11 dec 2017
car2go Insights

Demand prediction – oftewel wie heeft wanneer een car2go nodig?

Demand prediction of vraagprognose helpt nu al om de car2go’s zoveel mogelijk op de plaats te hebben, waar ze nodig zijn. In de toekomst zal de precisie en daarmee ook een naadloze aansluiting tussen vraag en aanbod nog beter worden. Hoe dit precies gebeurt en met welke factoren rekening moet worden gehouden, wordt hierna toegelicht.

Een voorwaarde voor een optimaal free-floating carsharingconcept en vooral voor de autonome carsharing van de toekomst, is een goed functionerende vraagprognose.

Daarbij moet worden ingespeeld op de vraag wanneer en waar een klant een auto nodig heeft, nog voordat de klant actief op zoek gaat naar een voertuig.

 

Waartoe dient demand prediction?

Waarom dat zo is? In een concurrerende mobiliteitsmarkt zal de klant hoogstwaarschijnlijk de aanbieder kiezen, die hem in de kortste tijd en tegen een gunstige prijs de betrouwbaarste en beste service biedt – en hem vervolgens precies de auto ter beschikking stelt die hij nodig heeft.

Voor de aanbieder betekent dit: in het beste geval is de auto al onderweg naar de klant, voordat deze überhaupt een auto boekt.

Een blik in de autonome toekomst, aan de hand van een praktijkvoorbeeld, kan dit verduidelijken.

 

Praktijkvoorbeeld: Een belangrijke voetbalwedstrijd in een grote stad

Laten we aannemen dat een voetbalwedstrijd in het stadion van een grote stad ten einde loopt.

Nu zijn er twee mogelijkheden.

 

De eerste mogelijkheid: er is geen vraagprognose. Mobiliteitsaanbieders slagen er dus niet in al voor het einde van de wedstrijd in te schatten hoeveel supporters na afloop een auto nodig hebben.

De supporters zullen dan het stadion verlaten en met hun smartphone een auto bestellen.

Die auto’s moeten dan echter eerst uit alle delen van de stad naar het stadion rijden, wat tijd vergt en dus lange wachttijden oplevert. Wachttijden die voor de klant niet acceptabel zullen zijn.

 

De tweede mogelijkheid: er is wel een vraagprognose, die onderkent dat er na afloop van de wedstrijd auto’s nodig zijn bij het stadion.

Mobiliteitsaanbieders zijn dan in staat om vooraf auto’s naar het stadion te sturen, die al staan te wachten als de supporters uit het stadion stromen.

De prognose wanneer en waar de klanten een auto nodig hebben, maakt bij car2go nu al deel uit van de dagelijkse werkzaamheden.

 

Meer gegevens – meer mogelijkheden

Dankzij de gegevens die car2go in de loop der jaren heeft verzameld, kan het bedrijf met behulp van complexe algoritmen de mobiliteitsvraag zeer precies voorspellen.

Ook externe gegevens, zoals het weer en evenementenkalenders, worden hierbij betrokken.

Het klinkt banaal, maar als het regent is de vraag groter dan wanneer de zon schijnt. Na een groot concert of tijdens een volksfeest is de behoefte op bepaalde plaatsen in de stad groter dan op andere plekken.

 

Demand prediction en gegevensbescherming – gaat dat wel samen?

Gegevensbescherming is hierbij een zeer belangrijk thema. Dee demand prediction voorspelt alleen dat een klant op een bepaald tijdstip een auto nodig heeft,

maar niet welke klant. In dit verband worden dus geen persoonsgegevens verzameld en opgeslagen.

 

Een blik in de toekomst

car2go prognosticeert momenteel al continu de vraag in alle car2go-steden en weet daarom wanneer en waar de klanten een auto nodig hebben.

Verder kan car2go inschatten hoe hoog de voertuigbehoefte komende zaterdagmiddag zal zijn in de binnenstad van Berlijn of in bepaalde straten in New York City.

Dat helpt ons het wagenpark zo te managen, dat een optimale beschikbaarheid voor onze klanten wordt gerealiseerd.

Zelflerende algoritmen verbeteren de kwaliteit van de prognoses door het gebruik van  ‘advanced machine learning technologies’.

De vraagprognose zal dus van cruciale betekenis zijn, wil autonome carsharing goed functioneren.

 

Wat vind jij, overheerst het (onterechte) onbehaaglijke gevoel bij de gedachte dat car2go al vooraf weet wanneer en waar er behoefte aan is, of ben je blij met de optimale beschikbaarheid?