Reto / Objetivo
Los servicios de movilidad compartida han surgido recientemente como un nuevo modelo de negocio de transporte, facilitado por la digitalización. Estos servicios ofrecen vehículos compartidos a la carta que pueden ser reservados y utilizados por los ciudadanos a través de aplicaciones móviles. Los servicios de car sharing, moped sharing, bike sharing y e-scooter sharing destacan como una alternativa al uso del coche privado, a menudo más limpia, ya que la mayoría de las flotas desplegadas son eléctricas. A pesar de su notable crecimiento, estos servicios siguen luchando por alcanzar la rentabilidad, lo que dificulta su sostenibilidad financiera. Por ello, los operadores deben mejorar la eficiencia de sus estrategias de despliegue y gestión de flotas.
Para superar este reto, se requiere una comprensión más completa de los patrones de adopción y uso de los servicios de movilidad compartida. Los operadores necesitan saber más sobre los niveles de demanda previstos y las características de los usuarios. Para satisfacer esta necesidad, Nommon está desarrollando una herramienta basada en modelos impulsados por la IA capaces de predecir los patrones de demanda que apoyan a los operadores en la planificación y gestión de los servicios de movilidad compartida.
Solución
La herramienta aprovecha la gran cantidad de datos recogidos por los operadores de movilidad compartida, que monitorizan continuamente la posición y el uso de sus vehículos, adquiriendo así una descripción precisa de la demanda real de los servicios. Estos conjuntos de datos pueden combinarse con otras fuentes de datos capaces de describir el contexto en el que se capta esta demanda. Esto es clave para desarrollar modelos predictivos que sean aplicables más allá del área de operación actual, de manera que se puedan elaborar previsiones de demanda para apoyar decisiones estratégicas (por ejemplo, la implantación en una nueva ciudad). En particular, el uso generalizado de dispositivos móviles ha llevado a la disponibilidad de nuevas fuentes de datos que registran los patrones de actividad y movilidad de la población (por ejemplo, datos de redes móviles, datos de tarjetas inteligentes de transporte público). De estas fuentes pueden extraerse indicadores de demanda de viajes muy precisos, como las matrices origen-destino a escalas temporales y espaciales muy desagregadas. La solución aplicada explota todos estos conjuntos de datos mediante un conjunto de algoritmos de aprendizaje automático de predicción de la demanda. Estos modelos producen estimaciones de la demanda captada para un periodo de tiempo determinado a nivel de pares origen-destino, con una resolución espacio-temporal configurable.
Además de los modelos, se incluyen dos módulos para producir indicadores a medida y apoyar los procesos de toma de decisiones de los operadores. En primer lugar, un módulo de planificación estratégica informa sobre el modo en que las modificaciones importantes del servicio (por ejemplo, cambio en el tamaño de la flota, ampliación o reducción del área de servicio, implantación en una nueva ciudad) cambiarían los KPI del servicio, como las tasas de viajes por vehículo o los ingresos del servicio. En segundo lugar, un módulo de gestión de la operación indica qué zonas requieren determinadas acciones para garantizar la disponibilidad del suministro en las próximas horas en función de la demanda prevista por los modelos, facilitando la optimización de los procedimientos de carga y mantenimiento. Los KPI pueden visualizarse en un cuadro de mando que permite a los operadores y a las autoridades probar diferentes escenarios y analizar el impacto de sus decisiones. También se espera que los indicadores puedan proporcionarse a través de una API, con el fin de facilitar la integración de esta solución con otras herramientas existentes utilizadas actualmente por los operadores de movilidad compartida.
¿Quieres saber más sobre las lecciones aprendidas, los detalles financieros y los resultados?
Entra en ella