datascience-pour-choisir-son-vehicule

La data science pour choisir le marque-modèle de véhicule adapté à votre usage

Si vous exploitez une flotte, vous accordez certainement une attention particulière aux coûts du carburant. La réduction de la consommation de carburant est d’ailleurs l’une des principales raisons qui motive les entreprises à s’équiper d’un système télématique.

Chez Masternaut, nous allons plus loin dans les démarches de réduction de carburant. Grâce à la puissance du Big Data, notre équipe Catalytix composée de consultants et de data scientists sont en mesure d’accompagner nos clients dans le choix du marque-modèle de véhicule le mieux adapté à leur usage.

Le saviez-vous ? Choisir le bon véhicule permet en moyenne une réduction de la consommation de carburant de 5%.

Réduction immédiate de la consommation de carburant

La première étape pour réduire la consommation de carburant est de détecter les surconsommations visibles.

Prenons l’exemple de Paul, gestionnaire de flotte de la société X. En analysant la flotte de Paul, nous avons identifié cinq véhicules qui enregistrent des consommations de carburant excessives par rapport au benchmark (1).
Elles sont en partie causées par de multiples arrêts moteurs tournants et des accélérations brutales rendues visibles par le système télématique.

Il a fallu une analyse plus approfondie de la flotte pour révéler un sixième véhicule. Les performances de ce sixième véhicule sont bonnes par rapport au benchmark. Le chauffeur effectue des trajets courts et à faible vitesse autour de Paris. Cependant, nous avons constaté que la marque-modèle de la camionnette n°6 n’est pas adapté à l’usage que Paul en fait.

La data science pour passer à l’étape supérieure

Notre premier travail en tant que data scientist a été d’identifier les types de trajets et de les catégoriser en s’appuyant sur des algorithmes d’apprentissage automatique (machine learning). Nous avons utilisé pour cela 22 variables telles que la vitesse, les distances parcourues, etc. De cette façon, nous avons identifié 7 types de trajet. En voici deux exemples :

  • Les trajets longs qui correspondent à des volumes importants de trajets longs et à vitesses rapides.
  • Les trajet courts en agglomération qui correspondent à de multiples trajets courts et à vitesses lentes. C’est le cas de la camionnette n°6 de Paul.

Note : sur les schémas ci-dessus, plus la couleur est foncée, moins bonnes sont les performances énergétiques du véhicule.

Grâce aux milliards de données de trajets que nous collectons chaque année avec le Can Bus, nous connaissons la consommation réelle de carburant (L/100Km) pour une centaine de marques-modèles.

Pour choisir le marque-modèle adapté à votre usage, nous procédons à un comparatif des consommations de carburant de chaque marque-modèle par type de trajets (trajets longs, trajets courts en agglomérations…). En faisant ce travail, nous remarquons que les performances énergétiques de certains marques-modèles sont meilleures pour des trajets longs plutôt que courts par exemple.

Vous constaterez sur le schéma ci-dessous que le marque-modèle #4 est le modèle qui consomme le moins pour les trajets longs (colonne 1). En revanche, lorsque nous mettons en contexte ce même marque-modèle pour des trajets en agglomération (colonne 3), celui-ci enregistre des performances moindres.

Que retenir ?

La consommation de carburant n’est pas l’unique critère à prendre en compte dans l’achat ou la location d’un véhicule. Cependant, il demeure important de comprendre l’usage que vous en ferez.

Avec Masternaut, vous avez la possibilité d’obtenir les données réelles de consommation des véhicules ( informations qui ne sont pas communiquées par les constructeurs automobiles). Grâce à des données fiables et le savoir-faire de nos data scientists, nous sommes en mesure de vous orienter vers le marque-modèle qui vous permettra de réaliser des économies considérables de carburant.

Pour plus d’informations sur l’utilisation de la data science dans le domaine de la télématique, cliquez-ici.

(1) Analyses des performances de la flotte de Paul comparées aux performances des flottes concurrentes du même secteur d’activité

Catégorie: Le monde des flottes

Tags:

Maciej Pfutzner

Article by: Maciej Pfutzner

Maciej fait parti de l'équipe Data Science de Masternaut depuis 2017. Avant de rejoindre Masternaut, il a travaillé comme chercheur expérimental sur le monde mystérieux de la physique des particules fondamentale. Il a ensuite obtenu un doctorat à l'université College London. Aujourd'hui, il utilise ses compétences analytiques pour découvrir des informations précieuses et cachées dans les données télématiques et ainsi aider nos clients à saisir cet avantage invisible.

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *