudanya, adalah salah satu area yang paling aktif berkembang dalam bisnis otomotif Rusia. 5 tahun telah berlalu sejak peluncuran perusahaan pertama, dan hari ini lebih dari 25 operator yang berspesialisasi dalam sewa jangka pendek bekerja di pasar. Dengan perkembangan berbagi mobil, data pengguna dikumpulkan, dan sekarang berbagi mobil, seperti bank, memiliki sistem penilaian pelanggan tertentu. Ini juga bergantung pada usia, jenis kelamin, pengalaman mengemudi, tetapi ini bukan sejarah pinjaman Anda, tetapi sejarah perjalanan Anda. Salah satu tujuan dari penilaian tersebut, selain solvabilitas, validasi SIM, denda, adalah untuk memprediksi kemungkinan kecelakaan untuk pengemudi tertentu.



Pada artikel ini, kami akan menganalisis logika pengoperasian algoritma pemberian skor untuk pengguna berbagi mobil, yang hanya akan bergantung pada usia dan gaya mengemudi. Selain parameter ini, dan untuk mendapatkan hasil yang lebih akurat, mereka dapat digunakan - status sosial, perjalanan dengan anak-anak, aktivitas di jejaring sosial dan informasi dari kamera di dalam mobil. Namun, hari ini kita akan fokus pada dua yang mendasar - usia dan gaya mengemudi.

Perhatikan bahwa dalam artikel kami akan menunjukkan logika penilaian dengan contoh aktivitas mengemudi dari 50.000 pengguna dan 260.000 perjalanan. Semua data dianonimkan. Selain itu, kami menggunakan data 220 kecelakaan yang dilakukan dengan Moskow dan Wilayah Moskow.


Dalam berbagi mobil, mobil adalah sarana menghasilkan laba, apalagi, dibeli dengan uang kredit. Dengan pendekatan ini, penting untuk menggunakannya seefisien mungkin, menghindari downtime. Dan jika mobil mengalami kecelakaan, maka dokumen dengan penanggung, koordinasi, pemesanan suku cadang dan perbaikan yang sebenarnya dapat memakan waktu yang cukup lama, dari beberapa hari hingga beberapa bulan. Penilaian dapat secara prediktif mengidentifikasi potensi kecelakaan, dan berdasarkan itu, Anda dapat memberikan umpan balik kepada pelanggan tentang risiko mengemudi yang tidak aman.

Penting bagi operator berbagi mobil untuk melestarikan properti mereka dan menghasilkan uang. Dengan demikian, platform berbagi mobil wajib mengumpulkan semua informasi yang mungkin tentang mobil dan apa yang terjadi dengannya. Untuk setiap perjalanan, mobil berbagi mobil mengumpulkan data telematika - titik perjalanan dengan interval tidak lebih dari 1 detik dan indikator mobil pada titik-titik ini (kecepatan, putaran, akselerasi, status pintu dan jendela, dll.).

Usia

Ketika menyimpulkan kontrak dengan operator berbagi-mobil, pengemudi harus menunjukkan usia dan pengalaman mengemudi. Berdasarkan data ini, kita dapat membuat histogram berikut.


Gambar 1. Usia pengguna

Gambar 1 menunjukkan grafik batang dari usia pengguna berbagi mobil. Sumbu horizontal adalah usia pengguna, sumbu vertikal adalah jumlah mereka, garis putus-putus menandai median 30 tahun. Itu terlihat seperti distribusi normal dan diucapkan lonjakan dalam jumlah pengguna dengan usia 25, 30 dan 35 tahun.

Kemudian kami mempertimbangkan distribusi usia pengguna yang diidentifikasi oleh penyebab kecelakaan.

Gambar 2. Usia pengguna dengan kecelakaan

Gambar 2 menunjukkan histogram distribusi usia pengguna yang bertanggung jawab atas kecelakaan lalu lintas, horizontal - usia pengguna, vertikal - jumlah pengguna. Sekali lagi, garis putus-putus menandai median 26 tahun. Dengan demikian, jelas bahwa pengguna di bawah usia 26 lebih sering daripada yang lain bersalah karena kecelakaan.

Menurut histogram, setengah dari kecelakaan terjadi karena kesalahan sekelompok seperempat pengguna (pengguna di bawah 26 tahun). Demikian pula, sekelompok pengguna di atas 30, terhitung setengah dari total, hanya menghasilkan seperempat dari kecelakaan.

Dengan demikian, kami melihat bahwa kemungkinan kecelakaan untuk pengguna yang berusia tidak lebih dari 26 adalah empat kali lebih tinggi daripada untuk pengguna yang lebih tua dari 30. Yang menarik perhatian tambahan kepada kelompok pengguna yang lebih muda dari sisi operator berbagi mobil. Bukan kebetulan bahwa banyak persyaratan usia operator tidak dimulai dengan 18 tahun, tetapi dengan 21 tahun. Carsharing juga ingin melihat driver berpengalaman di antara pengguna mereka dan menunjukkan pengalaman 2 tahun, sehingga menyapu driver muda yang tidak berpengalaman.

Gaya mengemudi

Gaya mengemudi lebih rumit. Saat ini, ada model mapan di industri untuk menentukan gaya mengemudi - model untuk menghitung akselerasi dan pengereman yang tajam. Mari kita pertimbangkan lebih terinci.


Gambar 3. Grafik perubahan kecepatan kendaraan.


Jika kecepatan kendaraan melebihi interval waktu ∆t≤3sec. meningkat ≥s≥15 km / jam, maka dalam interval waktu ini mobil berakselerasi dengan tajam. Demikian pula jika untuk selang waktu ∆t≤3 detik. Kecepatan mobil berkurang ≥s≥15 km / jam, maka dalam interval waktu ini mobil mengerem dengan tajam. Andt dan ∆s adalah parameter model dan dapat diubah ke atas dan ke bawah. Misalnya, grafik 3 menunjukkan ketergantungan kecepatan kendaraan tepat waktu, dan dalam interval dari 8 ke 11 detik kecepatan mobil meningkat tajam dari 20 km / jam menjadi 40 km / jam, dan dalam interval dari 15 ke 18 detik, kecepatan turun tajam dari 60 km / jam ke 30 km / jam
A adalah jumlah akselerasi tajam di sepanjang rute, B adalah jumlah pengereman yang tajam. Gambar 4 menunjukkan distribusi jumlah A + B pada sampel rute yang digunakan.


Gambar 4. Distribusi akselerasi dan pengereman yang tajam

Perhatikan bahwa perjalanan dapat berlangsung 15 menit, dan mungkin 5 jam, jadi Anda perlu mempertimbangkan waktu atau jarak perjalanan saat memilih parameter penilaian. D adalah panjang rute dalam kilometer. Kami menghitung jumlah akselerasi dan pengereman yang tajam per 1 km dari rute, mis. ((A + B)) / D. Kami mendapatkan distribusi asimetris yang ditunjukkan dalam histogram Gambar 5, di mana nilai-nilai di pembusukan kiri jauh lebih cepat daripada di sebelah kanan. Sayangnya, sebagian besar metode statistik tidak berfungsi untuk distribusi yang sangat miring. Dalam kasus seperti itu, transformasi logaritmik biasanya membantu, yang sering mengubah asimetri menjadi simetri, karena memungkinkan Anda untuk meregangkan skala di sekitar nol.


Gambar 5. Distribusi akselerasi dan pengereman per 1 km dari rute

Setelah mencatat fungsi ini, kami mendapatkan Log⁡ (((A + B)) / D). Akibatnya, distribusi sangat mirip dengan yang normal - Gambar 6.


Gambar 6. Logaritma jumlah akselerasi dan deselerasi per perjalanan 1 km

Atas dasar fungsi inilah model penilaian gaya mengemudi biasanya dibangun. Mari kita coba jalankan melalui setiap fungsi semua rute dari setiap pengguna. Pada histogram Gambar 7.


Gambar 7. Perbandingan pengguna dengan dan tanpa kecelakaan

Ini menunjukkan biru hasil dari semua pengguna, dengan garis putus-putus median median mereka, merah hasil dari pengguna dengan kecelakaan, dan garis putus-putus merah median mereka. Terlihat bahwa hasil pengguna dengan kecelakaan dialihkan ke kanan, mis. pengguna dengan kecelakaan seringkali direm dengan tajam dan dipercepat dalam proses perpindahan. Namun, perpindahannya sangat kecil dan, pada kenyataannya, tidak ada korelasi antara nilai fungsi ini dan fakta mengalami kecelakaan. Kami mempertimbangkan kinerja rata-rata pengguna, tetapi ada kemungkinan bahwa pengguna mengemudi rata-rata dengan aman, tetapi kadang-kadang sembrono. Pertimbangkan perjalanan tanpa kecelakaan dengan nilai maksimum fungsi Log⁡ (((A + B)) / D) untuk setiap pengguna. Histogram adalah Gambar 8, di mana garis putus-putus menandai median.


Gambar 8. Perjalanan pengguna terburuk

Kami menambahkan histogram perjalanan pengguna dengan kecelakaan, dan kami juga tidak akan memperhitungkan perjalanan mereka di mana kecelakaan itu terjadi. Histogram yang dihasilkan ditampilkan pada Gambar 9, di mana garis putus-putus biru adalah median pengguna yang bepergian tanpa kecelakaan, garis putus-putus oranye adalah median pengguna yang bepergian dengan kecelakaan. Ada pergeseran yang lebih besar ke kanan. Yaitu pengguna dengan kecelakaan dengan cara ini menonjol dari grup umum.


Gambar 9. Perbandingan perjalanan pengguna terburuk

Berdasarkan metode ini, kami membangun model penilaian. Hasil model ditunjukkan pada Gambar 10. Biru menunjukkan hasil semua pengguna, oranye - hasil pengguna dengan kecelakaan. Kecepatannya dari 0 hingga 10, di mana 0 adalah hasil terburuk, dan 10 adalah yang terbaik. Garis putus-putus menunjukkan skor median dari dua kelompok pengguna. Pada saat yang sama, kecepatan rata-rata pengguna dengan kecelakaan adalah sekitar 4, dan semua pengguna adalah 5. 80% pengguna dengan kecelakaan memiliki kecepatan di bawah rata-rata, dengan kata lain, 80% pengguna dengan kecelakaan berkendara lebih buruk daripada rata-rata.


Gambar 10. Hasil penilaian

Model serupa biasanya digunakan dalam menghitung skor mengemudi berdasarkan data telematik. Berdasarkan hasilnya, akses ke mobil premium atau layanan secara umum mungkin terbatas. Namun, ini bukan satu-satunya dan paling optimal untuk semua kasus.

Model yang dijelaskan dalam artikel ini tidak sempurna untuk memprediksi kecelakaan. Pada artikel ini, kami hanya melakukan tinjauan pada model saat ini dalam berbagi mobil. Pada bagian selanjutnya, kita akan berbicara tentang model energi gerakan, yang beroperasi secara khusus pada gaya mengemudi (gaya perubahan kecepatan, manuver, dll.).

Diposting oleh Kirill Kulchenkov, kulchenkov32 , Konsultan Bisnis, Bright Box.