Optymalizacja floty i retencja klientów w branży shared mobility dzięki analizie danych geolokalizacyjnych

Operator miejskiej platformy shared mobility, oferujący wynajem pojazdów w modelu współdzielonym na minuty. Usługa dostępna w kilkunastu miastach, obsługująca tysiące użytkowników dziennie. Funkcjonowanie platformy opiera się na dynamicznym dopasowaniu dostępności pojazdów do lokalnego popytu oraz efektywnym zarządzaniu flotą.

Wraz z rozwojem działalności i rosnącą liczbą użytkowników pojawiła się potrzeba lepszego zrozumienia zachowań klientów oraz usprawnienia operacji związanych z rozmieszczeniem pojazdów. Dotychczasowe metody planowania okazały się niewystarczające – pojazdy często były lokalizowane w miejscach o niskim popycie, podczas gdy w innych obszarach ich brakowało. Skutkowało to spadkiem efektywności operacyjnej oraz pogorszeniem doświadczeń użytkowników.

Brakowało również narzędzi do analizy zachowań klientów i segmentacji użytkowników. Niemożliwe było określenie, którzy klienci generują największe przychody, którzy są zagrożeni rezygnacją, ani jakie wzorce korzystania z usługi występują w poszczególnych grupach.

Postawiono sobie za cel odpowiedź na kluczowe pytania, takie jak:

• Jak zmienia się liczba wynajmów w zależności od pory dnia i dnia tygodnia?
• W jaki sposób lokalne wydarzenia wpływają na popyt?
• Gdzie użytkownicy najczęściej rozpoczynają i kończą przejazdy?
• Które trasy cieszą się największą popularnością?
• Gdzie pojazdy pozostają nieaktywne przez długi czas?
• Kim są najbardziej wartościowi klienci?
• Jakie grupy użytkowników wykazują oznaki dezaktywacji?
• Czy powtarzają się wzorce podróży wśród użytkowników?

W odpowiedzi na powyższe potrzeby zrealizowano kompleksowy projekt analityczny oparty na danych zebranych przez 18 miesięcy w ponad 12 miastach. Przeanalizowano miliony rekordów dotyczących lokalizacji pojazdów, historii przejazdów, aktywności użytkowników oraz danych finansowych.

Zastosowano następujące metody analityczne:

• Analiza statystyczna – do identyfikacji trendów dziennych, tygodniowych i sezonowych w liczbie wynajmów.
• Analiza geolokalizacyjna – w celu zidentyfikowania lokalizacji o wysokim i niskim natężeniu ruchu oraz obszarów, gdzie pojazdy pozostają nieużywane.
• RFM (Recency, Frequency, Monetary Value) – do segmentacji klientów według aktualności, częstotliwości i wartości ich transakcji.
• Analiza kohortowa – pozwalająca ocenić retencję klientów w czasie, w zależności od momentu rejestracji.
• Zaawansowana wizualizacja danych – z użyciem map ciepła, punktowych, klastrowych oraz choropleth, umożliwiająca przystępne przedstawienie wyników zarówno zespołom technicznym, jak i biznesowym.

Całość oparta została na środowisku Python i bibliotekach takich jak Pandas, Dask, Seaborn, Folium oraz SQLAlchemy. Dane przechowywano i analizowano z wykorzystaniem baz MariaDB oraz MySQL.

W wyniku analizy uzyskano szereg praktycznych rekomendacji, które wdrożono w ramach działań operacyjnych i marketingowych. W szczególności:

• Zoptymalizowano rozmieszczenie pojazdów na podstawie rzeczywistych danych popytowych. Umożliwiło to zwiększenie średniego wykorzystania floty bez potrzeby jej rozbudowy.
• Zidentyfikowano segmenty klientów o wysokim potencjale zakupowym oraz te zagrożone rezygnacją, co pozwoliło na skuteczniejsze działania marketingowe i retencyjne.
• Opracowano dynamiczne dashboardy umożliwiające monitorowanie wskaźników operacyjnych w czasie rzeczywistym, co przyspieszyło proces decyzyjny i zwiększyło elastyczność operacyjną.
• Zwiększono przychody jednostkowe dzięki lepszemu dopasowaniu oferty do potrzeb klientów oraz zwiększeniu rotacji pojazdów w kluczowych lokalizacjach.

Analizy przyczyniły się do poprawy efektywności operacyjnej, podniesienia jakości obsługi i zwiększenia rentowności działalności bez ponoszenia kosztów inwestycyjnych związanych z powiększeniem floty.

Projekt został zrealizowany z wykorzystaniem nowoczesnych i skalowalnych rozwiązań technologicznych:

• Język programowania: Python
• Biblioteki i frameworki: Pandas, Dask, SQLAlchemy, Seaborn, Folium
• Bazy danych: MariaDB, MySQL

Rozwiązanie zaprojektowano w sposób umożliwiający dalszą rozbudowę i automatyzację analiz w przyszłości, co pozwala na ciągłą optymalizację działania platformy w miarę rozwoju usług i zmian w zachowaniach użytkowników.