Scaricare la presentazione
La presentazione è in caricamento. Aspetta per favore
PubblicatoMariangela Paoletti Modificato 9 anni fa
1
Titolo: Sistemi di bigliettazione elettronica: analisi dati e data mining Relatore: Andrea Gaffi
2
M.A.I.O.R. Software house con svariate soluzioni sw per il TPL Prodotti che coprono l’intero processo Stima matrice OD pubblica Pianificazione dei percorsi e delle frequenze Programmazione orari e turni Assegnamento alle risorse (bus, autisti) Reportistica, analisi Supporto di Business intelligence per prendere decisioni
3
M.A.I.O.R. Circa 100 istallazioni in Italia (Firenze, Roma, Milano, Torino, Napoli, Bologna...) Installazioni in Germania, Spagna...) Potenti algoritmi a supporto dell’intero processo, in collaborazione con varie Università (Pisa, Firenze, Milano…)
4
Un nuovo prodotto: CBE. Cosa è Permette di analizzare i dati della bigliettazione elettronica (smartcard) E’ un approccio di Business Intelligence orientatao al supporto alle decisioni E’ integrato con MBI, una applicazione di business intelligence sul TPL Fornisce informazioni in tempo reale su vendite, validazioni e la relazione con corse, fermate, percorsi (linee). Aiuta a conoscere i clienti del TPL e le loro abitudini
5
Venduto per età
6
Validazioni per fascia oraria su una linea
7
Validazioni per fascia oraria per linea e categoria utente
8
Vendite: correlazione tra tipo di biglietto e categoria utente
9
Trend delle vendite: italiani e stranieri
10
Trend vendite (casalinghe): italiani e stranieri
11
Vendite: ricavi per competenza
12
Relazione tra validazioni e vendite
13
Ricavo medio a validazione per titolo di viaggio
14
Utenti (Viaggiatori)
15
Data mining Cosa significa? Processo per scoprire nuove relazioni tra dati (grossa quantità di dati)
16
Obiettivi prinicpali Scoprire spostamenti abituali delle persone con il TPL (analisi dei viaggi) Analizzare la correlazione tra attributi vari legati alle vendite Il lavoro si è svolto con il supporto dell’Universita di Pisa (prof. Dino Pedreschi) I risultati degli algoritmi saranno integrati nel sw di Business intelligence CBE
17
Analisi dei viaggi Si basa sulla bigliettazione elettronica (smart card) Conoscenza su: Chi compra i biglietti Quando i biglietti sono usati Come i biglietti sono usati Check in OK Check out ???
18
Stima del punto di check out Check out intervals: 1000 metri 3 giorni
19
Dati
20
Flussogramma
21
Clustering individuale
22
Esempio di clustering Clustering
23
Clustering individuale: risultati
24
Numero di cluster per ogni utente: distribuzione Molto spesso 2 (house work, house school), più del 70% degli utenti hanno meno di 7 cluster
25
Clustering globale
26
IN 13:15 OUT ? IN 13:58 OUT ? Viaggi con trasbordo A volte un utente usa più di un autobus per il proprio viaggio Abbiamo bisogno di: Una stima del tempo di percorrenza tra fermate Colleghiamo tra loro corse se hanno un tempo tra check-in e check-out inferiore a 30 minut
27
Viaggi con trasbordo Abbiamo usato i tempi di percorrenza programmati differenziati per fascia oraria e giorno tipo per ogni coppia di fermate IN 13:15 OUT 13.41 IN 13:58 OUT 14:21 Sosta: 17'
28
Viaggi con trasbordo Colleghiamo corse con link inferiore a 30 minuti IN 13:15 OUT 13.41 IN 13:58 OUT 14:21
29
Risultati principali Un insieme di cluster che descrivono viaggi anche complessi (cioè con più veicoli) sul TPL Il risultato, integrati nella sulzione di Business Intelligence CBE, permette di analizzare le caratteristiche di ogni cluster (i.e. Un cluster è usato soprattutto la mattina, gli utenti sono soprattutto studenti, il tipo di biglietto è un abbonamento settimanale ecc…) I risultati possono essere usati per effettuare l’aggiornamento della matrice OD del TPL
30
Correlazione tra attributi legati alle vendite Analizziamo i dati sulle vemndite per scoprire automaticamente correlazioni positive o negative.
31
Correlazione tra tipo di biglietti e categoria utenti
33
Correlazione tra durata biglietto, categoria utente e genere
35
Grazie per l’attenzione
Presentazioni simili
© 2024 SlidePlayer.it Inc.
All rights reserved.