Untuk terlalu lama, data bersejarah telah menjadi asas yang mendalam bahawa rangkaian pengangkutan telah berdasarkan keputusan harian mereka. Dengan pemikiran mengenai data dan penyimpanan yang berubah secara dramatik di dunia nyata sejak beberapa tahun kebelakangan ini, sektor pengangkutan telah ketinggalan dan gagal mengikuti perubahan yang dapat dilihat ini.
Walaupun sudah hampir 20 tahun sejak kemunculan AdTech dan pemperibadian, industri ini masih dimakan oleh corak data bersejarah dan data mudah alih. Dan akhirnya, ini adalah landskap yang perlu berubah agar kita semua dapat bergerak ke hadapan dengan penyelesaian yang berkesan yang pada asasnya meningkatkan keseluruhan pengalaman penumpang.
Dengan niat dan permintaan yang sentiasa berubah-ubah, dunia hanya berubah terlalu banyak untuk kita terus menetapkan masa lalu. Sebaliknya, kita harus melihat masa depan dan mempercepatkan pembangunan pengangkutan dengan mengalihkan perhatian kita kepada data ramalan.
Kami tahu bahawa AdTech telah lama bertahan berdasarkan apa yang akan dilakukan oleh seseorang, berbanding dengan apa yang telah mereka lakukan - itulah asas di mana infrastruktur dan e-dagang dirancang. Tetapi dalam industri pengangkutan, apa yang akan berlaku pada skala masa depan atau masa nyata sering dimaklumkan oleh apa yang telah berlaku sebelum ini, dan corak pengangkutan mesti lebih luas daripada ini untuk memberitahu penumpang tentang perjalanan mereka dengan sewajarnya.
Terlalu banyak organisasi pengangkutan yang umum corak penggunaan mereka berdasarkan data bersejarah yang salah. Sebagai contoh, mudah untuk menganggap bahawa cuti umum akan menghasilkan tempoh perjalanan yang lebih sibuk. Tetapi ini tidak khusus untuk hari tertentu dan tidak mengambil kira pelbagai elemen penting yang boleh memberi kesan kepada andaian ini, seperti corak cuaca dan niat penumpang. Ini bermakna bahawa kita mengambil pandangan yang terlalu mudah dan sempit tentang sistem yang jauh lebih kompleks.
Dengan generalisasi yang menyapu ini, data yang dipetakan terhadap tempoh yang biasanya sibuk atau tenang tidak diramalkan dengan tepat. Ini mengakibatkan pengendali pengangkutan tersalah maklumat, perkhidmatan menjadi sibuk dan penumpang berasa tidak berpuas hati.
Ini amat penting semasa kemuncak Covid-19, kerana pengendali pengangkutan sebahagian besarnya tidak dapat bertindak balas dengan berkesan terhadap turun naik harian dalam permintaan. Dengan bergantung pada mekanisme yang hanya mempertimbangkan penjualan tiket dan nombor penumpang sebelumnya, mereka diberi ramalan yang bukan sahaja mengelirukan tetapi juga menyebabkan masalah besar dalam menghadapi krisis yang berterusan.
Data sejarah tidak lagi boleh digunakan untuk meramalkan permintaan masa depan. Tabiat perjalanan orang ramai telah menyesuaikan diri dan cara mereka lebih suka melakukan perjalanan juga telah berubah. Itulah sebabnya kita perlu memberi tumpuan lebih kepada pemperibadian dan menentukan berapa ramai orang yang berhasrat untuk menggunakan perkhidmatan tertentu. Dengan maklumat ini, pengendali boleh mengejutkan perjalanan seseorang, memaklumkan kepada mereka tentang kesesakan terlebih dahulu dan menyediakan pilihan alternatif sekiranya mereka memerlukannya.
Sebagai tambahan kepada data bersejarah yang memainkan peranan yang lebih rendah dalam penilaian pengangkutan harian kita, ia juga bernilai melihat bagaimana kita bergantung kepada data mudah alih. Sehingga kini, data mudah alih dan penjejakan lokasi telah menjadi yang paling penting apabila memaklumkan keputusan, dan pandangan sesat ini telah mewujudkan gelombang kabus yang telah mengaburkan pertimbangan mereka yang berada di barisan hadapan semuanya.
Pada hakikatnya, data mudah alih memberitahu anda apa-apa yang konkrit tentang mengapa orang melakukan perjalanan, di mana destinasi terakhir mereka adalah atau apa pilihan peribadi mereka ketika datang ke pengangkutan. Selama beberapa dekad, kami telah mendengar bahawa "data mudah alih adalah satu-satunya cara ke hadapan" tetapi ia tidak memberitahu anda apa yang akan dilakukan oleh orang hari ini, minggu depan atau minggu selepas itu. Oleh itu, laluan sebenar ke hadapan adalah dalam data ramalan dan menentukurnya agar sesuai dengan individu. Kita perlu semua elemen ini untuk bekerja sama untuk membuat hal-hal yang efektif.
Ini bukan rahsia tentu saja, dengan gergasi teknologi seperti Google, Apple dan Uber menjelaskan bahawa model bersejarah dan penjualan tiket berdasarkan data mudah alih sebahagian besarnya tidak bermakna apa-apa. Oleh kerana industri teknologi dan pengangkutan cuba bersaing dengan perubahan tingkah laku dan niat penumpang, data mudah alih terus kehilangan tempat di ruang bandar pintar dan gagal menawarkan resolusi yang kita perlukan. Tetapi dengan menggabungkan semua sumber kita menjadi sesuatu yang benar-benar melayani kereta api, kita dapat secara kolektif bekerja sama dan berhenti berusaha untuk menciptakan kembali sejumlah sumber tunggal yang bekerja melawan satu sama lain.
Tidak ada keraguan bahawa pemperibadian sudah berada pada tahap tertinggi sepanjang masa. Hanya satu melihat Amazon atau Google akan memberitahu anda bahawa kita berada pada satu ketika di mana pembelajaran mesin boleh diakses sepenuhnya, namun sektor pengangkutan masih ketinggalan dalam perlumbaan ini.
Jualan tiket bersejarah menunjukkan apa yang dilakukan oleh penumpang berdasarkan pilihan yang mereka ada di hadapan mereka pada masa itu, yang bermaksud kami salah merakam keputusan sebenar yang dibuat oleh seseorang berdasarkan pilihan yang sangat terhad. Oleh itu, data di mana kita mendasarkan segala-galanya - dari masa ke masa hingga pilihan laluan - sangat berbeza dengan apa yang sebenarnya diinginkan oleh penumpang itu.
Data perlu menunjukkan apa kombinasi peristiwa mencipta gambaran corak penumpang yang tepat dan sahih. Dengan data bersejarah, kita tidak mungkin boleh mula menyelesaikan masalah seperti: Berapa ramai orang yang akan kesan kereta api lewat? Penumpang mana yang memerlukan pilihan laluan alternatif? Adakah mereka melakukan perjalanan selama beberapa jam dan memerlukan kesegaran? Dll.
Kami memerlukan beberapa elemen yang berbeza di hujung jari kami untuk meramalkan corak permintaan pengangkutan dengan sewajarnya. Dan satu-satunya solusi di sekitar ini adalah memahami niat. Ini termasuk menggunakan model pembelajaran mesin masa nyata untuk menyampaikan maklumat peribadi kepada penumpang yang boleh membantu menyebarkan beban penumpang secara bijak di seluruh rangkaian dan meminimumkan kesan insiden.
Data niat membuktikan dirinya berharga bukan sahaja dalam memahami bagaimana orang menggunakan pengangkutan, tetapi juga untuk menggalakkan orang kembali ke sektor runcit dan perhotelan. Ini sangat penting dalam dunia pasca-covid di mana perniagaan bergantung pada pandangan pelanggan untuk membina diri mereka kembali. Dengan data niat, kami boleh menggunakan penyasaran kontekstual untuk menyerlahkan keperluan pelanggan kepada perniagaan dan menyokong mereka dalam menawarkan penyelesaian yang diperibadikan kepada pelanggan tersebut.
Pada dasarnya, ketepatan bergantung pada kerjasama. Sekarang adalah masa untuk pelbagai teknik sumber data yang ditapis dengan baik dari AdTech dan industri lain untuk membuat tanda dalam perancangan operasi. Hanya apabila kita mendapat kerjasama yang betul, kita akan mula membina laluan yang permintaan perkhidmatan. Ini seterusnya akan menjadi pemangkin kepada rangkaian pengangkutan yang berkesan untuk kedua-dua kawasan bandar dan luar bandar di UK.
Jenis data ini adalah sesuatu yang sudah kami kumpulkan secara besar-besaran dan merupakan sesuatu yang tersedia secara percuma. Ia tidak boleh dan tidak boleh diabaikan, dan kita tidak akan berjaya "membina kembali lebih baik" tanpa itu. Nasib baik, langkah positif terus dibuat di ruang ini - kerana data ramalan dan niat kini digunakan untuk menggerakkan pesanan peribadi untuk syarikat pengendali kereta api yang paling berpandangan ke hadapan yang beroperasi, seperti London North-eastern Railway, East Midlands Railway dan c2c Rail.
