Aplicación de técnicas de ciencia de datos para mejorar la gestión de flotas de transporte

Abstract

La electrónica embarcada está aportando a las empresas y usuarios la posibilidad de disponer de gran cantidad de datos sobre el uso de sus vehículos y de la gestión de los mismos por los conductores. En este proyecto se aplicarán técnicas de Data Science para investigar patrones descriptivos y predictivos de la actividad logística de una empresa cántabra. Los resultados permitirán tomar decisiones estratégicas con anticipación, orientadas a la optimización de sus procesos actuales o el establecimiento de nuevos procesos, de manera que permita una gestión optimizada de sus flotas. En concreto, se trabajará con datos que representan el rendimiento de un vehículo en un tramo realizado, tales como el número de frenadas bruscas realizadas, el tiempo de uso de conducción de crucero o de ralentí. Utilizando ese tipo de información, se pretende descubrir posibles relaciones entre atributos e identificar patrones recurrentes en los datos, construir un modelo predictivo para clasificar los tramos de conducción según la valoración que reciben los conductores y obtener perfiles de conducción en función de sus datos.

On-board electronics are providing companies and users with the possibility of having a large amount of data about the driver’s performance and their use of the vehicles. In this project, Data Science techniques will be applied to investigate descriptive and predictive patterns of the logistics activity of a company headquartered in Cantabria. The results will allow strategic decisions aimed at optimizing or establishing processes to be made in advance, improving management of the fleets. In particular, data that represent the performance of a vehicle in a section is used, such as the number of sudden braking operations carried out, the time used for cruising or idling. Using this type of information, the aim is to discover possible relationships between attributes and identify recurring patterns in the data, to build a predictive model to classify driving sections according to the assessment received by drivers and to obtain driving profiles based on their data.