Урок для Киева. Как Сеул запускал ночные автобусы

Во-первых, надо было выяснить, где находятся пассажиры в полночь. Один из способов получения таких данных - опрос. Но мы пошли другим путем: попытались вычислить количество звонков в полночь. Это несложно, поскольку у каждого есть мобильный телефон, человек является абонентом одного из операторов. Если абонент совершает звонок в полночь, система это фиксирует, данные получает мобильный оператор. Получив к ним доступ, мы можем провести подсчет всех звонков, совершенных за указанный отрезок времени в черте города. Логика проста: если звонков много, значит, спрос на транспортную услугу высок.

Во-вторых, надо было узнать, куда люди хотят ехать. Мы придумали следующее решение. Если человек делает звонок в полночь, мы изначально предполагаем, что после этого он, скорее всего, поедет домой. Контрактный абонент обычно оставляет свои данные мобильному оператору. Получив эти данные, мы понимаем, откуда исходит звонок и где находится дом респондента. 

Корейский мобильный оператор KT Corporation предоставил нам информацию о трех миллиардах ночных звонков. На основе этих данных мы приступили к анализу полученной информации. 

На анализ данных по одному проекту у нас ушло от трех недель до месяца. Это очень много. Нам был необходим другой подход для оптимизации анализа данных. Мы стали использовать сегментацию города. 

Жителям Сеула задали вопрос, как далеко они готовы идти пешком, чтобы сесть на ночной автобус. Результат опроса - не более 500 метров. Мы нарисовали на карте города окружности с радиусом 500 метров. Наше предположение было таким: если в радиусе 500 метров будет хотя бы одна остановка, значит, житель готов пройти до нее пешком. Мы охватили весь регион с помощью этих кругов. Сейчас количество таких окружностей составляет 1 200. 

Используя этот упрощенный подход, мы снова провели анализ. В результате сегодня на анализ данных мы тратим менее одной секунды вместо трех недель. Именно по этой модели мы можем планировать ночные маршруты автобусов. 

Начальную и конечную точки маршрута мы соединили линией. Таких линий на карте было много, повторяющиеся по направлениям линии мы объединили. В результате получили линии-направления разной толщины, которые использовались в дальнейшем анализе. Это позволяет удобно планировать маршруты ночных автобусов. 

Таким образом, мы решили проблему ночных маршрутов, используя данные мобильных операторов. Благодаря им мы увидели точки наибольшего спроса и точки следования, а также определили количество людей, передвигающихся ночью по заданным маршрутам. 

В результате мы можем сделать выводы о частоте движения ночных автобусов. Если наблюдается большой спрос, автобус курсирует с частотой в 10 минут. Там, где спрос меньше, - через 40 минут. 

После этого мы оптимизировали созданную модель. Были увеличены зоны и просчитан спрос. В зонах с небольшим спросом маршруты объединялись с ближайшими, где спрос был выше. 

Таким образом, в условиях отсутствия финансирования мы создали модель, которая экономит ресурсы города. Сейчас в Сеуле девять ночных маршрутов, и все они очень востребованны. На них работает 50 ночных автобусов. Хотя изначально планировалось запустить 350-400 автобусов. То есть нам понадобилось около 1% от городского ресурса транспорта, чтобы охватить ночными маршрутами потребности более 40% городского населения. Также, используя big data, можно привлечь дополнительно 10% новых пассажиров без добавления маршрутов, а лишь за счет оптимизации данных. 

Сейчас правительство Сеула реализует около 60 проектов на основе big data. По оценкам жителей города, в 2013 году услуга ночных автобусов в Сеуле стала одной из самых востребованных в транспортной сфере. В 2016-м планируется расширение сети.