BLOG: Hoe maak je rijgedrag inzichtelijk met data?

Nerd talk: Hoe maak je rijgedrag inzichtelijk met data?
Nou dat is nog lastiger dan je denkt. Althans, hoe wij er naar kijken. Waarschuwing: dit is met name een technisch verhaal. Je hebt vast wel eens van een rijgedrag verzekering (PHYD Pay How You Drive) gehoord. Je krijgt een “kastje” in je auto, zo wordt “bijgehouden” hoe veilig je rijdt. Meestal meet zo’n kastje met standaard waarden, hoe vlot je accelereert, afremt en door bochten gaat en wordt de snelheid op wegen gemeten. Het “nadeel” van deze manier van meten is dat er met “standaard waarden” wordt gewerkt en dat de gebruikte kaartdata waarmee de snelheid bepaald wordt voor 90% correct is. Dat klinkt hoog. Echter berijders ervaren het als erg vervelend om een rijscore te krijgen, waarin zij zich zelf niet herkennen. Op een weg waar je 80 km/u mag rijden, terwijl de kaartdata van 60 km/u uitgaat omdat de kaart “denkt” dat je op de parallelweg rijdt (waar je wel 60 km/u mag). En een chauffeur die op de snelweg niet harder rijdt dan 100 km/u maar “pingpongt” tussen de 90 en 98 km/u laat zich tijdens het rijden wellicht afleiden door een telefoon. Hoe ga je daar mee om?

Zelf test ik heel veel systemen. Ik rijd zelf in een elektrische auto die afremt op de elektromotor (regeneratief remmen). Als ik dan een rit van 40 kilometer rijd zonder mijn rempedaal aan te raken (one pedal driving, erg economisch!) en ik krijg een score dat ik te hard heb geremd, dan kan ik die data niet meer serieus nemen…. 

Voordat ik verder schrijf over datagebruik van chauffeurs en bestuurders wil ik heel duidelijk maken: 1 van de kernwaarden bij Hello Mobility is dat onze data wordt gebruikt om mensen (nog) beter te maken, niet om mensen uit te sluiten. Onze data stelt bedrijven in staat een bijdrage te leveren aan een veiliger verkeer, een veilige werkomgeving voor de chauffeur en om chauffeurs beter te maken! 

Privacy: Onze eindgebruikers zijn mensen die voor hun beroep worden betaald om een voertuig te besturen, dus de werkgever wil gewoon dat er veilig met de voertuigen gereden word. Er wordt al bijgehouden waar het voertuig rijdt en met welke bestuurder. Wij interpreteren deze data en verrijken deze. 

Terug naar die "rijscore". Welke datapunten ga je gebruiken om te bepalen of iemand veilig rijdt? Hoe interpreteer je die data vervolgens en hoe voorkom je dat je feitelijk alleen maar incidenten meet en daarop een bestuurder beoordeelt.

Ik neem je mee in een gemiddeld gesprek dat wij met onze developers hebben over de te gebruiken algoritmes en grenswaarden. Bij Hello Mobility werken we met een agnostisch dataplatform. Dat betekent dat ons platform met meerdere telematica leveranciers of OEM's (autofabrikanten) kan communiceren. Elk van die datastromen loopt anders, in andere waarden en in andere intervallen, dus vandaar agnostisch, wij passen ons aan de TSP (Telematica Service Provider) en niet andersom. 

Een rijscore berekenen doen we aan de hand van de beschikbare data en de interval van de beschikbare data. Wij gaan er vanuit dat de klanten die bij ons komen reeds telematica in de voertuigen hebben. Wij verkopen dus geen "kastjes"! Deze reeds aanwezige telematica bepaalt in grote mate de kwaliteit van de rijscore die wij kunnen maken.

Bij de meeste TSP’s kunnen we X,Y,Z sensor data, chauffeurs ID en GPS-positie inlezen. Met X,Y,Z data kan je mede bepalen hoe snel bestuurder accelereert, afremt of door de bochten gaat. Echter! Dit is per voertuig type verschillend, deze waarden zijn bij een Electrische Toyota ProAce heel anders dan bij een vrachtauto met een oplegger. Met andere woorden: als je deze data gaat gebruiken (en ja, die gebruiken wij ook) moet je rekening houden met andere waarden per voertuigtype en eigenlijk ook met de aard van de werkzaamheden. Een chauffeur die grotendeels op de snelweg rijdt heeft een heel ander rijgedrag dan een bezorger die meer dan 100 stops op 1 dag doet in de bebouwde kom. 

Ook is het belangrijk in welke interval deze data binnen komt, 1 x per seconde (Hoogfrequent), 1 x per 10 seconden of 1 x per 30 seconden? 

Met de lat/long data oftewel de GPS-positie zie we waar de auto rijdt. Hier leggen we kaartdata overheen. Zo kunnen we zien of een auto op de snelweg rijdt waar je 100- of 130 km/u mag of bijvoorbeeld binnen de bebouwde kom. Een vrachtwagen mag natuurlijk 80 km/u op de snelweg. Daarom gebruiken we de kenteken data van de RDW om te verifiëren of het voertuig wat we meten een vrachtauto of een bestelbus/personenauto is.

GPS positie is niet 100% nauwkeurig, dus je loopt de kans dat je een voertuig op een parellel weg projecteert in plaats van op een hoofdweg waar een andere snelheid geldt. Wij gebruiken hier berekeningen voor om dit uit te sluiten. Met andere woorden, zien wij dat je van rotonde naar rotonde reed, dan reed jij op de hoofdrijbaan en niet op de parallelbaan, waar geen rotondes waren. 

De kaartdata die we gebruiken om te bepalen wat de snelheden per wegtype zijn, betreft een combinatie van dataleveranciers. Wij zijn zelfs in staat de snelheid op de matrixborden mee te nemen in de bepaling van de maximum snelheid en we kunnen waarschuwingsborden in het verkeer inlezen.

Knap dat dit ons dat lukt in Nederland echter dit moeten we ook in andere Europese landen…. En daar gelden aparte regels en zijn de wegen anders. Die G-krachten bijvoorbeeld zijn niet alleen anders per voertuigtype maar ook heel anders bij rijden in de bergen in Oostenrijk of op B-wegen in Engeland. Als je dit goed wil doen ben je daar best druk mee. Het is echt een ingewikkeld spel waar je continu tegen nieuwe uitdagingen, inzichten en klantwensen aanloopt. 

Om het nog lastiger te maken hebben onze klanten vaak meerdere bestuurders per voertuig. Wanneer wij een bestuurder aan het eind van de dienst een terugkoppeling willen geven over het rijgedrag, moeten we wel weten welke bestuurder het voertuig bestuurde. Bij vrachtauto’s en taxi’s is dat relatief eenvoudig omdat we daar de tachograaf en chauffeurspas voor hebben. Bij de bestuurder van een bestelauto zonder driver ID wordt het al interessanter. Daar doen onze developers enorm slimme dingen om de handscanner of mobiele telefoon met app van de werkgever aan het voertuig te koppelen. Kortom data kwaliteit, data frequentie, data interpretatie en kaartdata zijn ontzettend belangrijk om tot een goede rijgedrag score te komen. We zijn er echter nog lang niet….

Een chauffeur is niet een goede of een slechte bestuurder als je naar slechts naar enkele ritten kijkt. Een bepaalde rijscore wordt ook beïnvloed door de omgeving, een planning of de staat van het voertuig. Soms ligt de oorzaak van een lage rijgedragscore niet bij de chauffeur. Je moet naar het geheel kijken en daarom hebben we eigen data-analysten die op basis van historische data zien wanneer het rijgedrag van een goede chauffeur begint af te wijken. Wat is de reden daarachter? Is de planner ziek en maakt de vervanger een te volle planning? Is de route verkeerd ingedeeld? Zit de chauffeur niet lekker in zijn vel? Zijn er privé zaken die hierin een rol spelen? En wat kunnen we met deze data voorspellen? Neem de Ramadan, als jouw chauffeurs voor zonsopkomst wakker zijn en gedurende de dag niet mogen eten en drinken, kan je hier rekening mee houden en de rit wellicht wat minder vol plannen. Rond 15:00 zullen deze chauffeurs extra vermoeid raken en accepteer je dan het verhoogde risico of onderneem je van te voren actie en creëer je begrip bij je chauffeurs.  

Het meest blij worden wij van OBD- en OEM data. Met OBD data kunnen we afgeleid rijgedrag meten bijvoorbeeld aan de hand van een stuurhoek of gaspedaal sensor. We zouden kunnen zien wanneer er te weinig afstand wordt gehouden. We kunnen zien of gordels gedragen worden of een chauffeur achterwaarts manoeuvreert of dat er in hele harde regen wordt gereden zonder de snelheid aan te passen. 

Momenteel komt de data voort uit aftermarket telematica-leveranciers. De komende jaren zal dit gaan verschuiven naar de data die autofabrikanten (OEM’s) leveren. We zijn nu al in gesprek met fabrikanten om deze data te ontsluiten en te interpreteren. Had ik al gezegd dat we dit ook doen met fietsen, cargobikes en LEV’s? 

Zoals je leest pakken wij datakoppeling, datacollectie, data interpretatie, dataverrijking en data analyse serieus aan. Gaaf dus dat inmiddels echt grote partijen in transport/logistiek/personenvervoer verzekeraars, brokers en tussenpersonen gebruik maken van onze data om zichezelf en hun klanten te helpen met schadepreventie. In 1993 begonnen we met slipcursussen om het verkeer veiliger te maken en nu werken we met data en marketing. Marketing? Ja, Roadsafety Marketing, daar zal ik het volgende blog over schrijven.

Door: Mark Maaskant

Rol: Binnen Hello Mobility houd ik me bezig met data interpretatie en dataverrijking. Met andere woorden: Welke data hebben we beschikbaar, wat vertelt die data en hoe kunnen we die data nog beter maken.

Wat mensen niet van mij weten: Ik hou me nu bezig met veilige en verantwoorde verkeersdeelname en ben tegelijkertijd autosport fan. Ik heb zelf rally’s en races gereden en was ooit ex aequo Nederlands Rallykampioen (2de dus :)) met een Mitsubishi Lancer EVO 6.