Pozadina

Grad Detroit upravlja velikim voznim parkom od preko 2.500 vozila, neophodnih za pružanje javnih usluga poput policije, odnošenja otpada i hitnih intervencija. Grad se dugo suočavao sa izazovima u održavanju tako velikog voznog parka, uključujući rastuće troškove održavanja, zastoje vozila i neefikasnost koja je poticala od ručnih sistema evidencije. Nakon podnošenja zahteva za stečaj po Glavi 9 iz 2013. godine, Detroit je tražio inovativna rešenja za povećanje operativne efikasnosti i smanjenje troškova.

Izazovi

• Rastući troškovi održavanja: Grad je za održavanje voznog parka godišnje izdvajao u proseku preko 7,7 miliona dolara, uz rast troškova zbog starenja vozila i reaktivnog pristupa održavanju.

• Operativne neefikasnosti: Ručno vođenje evidencije i planiranje održavanja dovodili su do neplaniranih zastoja, što je ometalo pružanje usluga i povećavalo operativne troškove.

• Razdvojeni podaci: Evidencija o održavanju bila je rasuta po različitim službama, što je otežavalo sveobuhvatnu analizu i informisano odlučivanje.

Rešenje

U saradnji sa timom za nauku o podacima Univerziteta u Mičigenu (Michigan Data Science Team, MDST), Detroit je pokrenuo inicijativu zasnovanu na podacima kako bi iz osnove promenio način upravljanja voznim parkom. Saradnja je bila usmerena na analizu podataka o održavanju vozila od 2010. do 2017. godine, radi otkrivanja obrazaca i razvoja modela prediktivnog održavanja.

Primena

1. Objedinjavanje podataka: Evidencija o održavanju iz više službi objedinjena je u jedinstvenu bazu, čime je omogućena sveobuhvatna analiza.

2. Napredna analitika: Primenjene su tehnike tenzorske dekompozicije za prepoznavanje vremenskih obrazaca u održavanju vozila, što je otkrilo uvide u česte redoslede popravki i otkaze sistema.

3. Prediktivno modelovanje: Razvijeni su modeli neuronskih mreža sa dugom kratkoročnom memorijom (LSTM) za predviđanje potreba za održavanjem, što je omogućilo unapred zakazivanje i smanjenje neočekivanih kvarova.

4. Alati za vizuelizaciju: Napravljene su jednostavne kontrolne table za prikaz trendova održavanja, troškova i pokazatelja učinka vozila, što je svim učesnicima dalo konkretne uvide.

Rezultati

• Smanjenje troškova: Prelazak sa reaktivnog na prediktivno održavanje doveo je do značajnog smanjenja troškova održavanja, uz godišnje uštede grada od oko 1,5 miliona dolara.

• Veća raspoloživost vozila: Unapred zakazano održavanje svelo je neplanirane zastoje na najmanju meru, pa su vozila ostajala u pogonu, a usluge bile pouzdanije.

• Informisano odlučivanje: Uvidi zasnovani na podacima omogućili su gradu da donosi strateške odluke o zameni vozila, prioritetima održavanja i raspodeli resursa.

• Operativna efikasnost: Pojednostavljeni procesi održavanja i centralizovano upravljanje podacima smanjili su administrativno opterećenje i poboljšali saradnju između službi.

Zaključak

Saradnja grada Detroita sa Univerzitetom u Mičigenu pokazuje preobražajnu snagu upravljanja voznim parkom zasnovanog na podacima. Korišćenjem napredne analitike i prediktivnog modelovanja Detroit je ostvario značajne uštede i povećao pouzdanost i efikasnost svog voznog parka. Ovaj slučaj pokazuje vrednost uvođenja nauke o podacima u rad gradskih službi radi informisanog odlučivanja i vrhunskog poslovanja.

Ayefleet nudi slične mogućnosti i omogućava organizacijama da pojednostave upravljanje voznim parkom uz uvide zasnovane na podacima i prediktivnu analitiku. Uz ayefleet menadžeri mogu da prate stanje vozila i učinak u stvarnom vremenu i da optimizuju planove održavanja baš kao što je to uradio Detroit — ali na jednoj, jednostavnoj platformi. Bilo da je reč o gradskoj upravi koja želi bolje javne usluge ili o preduzeću koje želi manje zastoja i niže troškove održavanja, ayefleet korisnicima omogućava da donose blagovremene i informisane odluke koje njihov vozni park održavaju u punom pogonu.