11 Dic 2017
Big Picture car2go Insights LOCAL FLAVOUR

Demand prediction, ovvero: chi ha bisogno di una car2go e quando?

Demand prediction, o previsione della domanda, ci aiuta sin da ora ad avere le car2go principalmente dove sono necessarie. In futuro, la precisione e quindi anche la precisione di adeguamento della domanda e dell’offerta miglioreranno ulteriormente. Qui di seguito viene spiegato il metodo per raggiungere tale obiettivo e i fattori presi in considerazione.

Una condizione preliminare per un concetto ottimale di car sharing free-floating e, soprattutto, per il car sharing autonomo del futuro è un’efficace previsione della domanda.

In tal caso, prima ancora che il cliente si metta alla ricerca di un’auto, l’azienda deve già prevedere momento e luogo nel quale ci sarà la richiesta di un’auto.

 

Qual è il fine della Demand prediction?

Perché tutto questo? Il mercato della mobilità è altamente competitivo e quindi molto probabilmente il cliente sceglierà l’azienda che gli fornisce il servizio migliore e più affidabile a un prezzo conveniente e il prima possibile – oltretutto fornendo l’auto che risponde esattamente alle sue esigenze.

Cosa significa questo per i fornitori? Nel migliore dei casi l’auto dovrà raggiungere il cliente prima ancora che questi ne faccia richiesta.

Per chiarire meglio questo concetto osserviamo il futuro autonomo prendendo ad esempio un caso concreto.

 

Esempio pratico: Giornata di partita della Bundesliga in una grande città

Immaginiamo che in una grande città sia appena finita una partita di calcio allo stadio.

A questo punto ci sono due possibilità.

 

Prima possibilità: non è stata fatta una previsione della domanda. I fornitori di servizi di mobilità non sono in grado di sapere, mentre ancora si gioca, che alla fine della partita molti tifosi richiederanno un’auto.

All’uscita dallo stadio, quindi, i tifosi prendono il loro smartphone e prenotano una vettura.

Le auto che devono dirigersi allo stadio, però, provengono da tutte le zone della città e quindi impiegano del tempo ad arrivare, con la conseguenza di lunghi tempi di attesa. Tempi di attesa inaccettabili per il cliente.

 

Seconda possibilità: esiste una previsione della domanda che individua la necessità di avere delle auto allo stadio a fine partita.

I fornitori del servizio di mobilità, quindi, sono in grado di inviare in anticipo le loro auto allo stadio, in attesa dei tifosi all’uscita dello stadio.

Prevedere momento e luogo nel quale i clienti avranno bisogno di un’auto è già oggi una delle attività quotidiane di car2go.

 

Più date – maggiori opportunità

Grazie alle informazioni raccolte nel corso degli anni, car2go è in grado di prevedere con molta precisione la domanda di mobilità tramite algoritmi complessi.

Questo processo utilizza anche informazioni esterne, ad esempio previsioni meteo o date di eventi.

Sembra ovvio ma quando piove la domanda di auto aumenta rispetto a quando c’è il sole. Analogamente, quando finisce un concerto importante o durante una festa popolare la richiesta di auto in determinati punti della città aumenta rispetto al solito.

 

Demand Prediction e protezione dei dati: un binomio possibile?

Un aspetto importante in questo processo è la protezione dei dati. Con la Demand Prediction si prevede solo se un cliente a una determinata ora avrà bisogno di un’auto.

Naturalmente non si può prevedere di quale cliente si tratti e qual è l’auto che gli serve. In questo contesto, quindi, non si raccolgono né si archiviano dati personali.

 

Uno sguardo al futuro

Oggi car2go è già in grado di prevedere costantemente la domanda di auto in tutte le città car2go e quindi sa esattamente dove e quando i clienti avranno bisogno di un’auto.

Così car2go può stimare il fabbisogno di auto che ci sarà domenica prossima a Berlino, zona centro, o in determinate strade di New York City.

Questo processo è utile per gestire la flotta perché consente di ottenere un maggior numero di auto disponibili per i nostri clienti.

Gli algoritmi di apprendimento migliorano costantemente la qualità delle previsioni grazie all’uso delle tecnologie di apprendimento automatico avanzato o “advanced machine learning technologies”.

La previsione della domanda avrà anche un ruolo cruciale per un carsharing a guida autonoma davvero efficiente.

 

Qual è la vostra opinione? La sensazione (erroneamente) spiacevole di sapere già in anticipo quale car2go ci occorre ha il sopravvento o prevale la gioia di una disponibilità ottimale delle vetture?