Creşterea atractivităţii serviciilor oferite prin utilizarea IoT şi Machine Learning în industria de Rent a Car. Descrierea unei aplicaţii practice

În februarie 2016, după o întâlnire cu toţi actionarii Romanian Car Hire – www.RomanianCarHire.com, s-a ajuns la concluzia că sistemul actual trebuie schimbat şi că este nevoie de o nouă viziune în modul în care se desfăşoară business-ul. Astfel, am acceptat rolul de coordonator al acestui program având ca scop creşterea atractivităţii serviciilor oferite prin venirea în întâmpinarea nevoilor curente ale clienţilor şi reducerea costurilor acestora în funcţie de mai mulţi parametrii.
Au fost discuţii, s-au făcut multe planuri, s-au aruncat multe idei la coş ca fiind învechite şi, la final, s-a decis calea de urmat. Această cale voi încerca să o descriu mai jos deoarece reprezintă viitorul în următorii 5-7 ani.
În modul de rezolvare a problemelor, inovarea a fost şi încă este un punct de referinţă în toată această retehnologizare. Toate aceste sarcini mi-au fost trasate în momentul în care am fost investit în funcţia de Business Development Manager.

Descrierea problemelor
S-a încercat să se răspundă la câteva întrebări legate de comportamentul beneficiarilor serviciilor de închirieri auto:

• Ce distanţă acoperă clienţii în momentul în care închiriază un autoturism?
• Distanţa parcursă este unul din indicatorii care formează preţul final fiindcă cu cât creşte cu atât cresc şi costurile de întreţinere al vehiculelor.
• Pe ce sectoare de drum conduc clienţii autovehiculele?
• În strânsă legătură cu răspunsul precedent, dacă se cunoaşte procentajul clienţilor defalcat pe aria geografică de unde aceştia vin, se poate estima ce cost se va genera pentru repararea autovehiculelor ce vor avea defecţiuni la trenul de rulare. Astfel, dacă clienţii ce vin din Franţa rulează pe sectoare de drum ce nu sunt perfect asfaltate, aceştia vor vedea un preţ mai mare decât cei care vin de exemplu din Germania şi folosesc autovehiculele pe sectoare de drum european.
• Cum reducem costurile de livrare al autovehiculelor dacă un client solicită un autovehicul la Bacău, sediul din Bacău nemaiavând niciunul disponibil şi singurele birouri ce au autovehicule disponibile sunt la Suceava şi Iaşi caz în care clientul trebuie să plătească costurile de relocare. Dar dacă cererea creşte în Bacău şi acelaşi autovehicul ulterior ar trebui predat unui alt client tot în Bacău?
• Introducerea conceptului de self service astfel încât să nu mai fie necesară prezenţa unui agent la livrarea, respectiv preluarea, unui autovehicul iar clientul să poată efectua singur aceste operaţiuni fiind ghidat către locul din parcare unde se află vehiculul şi deschiderea de la distanţă a acestuia.

Sumar soluţie adoptată
După o scurtă analiză, s-a decis că este nevoie de un sistem IoT care să furnizeze informaţii în timp real referitor la itinerariul fiecărui autovehicul, să îl poată lega ulterior de o persoană fizică existenţa în sistem, să urmărească numărul de km parcurşi în total, să analizeze sectoarele de drum pe care se circulă urmărind şocurile verticale, să stabilească în funcţie de numărul de reveniri la o locaţie dacă această reprezintă locaţie de vacanţă sau locaţie de destinaţie a clientului, etc. Toate aceste informaţii pot fi furnizate şi realizate cu ajutorul unui sistem GPS şi a unui modul de interpretare a datelor transmise şi integrarea lor în sistemul de închirieri auto.
În acest caz, GPS-ul are sistem de operare, dispune de mai mulţi senzori şi poate fi accesat şi configurat de la distanţă. Mă voi limita însă strict asupra functionalitatilor necesare rezolvării problemelor menţionate.
Ca şi cost, un astfel de modul GPS costă între 45USD şi 400USD, costuri ce se vor amortiza în 24 luni iar impatul asupra preţului final de închiriere este insesizabil.
Astfel, odată sistemele GPS instalate pe fiecare autovehicul în parte, s-a trecut la integrarea datelor transmise în sistemul general.
A două componentă foarte importantă este cea de analiză a datelor transmise şi stocate de modulele IoT GPS astfel:

• Distanţele acoperite de fiecare client sunt uşor de identificat de vreme ce se cunoaşte exact momentul în care un vehicul este închiriat şi când este returnat.
• Analizând datele transmise de senzorul de şocuri inclus în chip-ul GPS-ului, fără a avea cartografiate toate drumurile din ţară, se poate cunoaşte dacă drumul pe care circulă un client este din categoria: excelent, bun, slab sau execrabil (cazul în care se circulă pe drumuri neasfaltate).
• Modulul GPS transmite tot timpul locaţia unui vehicul iar sistemul de închirieri cunoaşte dacă un autovehicul este închiriat sau nu. Astfel, în funcţie de necesitatea viitoare, se poate decide dacă se va trimite un autovehicul din Iaşi sau unul din Suceava. Dacă ambele locaţii au autovehicule libere se va decide în funcţie de costurile de deplasare din ambele locaţii alegând varianta optimă pentru client.
• Conceptul de self service este unul întâlnit în business-ul de Car Sharing unde se poate încuia şi descuia un autovehicul de la distanţă folosind un dispozitiv mobil.
• Modulul GPS va fi conectat la interfaţă CAN Bus-ul vehiculului şi va comandă acestuia să se deschidă sau să se închidă în funcţie de comanda pe care o va da clientul. Desigur, se poate comanda oprirea motorului, blocarea acestuia, pornirea avariilor în caz de şocuri, etc.
• Comanda se transmite modulului GPS care iniţiază ulterior comanda către computerul autovehiculului iar clientul va reuşi să între în posesia vehiculului fără ca un agent să se află fizic în locaţie ca să îl predea. Acest lucru va reduce numărul de personal necesar pentru predarea / preluarea autovehiculelor iar clienţii vor putea observa acest lucru în preţul de închiriere în sensul că acesta va scădea.

Imbunatarirea serviciilor prin utilizarea Machine Learning
Componenta de învăţare automată integrată cu modulul de Revenue Management va furniza acestuia din urmă informaţii esenţiale pentru stabilirea automată a preţurilor ce urmează să fie practicate având ca scop principal creşterea gradului de închiriere şi, implicit, a cifrei de afaceri:

• Cunoscând distanţă parcursă de fiecare client, inclusiv locaţia de rezidenţă a acestuia, se poate previziona pentru fiecare tip de autovehicul ce costuri urmează să se genereze în următorii 2 ani şi astfel să se includă acestea în costurile de închiriere.
• Acesastă previzionare se poate schimba dinamic în fiecare zi în funcţie de noile date recepţionate iar preţurile se vor ajusta în mod automat (în sus sau în jos).
• În funcţie de ţara de rezidenţă a clientului şi a istoricului acestuia cu noi, aplicând algoritmi de învăţare automată (statistică matematică), se poate cunoaşte costul generat de utilizarea autovehiculului încă din momentul în care acesta caută un autovehicul. Preţul astfel furnizat poate creşte sau scade în funcţie de aceşti markeri.
• Categoria de drum pe care un client călătoreşte sau poate călători în funcţie de comportamentul predecesorilor săi, va determina componenta de Revenue Management să mărească sau să scadă preţul de închiriere aproximativ similar ca în exemplul precedent. La baza acestei decizii stau tot algoritmi matematici, algoritmi ce stau la baza conceptului de Machine Learning.

Decizia locaţiei de unde se va trimite un autovehicul este ceva mai elaborată şi se vor lua în discuţie mai mulţi factori printre care şi numărul total de km parcurşi până la un moment de un autovehicul deoarece se urmăreşte ca după 2 ani să nu existe autovehicule care au un număr mai mare de km parcurşi decât celelalte din acelaşi tip pentru ca valoarea de revânzare să fie cât mai mare.
Toţi aceşti markeri vor influenţă decizia finală în funcţie de o probabilitate / importanţă.
Ca şi concluzie, se poate observa cum IoT-ul joacă şi va juca un rol esenţial în următorii 5-7 ani în modul în care se va face business. Se vor putea trata diferit clienţii în funcţie de nevoile acestora şi valoarea serviciilor oferite va fi aproximativ diferită de la client la client.
Modul în care s-au făcut afacerile până de curând apune
Singurul mod de a ieşi câştigător într-o astfel de competiţie nu este să reduci preţurile continuu sperând “să moară” competitorul deoarece nu-şi permite să meargă cu un profit de 1 leu 1-2 ani ci să inovezi şi să laşi competitorului acei clienţi care ţie nu-ţi convin pentru că-ţi generează costuri suplimentare. Competitorul, dacă nu reuşeşte să-şi împartă clienţii în categoria care-i aduce profit şi categoria care-i produce costuri, va ajunge la final de an, când trage linie, să constate că profitul scontat nu este realizat şi nici preţul nu poate să-l scadă pentru nicio categorie din cele două deoarece are costuri de operare ridicate.
IoT-ul ne ajută în activitatea curentă să reducem costurile de operare astfel încât să putem servi clienţi 24/7, incluzând preluarea şi predarea autovehiculelor, fără a fi necesar personal în tot acest interval.
Estimăm totodată o creştere a profitului cu aproximativ 15% pentru acelaşi număr de clienţi ca şi în prezent prin simpla integrare a echipamentelor de raportare IoT în procesul de vânzare. Investiţia urmează să se amortizeze în primii 2 ani de la lansare.
Desigur, vor există şi clienţi care, în urmă utilizării unui astfel de sistem, nu vor mai găsi serviciile noastre atractive. Aceştia vor migra probabil către alte companii similare, companii care nu iau în calcul aceşti parametrii în momentul în care vor stabili preţurile. Acest lucru nu ne sperie şi nici nu ne descurajează deoarece, privind lucrurile strict economic, aceşti clienţi generau costuri suplimentare şi indisponibilizau autovehiculul destul de mult. Per total, trăgând linie, fără aceştia, procentual, profitul va fi mai mare. Ce vor face restul companiilor şi ce mişcări vor adopta rămâne de văzut. Cert este că, mai devreme sau mai târziu, toate companiile vor trece la acest nivel dacă vor dori să-şi crească profiturile şi să îşi recompenseze clienţii ce au un comportament care le convine.
IoT-ul la ora actuală este încă în ascensiune şi este suficient loc de inovare în orice domeniu. Aproape orice business poate fi re-tehnologizat şi îmbunătăţit folosind IoT iar dacă se doreşte mai mult, atunci se poate integra cu IBM Watson pentru a avea acces la o componentă de Cognitive Machine Learning extrem de puternică şi fiabilă. Sau, dacă echipa tehnică este suficient de capabilă, se poate dezvoltă componentă de învăţare automată şi antrena cu diferite seturi de date strânse în trecut.