Zu lange waren historische Daten die Grundlage, auf der die Verkehrsnetze ihre täglichen Entscheidungen getroffen haben. Da sich die Denkweise in Bezug auf Daten und Speicherung in der realen Welt in den letzten Jahren dramatisch verändert hat, ist der Verkehrssektor zurückgefallen und hat es versäumt, mit diesen erkennbaren Veränderungen Schritt zu halten.
Obwohl seit dem Aufkommen von AdTech und Personalisierung schon fast 20 Jahre vergangen sind, ist die Branche immer noch von historischen Datenmustern und mobilen Daten geprägt. Und das ist letztlich die Landschaft, die sich ändern muss, damit wir alle mit einer effektiven Lösung vorankommen, die das gesamte Passagiererlebnis grundlegend verbessert.
Da Absicht und Nachfrage ständig schwanken, verändert sich die Welt einfach zu sehr, als dass wir uns weiterhin auf die Vergangenheit fixieren könnten. Stattdessen sollten wir in die Zukunft blicken und die Verkehrsentwicklung beschleunigen, indem wir unsere Aufmerksamkeit auf Prognosedaten richten.
Wir wissen, dass AdTech seit langem auf der Grundlage dessen überlebt hat, was eine Person tun wird, im Gegensatz zu dem, was sie getan hat - das ist die Grundlage, auf der Infrastruktur und E-Commerce geplant werden. Aber in der Verkehrsbranche wird das, was in der Zukunft oder in Echtzeit passieren wird, oft durch das informiert, was zuvor passiert ist, und die Verkehrsmuster müssen umfassender sein, um die Fahrgäste angemessen über ihre Reise zu informieren.
Zu viele Verkehrsunternehmen verallgemeinern ihre Nutzungsmuster auf der Grundlage falscher historischer Daten. Es ist zum Beispiel leicht anzunehmen, dass ein Feiertag zu einer verkehrsreicheren Zeit führen wird. Dies ist jedoch nicht spezifisch für einen bestimmten Tag und berücksichtigt nicht eine Reihe entscheidender Elemente, die sich auf diese Annahmen auswirken können, wie z. B. Wettermuster und die Absicht der Fahrgäste. Das bedeutet, dass wir ein viel komplexeres System zu sehr vereinfachen und einengen.
Diese pauschalen Verallgemeinerungen führen dazu, dass Daten, die mit typischen Stoßzeiten oder ruhigen Perioden abgeglichen werden, nicht genau vorhergesagt werden. Dies führt dazu, dass die Verkehrsunternehmen falsch informiert werden, die Dienste überlastet sind und die Fahrgäste unzufrieden sind.
Dies war besonders während des Höhepunkts von Covid-19 wichtig, da die Verkehrsunternehmen kaum in der Lage waren, wirksam auf die täglichen Nachfrageschwankungen zu reagieren. Da sie sich auf Mechanismen verließen, die nur den früheren Fahrkartenverkauf und die Fahrgastzahlen berücksichtigten, wurden sie mit Prognosen gefüttert, die nicht nur irreführend waren, sondern auch große Probleme angesichts einer anhaltenden Krise verursachten.
Historische Daten können nicht mehr verwendet werden, um die künftige Nachfrage vorherzusagen. Die Reisegewohnheiten der Menschen haben sich geändert, und auch die Art und Weise, wie sie am liebsten reisen, hat sich verändert. Deshalb müssen wir uns stärker auf die Personalisierung konzentrieren und ermitteln, wie viele Personen einen bestimmten Dienst nutzen wollen. Mit diesen Informationen können die Betreiber die Fahrten der Reisenden staffeln, sie im Voraus über Überfüllungen informieren und ihnen bei Bedarf alternative Optionen anbieten.
Abgesehen davon, dass historische Daten bei unseren täglichen Verkehrsbewertungen eine geringere Rolle spielen, lohnt es sich auch, einen Blick darauf zu werfen, wie abhängig wir von mobilen Daten geworden sind. Bisher waren mobile Daten und die Standortverfolgung bei der Entscheidungsfindung ausschlaggebend, und diese fehlgeleitete Sichtweise hat eine Welle des Nebels erzeugt, die das Urteilsvermögen derer, die an vorderster Front stehen, getrübt hat.
In Wirklichkeit sagen die mobilen Daten nichts Konkretes darüber aus, warum Menschen reisen, wohin sie letztlich reisen oder welche persönlichen Vorlieben sie in Bezug auf das Verkehrsmittel haben. Seit Jahrzehnten hören wir, dass "mobile Daten der einzige Weg nach vorne sind", aber sie sagen nichts darüber aus, was die Menschen heute, nächste oder übernächste Woche tun werden. Der wahre Weg in die Zukunft liegt also in der Vorhersage von Daten und ihrer Kalibrierung auf den Einzelnen. All diese Elemente müssen zusammenwirken, damit die Dinge effektiv sind.
Das ist natürlich kein Geheimnis, denn Tech-Giganten wie Google, Apple und Uber haben deutlich gemacht, dass historische Modelle und Ticketverkäufe auf der Grundlage mobiler Daten weitgehend bedeutungslos sind. Während die Technologie- und die Verkehrsindustrie versuchen, mit den Verhaltensänderungen und den Absichten der Fahrgäste Schritt zu halten, verlieren mobile Daten im Bereich der intelligenten Städte weiter an Boden und bieten nicht die Lösung, die wir brauchen. Wenn wir jedoch alle unsere Quellen zu etwas kombinieren, das der Bahn wirklich dient, können wir gemeinsam arbeiten und müssen nicht mehr versuchen, eine Vielzahl einzelner Quellen neu zu erfinden, die gegeneinander arbeiten.
Es besteht kein Zweifel, dass die Personalisierung bereits ein Allzeithoch erreicht hat. Ein Blick auf Amazon oder Google genügt, um zu erkennen, dass wir uns an einem Punkt befinden, an dem das maschinelle Lernen vollkommen zugänglich ist, doch der Verkehrssektor hinkt in diesem Rennen noch hinterher.
Historische Fahrkartenverkäufe zeigen, was die Fahrgäste auf der Grundlage der Optionen taten, die ihnen zu dem Zeitpunkt zur Verfügung standen. Das bedeutet, dass wir echte Entscheidungen, die jemand auf der Grundlage sehr begrenzter Optionen getroffen hat, falsch erfassen. Die Daten, auf die wir uns stützen - von der Fahrplangestaltung bis zu den Routenoptionen - unterscheiden sich also erheblich von dem, was der Fahrgast tatsächlich wollte.
Die Daten müssen zeigen, welche Kombinationen von Ereignissen ein genaues, authentisches Abbild der Passagiermuster ergeben. Mit historischen Daten können wir nicht einmal ansatzweise Probleme lösen wie: Wie viele Menschen sind von einer Zugverspätung betroffen? Welche Fahrgäste benötigen alternative Routenoptionen? Sind sie mehrere Stunden unterwegs und benötigen eine Erfrischung? und so weiter.
Um die Verkehrsnachfrage angemessen vorhersagen zu können, benötigen wir eine Reihe verschiedener Elemente. Und die einzige Lösung hierfür ist das Verstehen der Absicht. Dazu gehört der Einsatz von Modellen für maschinelles Lernen in Echtzeit, um den Fahrgästen personalisierte Informationen zu liefern, die dazu beitragen können, die Fahrgastlast intelligent über das Netz zu verteilen und die Auswirkungen von Störungen zu minimieren.
Intent-Daten erweisen sich nicht nur als wertvoll, wenn es darum geht, zu verstehen, wie Menschen den Verkehr nutzen, sondern auch, wenn es darum geht, Menschen wieder in den Einzelhandel und das Gastgewerbe zu locken. Dies ist besonders wichtig in einer Welt nach der Krise, in der die Unternehmen auf die Erkenntnisse ihrer Kunden angewiesen sind, um sich wieder zu erholen. Mit Hilfe von Absichtsdaten können wir Unternehmen durch kontextbezogenes Targeting auf die Bedürfnisse der Kunden aufmerksam machen und sie dabei unterstützen, diesen Kunden personalisierte Lösungen anzubieten.
Genauigkeit hängt im Wesentlichen von der Zusammenarbeit ab. Jetzt ist es an der Zeit, dass eine Vielzahl von Datenquellen aus dem AdTech-Bereich und anderen Branchen in die operative Planung einfließen. Nur wenn wir diese Zusammenarbeit richtig hinbekommen, werden wir beginnen, Routen zu bauen, die die Nachfrage bedienen. Dies wiederum wird der Katalysator für ein effektives Verkehrsnetz sowohl für städtische als auch für ländliche Gebiete in Großbritannien sein.
Diese Art von Daten sammeln wir bereits in großem Umfang und sie sind kostenlos verfügbar. Sie können und sollten nicht ignoriert werden, und ohne sie werden wir nicht erfolgreich sein, wenn es darum geht, "wieder besser zu werden". Erfreulicherweise gibt es in diesem Bereich immer wieder positive Entwicklungen. So werden Vorhersage- und Absichtsdaten inzwischen für personalisierte Nachrichten an die zukunftsorientiertesten Zugbetreiber wie London North-eastern Railway, East Midlands Railway und c2c Rail genutzt.
