Транспортные системы ждут большие преобразования, и тренды диджитализации откроют новые большие возможности. Один из особенно высокопотенциальных проектов — это так называемая инновационная мобильность. Предположим, из подмосковного города Видное вы хотите попасть в замечательный Плес, что в 450 км, используя при этом публичный транспорт. Сегодня непонятно, как такое путешествие оперативно спланировать. Нужно добраться до Ярославского вокзала, откуда поехать на поезде в Кострому, а оттуда, видимо, на автобусе или такси. На стыковку расписаний уйдет много времени.
А теперь представьте, что у вас будет мобильное приложение, в которое вы введете текущий адрес и место назначения — Плес, и оно само спланирует все участки маршрута: такси, поезд, автобус, такси — и сформирует единый билет, указав его стоимость. И самое главное, в процессе следования по маршруту будет отслеживать вашу геопозицию, а в случае, например, пробки на дороге, попросит вас выйти, пересесть из троллейбуса в метро, чтобы успеть на вокзал. А в случае опоздания на поезд перепланирует поездку в режиме реального времени. А еще подскажет номер перрона, даст скидку в вагоне- ресторане на обед и многое другое. Для того чтобы наглядно продемонстрировать, как это будет, мы в SAP даже сняли 4-минутный фильм о парне и девушке, которые случайно знакомятся, следуя навстречу друг другу из Москвы и Санкт-Петербурга, используя эти мобильные приложения.
Практическая реализация такой концепции требует координации РЖД и дочерних организаций, городских метрополитенов, авиакомпаний, служб такси, Мострансавто и Мосгортранса. В конечном итоге выиграют все, так как такие возможности однозначно повысят общий трафик путешествий населения. Технологически всех должна объединить мощная IT-платформа, предоставляющая потребителю такой удобный сервис. Над подобным проектом уже трудятся в Дании.
Звеном этой транспортной цепи могли бы стать «Яндекс.Такси» или Uber, который во многих городах мира сократил общий автотрафик, разгрузил движение, сократил огромные площади, отведенные под стоянки автомобилей, снизил уровень вредных выбросов, предоставил возможность заработать простым водителям. Uber интересен тем, что он воплотил закон спроса и предложения Адама Смита в режиме реального времени в виде динамического ценообразования, которое зависит от количества клиентов и водителей Uber в конкретном регионе в данный момент времени. Это обеспечивает верные стимулы водителям в загруженное время выезжать на подработку и разгружать ситуацию. До Uber динамическое ценообразование на билеты примерялось в авиакомпаниях и РЖД в зависимости от даты поездки и времени, но это другое, здесь режим реального времени — минуты.
Особого внимания заслуживает пилотный проект на SAP Precision Marketing для 20 000 пассажиров транспортной системы Монреаля, четвертой по величине транспортной системы в Северной Америке. Система перевозит 1,4 млн пассажиров в день, включает 250 автобусных маршрутов и 68 станций метро. Для пассажиров с помощью технологий SAP сделали мобильное приложение, где им предоставили возможность определить свои предпочтения в музыке, кино, литературных, кулинарных пристрастиях и т. д. К системе привлекли 1400 партнеров: кафе, кинотеатры, рестораны, магазины, музеи и пр. Далее отлеживалась геопозиция пассажира и ему, например, в конечных пунктах следования делалось в режиме реального времени интересное предложение: чашка кофе со скидкой в кафе или скидка на начинающийся через 20 минут сеанс кино.
В результате пассажиры стали интенсивнее использовать транспортную систему на 24%, а также 57% пассажиров дополнительно стали пользоваться новыми линиями.
quote_block node/317303Подобные идеи кооперации используются также и в привлечении жителей к платным дорогам, что позволяет разгружать городские. В России культура использования "платников" очень низка, что само по себе слабо стимулирует инвестиционный климат в этой области. Как его повышать, например, «Автодору»? Все мы видим, насколько высок тариф и низок уровень использования нового платного участка трассы Москва — Санкт-Петербург. Попытки снижения цен и скидок тоже не дают результатов. Клиента нужно привлекать. Например, если бы я на какой-то заправке, заполнив полный бак, получил карту лояльности, приглашающую воспользоваться платной дорогой, а проехав по ней, получил бы на карту баллы, которые мог бы потратить позднее на той же заправке на бензин, то выиграли бы все и меня бы привлекли на этот "платник".
Подобные программы совместного маркетинга существуют, например, в Америке. Яркими проектами являются дороги Orange County в Калифорнии и дороги Северного Техаса. В первом случае по программе лояльности водители получают купоны на скидку каждый месяц на посещение тематических парков, спортивных мероприятий. Во втором проекте в программе лояльности TollPerks, в которой участвуют 3,3 млн человек, за каждый потраченный доллар за оплату дорог начисляются баллы, которые потом трансформируются в купоны и скидки для использования в партнерах Donkin Donuts, Uber, Hotels.com.
Еще одно из направлений выгодного использования новых прогнозных технологий мы видим в авиабизнесе. Наверное, многие из нас по возвращении из отпуска, например, в Греции получали от авиакомпании выгодное предложение на полет в ... Грецию. Мы с рядом авиакомпаний в России провели пилотные проекты, где увидели огромный потенциал "правильного" прогнозирования.
Умные прогнозные системы должны позволять выявлять правильные "паттерны" поведения путешественников с высокой вероятностью их попадания в истинные, возможно тайные или неосознанные желания. Например, я увлекаюсь серфингом и в июле летал на Бали. "Неумная" система предложит мне в январские каникулы посетить Бали, а "умная" — Шри-Ланку. И я с 90%-ной вероятностью приму это предложение. Почему? Потому что, если система понимает, что я серфер (по негабаритному багажу или по преференциям, предварительно введенным в систему), то "паттерн" в том, что серферский сезон на Бали — летом, а зимой — на Шри-Ланке. Кстати, проведение подобных аналитических проектов, даже пилотных, на базе решений SAP по прогнозной аналитике позволил нам выявить большое количество внутреннего "фрода" (мошенничества).
Прогнозные модели также применимы в ремонтах. Дело в том, что многие ремонты на транспорте (локомотивы, вагоны, рельсы и т. д.) осуществляются по плану, что не всегда экономически обосновано и в итоге выгодно. Альтернатива этому подходу — ремонт по прогнозному состоянию. Развитие интернета вещей, всевозможных сенсоров, датчиков позволяет строить очень точные прогнозы необходимости ремонтов. SAP сделал очень интересный проект в этой области на итальянских железных дорогах Trenitalia, которые перевозят порядка 60 млн пассажиров в год, имеют парк в 2000 локомотивов, 30 000 вагонов. Мы создали совместный продукт для определения бизнес-правил, прогнозирования и планирования ремонтов. Это привело к сокращению времени простоя, а также к сокращению затрат на ремонты. В России сейчас делаем с одной из компаний пилотный проект в этой области, используя итальянский опыт.
В грузовых B2B-перевозках в России огромную роль играет РЖД. Когда мы говорим о российской специфике в этой сфере, основные узкие места – в документобороте. Чтобы упростить этот процесс, мы локализовали решение SAP Transportation Management и внедрили его в ряде крупных компаний, например в «Северстали» и других.
Также прорабатываем пилотные решения на тему «уберизации» перевозок. Мы уверены, что первой ласточкой будет использование текущего Uber для организации всевозможных доставок: еды, товаров из магазина и т. д. Мы уверены, что очень скоро цепочки инновационной мобильности в России все же начнут создаваться, что постепенно решит большое количество проблем и добраться до Плеса будет очень легко.