С Эндрю Россингтоном, Директором по продукту, Телетрак Навман

Мы пришли ко многим интересным осознаниям во время пандемии. Учтите, что теперь мы знаем, что работники могут продуктивно работать дома, доступ к корпоративной информации можно получить безопасно и надежно из любого места, а доставку на дом можно масштабировать в спешке. Последнее было бы невозможно без распространения телематики с помощью сенсорных технологий, мобильного сбора данных и, в последнее время, искусственного интеллекта (ИИ). Было бы трудно поверить, что десять лет назад мы могли иметь под рукой все эти сгенерированные машиной данные. Точное знание того, что делать со всем этим, все еще может быть проблемой.

Возьмем, к примеру, такой сценарий: в качестве менеджера автопарка вам не хватает времени на доставку, и у вас есть водители с ограниченным количеством часов вождения и ограниченным количеством оборудования для доставки товаров. Что теперь? Используйте наборы данных, доступные вам в режиме реального времени, чтобы вычислить, кто является лучшей комбинацией водителя, транспортного средства и маршрута для доставки указанных доставок, максимально используя доступные ресурсы на основе имеющихся у вас данных.

Во-первых, вы должны думать о своих бизнес-целях. Вы хотите сократить расходы на топливо, сделать автопарк более безопасным, привлечь водителей и/или клиентов к ответственности, установить более разумные цены, проложить наилучшие маршруты — или все вышеперечисленное? Знание целей вашего бизнеса поможет установить курс использования телематической системы данных. Данные из телематической системы станут бесценным ресурсом для достижения ваших бизнес-целей и помогут вашему автопарку стать более конкурентоспособным, заключая и продлевая больше контрактов, привлекая и удерживая лучших водителей, а также практически автоматизируя выполнение требований. Так как вы это делаете? Ответ кроется в данных, которые помогут вам выявить неэффективность, выявить позитивные аномалии, которые могут побудить вас к продуманным действиям в режиме реального времени.

Выявление неэффективности
Даже при наличии большого количества необработанной информации может быть сложно понять, что означают данные, если их не с чем сравнить или помочь «соединить точки». Именно здесь ИИ в сочетании с машинным обучением создает прогнозную аналитику и исторические данные, чтобы выделить определенные точки данных, которые могут помочь менеджерам автопарка при анализе и принятии решений.

Сравнения имеют решающее значение для выявления вредных тенденций, которые можно улучшить, или неожиданной положительной тенденции, которая должна стать стандартным процессом и воспроизводиться. С помощью ИИ рассчитывается базовый набор данных, чтобы определить, как работает ваш автопарк в настоящее время. Затем с помощью машинного обучения этот базовый уровень сравнивается с новой информацией, на основе которой можно рекомендовать возможности. Без особого вмешательства пользователя некоторые из областей, которые может раскрыть ИИ, включают:

  • Изучение того, сколько времени водители тратят на аналогичные виды работ и маршруты
  • Мониторинг расхода и расхода топлива
  • Отслеживание данных о времени простоя в сочетании с местоположением, чтобы увидеть, можете ли вы избежать зон с высоким уровнем простоя.
  • Сервисные компании могут просматривать данные о рабочем времени на объектах по всему полю, чтобы увидеть, являются ли некоторые из их технических специалистов более эффективными, чем другие.
  • Анализ конкретного поведения при вождении вместе с записями о техническом обслуживании, чтобы увидеть, не вызывают ли некоторые водители более частый ремонт или реже ремонтируют некоторые водители, и выяснить, почему это может быть
  • Видеть, какие работы занимают больше всего времени или стоят больше всего
  • Определение правильного оборудования для разных нагрузок и/или разных маршрутов
  • Прогностическое техническое обслуживание, чтобы менеджеры автопарка могли избежать проблем с безопасностью, выявлять проблемы, связанные с обслуживанием, до того, как они станут хуже, следить за тем, чтобы транспортные средства не съезжали с дороги из-за непредвиденных проблем с обслуживанием или наоборот, слишком часто обслуживались.
  • Анализ записей водителя на основе глубоких знаний телематики автомобиля и информации бортовых датчиков для обучения водителей желаемому поведению.

Учитывать аномалии

Иногда проекты могут сойти с рельсов, а производительность автопарка может резко превысить или ухудшить ожидания по сравнению с ожиданиями. Эти экземпляры можно легко найти и отсортировать с помощью продвинутой телематической платформы и вызвать более глубокое погружение в цифры. Что-то не так в наборе данных может потребовать более внимательного изучения других точек данных, чтобы добраться до сути проблемы. Менеджеры автопарка могут настроить свои платформы для автоматизации этого процесса обнаружения данных и мгновенно получать нужные ответы. Технологии глубокого машинного обучения могут обнаруживать аномалии на основе исторических данных и связанных с ними данных в реальном времени. Например, это может показать, почему затраты на топливо резко увеличиваются в пятницу для данной доставки или почему для выполнения аналогичных работ для конкретного клиента требуется меньше времени.

Примите меры
Благодаря использованию интеллектуальных телематических платформ на базе искусственного интеллекта руководители автопарков могут эффективно использовать данные для уверенного принятия действенных решений. Часто, когда есть неэффективность или угроза безопасности, коррекция курса становится очевидной. Платформу можно настроить для предоставления менеджерам автопарка важных данных, чтобы они могли затем выявлять тенденции и определять наилучший план действий в режиме реального времени. Некоторые из распространенных решений по автопарку на основе данных включают:

  • Обучение и поощрение водителей
  • Мгновенная корректировка маршрутов по маршрутам или расписаниям
  • Упреждающее определение технического обслуживания находящихся в эксплуатации транспортных средств
  • Покупка оборудования, которое, как доказано, прослужит дольше
  • Определите, какие склады вызывают задержки в ваших процедурах, чтобы привлечь их к большей ответственности или пересмотреть условия контракта.
  • Сокращение или расширение вашего парка для увеличения производства и доходов
  • Немедленное выявление и принятие мер в соответствии с тенденциями, которые могут привести к лучшим результатам в области безопасности.
  • Распознавание «горячих точек», где происходят повышенные холостые обороты или превышение скорости, чтобы изучить, как их избежать.
  • Использование подходящего автомобиля и водителя для каждой задачи
  • Выявление проблем клиентов до их возникновения и принятие немедленных ответных мер для обеспечения наилучшего обслуживания.

Принятие решений на основе данных

Все эти баллы основаны на данных, которые вы получаете, но бывает ли так, что данных слишком много? Да, иногда у вас может быть слишком много данных, особенно если вы не можете сделать важные и действенные выводы.

Ключевым моментом является выбор достаточно мощной телематической платформы, способной защитить нужные данные для вашего автопарка. Благодаря инновациям в области искусственного интеллекта, машинного обучения, геозон, сбора данных и технологии камер/потоковых трансляций у менеджеров автопарков никогда не было такой огромной возможности получить глубокое представление о том, что происходит с их автопарком. Телематическая система, использующая подобные технологии следующего поколения, также снижает потребность в аналитике данных и устраняет дорогостоящие периоды анализа, когда прибыль может быть потеряна в ожидании этих выводов.

Благодаря этим достижениям в области телематики платформы управления автопарком и активами теперь могут сообщать руководителям автопарков то, чего они не знают, когда им нужно это знать. Кроме того, это позволяет им делать свои собственные выводы, применять свои собственные наилучшие суждения, подкрепленные данными в реальном времени, а также тренировать и применять наилучший курс действий. В конечном счете, эта обновленная технология позволяет лицам, принимающим решения, опережать потенциальные проблемы, а не выявлять их с помощью исторических данных.