شرکتهای میکروموبلیتی که قصد دارند سود خود را بدست آورند باید با یک کشتی تنگاتنگ کار کنند و به طور مداوم قوانین محلی را تغییر دهند و تا آنجا که ممکن است سوار خودروها شوند. Zoba مستقر در بوستون ، یک استارتاپ بهینه سازی ناوگان حمل و نقل کوچک ، پلتفرمی برای کمک به آن ایجاد کرده است.
Zoba یک لایه منطقی پشت صحنه از نرم افزار مدیریت ناوگان اپراتور را اجرا می کند که از AI برای تصمیم گیری در مورد اینکه هر وسیله نقلیه در ناوگان باید در کجا قرار گیرد ، چگونه کاربران را با قیمت پویا تشویق می کند و چگونه کارایی عملیاتی را بهینه می کند ، استفاده می کند.
“نحوه برخورد ما با این مشکل این است که ما یک پلت فرم اصلی داریم که ساخته ایم ، که اساساً برای کمک به درک شرایط فعلی بازار شما طراحی شده است ، بنابراین ما از یادگیری ماشین برای درک اینکه تقاضا برای سیستم ها چگونه خواهد بود ، استفاده می کنیم. جوزف برنان ، یکی از بنیانگذاران Zoba ، به TechCrunch گفت: تحت تأثیر شرایط جوی غالب و سایر عوامل بسیار پویا که در بازار اتفاق می افتد ، قرار می گیرد. “سپس ما این اطلاعات را به یک موتور بهینه سازی که به صورت هدفمند ساخته شده است می پردازیم تا به ما در حل این مشکلات بهینه و پیچیده بهینه سازی سریع کمک کند تا بتوانند به لحاظ عملی مرتبط باشند.”
فناوری Zoba به بیش از 150،000 وسیله نقلیه در 150 شهر در سراسر جهان متصل شده است ، عمدتا در ایالات متحده و اروپا. این استارتاپ با اپراتورهای بسیار بزرگ از جمله Spin همکاری می کند و روز سه شنبه بسته شدن دور 12 میلیون دلاری سری A به رهبری NTTVC و مشارکت CRV سرمایه گذار فعلی را اعلام کرد.
Zoba قصد دارد با استفاده از این بودجه ، عملکردهای خود را در بازار ، مانند پشتیبانی از مشتریان ، فروش و بازاریابی ، در بازارهای جدیدی مانند هند و آمریکای لاتین گسترش دهد. برنان می گوید ، همچنین می خواهد در آینده عمودی جدید مانند تحویل و حتی تردد خودران را گسترش دهد.
برنان گفت: “ما واقعاً خود را یک شرکت فناوری عمیق می دانیم.” “محصول تمام نشده است ، هرگز انجام نمی شود. و بنابراین ما به سرمایه گذاری سنگین در جهت گسترش آنچه ما به عنوان یک پیشرو فنی بسیار بزرگ بین خود و هر کس دیگری در این زمینه مشکل می دانیم ، ادامه خواهیم داد. “
سیستم Zoba با داده های تاریخی ارائه شده توسط اپراتورها ، مانند جایی که وسایل نقلیه سوار شده اند یا در حال تعمیر و نگهداری هستند ، مطلع می شود. این اطلاعات سپس برای بازسازی تاریخ تقاضا به گونه ای مورد استفاده قرار می گیرد که نه تنها می تواند مکان سواری در گذشته را مشخص کند ، بلکه پیش بینی می کند که در آینده کجا خواهد بود.
Zoba همچنین اطلاعات محیطی در مورد شهر را جمع آوری می کند که ممکن است باعث ایجاد نوسانات تقاضا در کوتاه مدت شود ، مانند شبکه های جاده ای و داده های آب و هوا.
برنان می گوید: “آب و هوا واقعا بحرانی است.” “ما از داده های آب و هوایی Tomorrow.io استفاده می کنیم ، که در داده های آب و هوایی کلاس بسیار دقیق و دقیق است ، زیرا از دو ساعت آینده باید بدانیم ، آیا دمای هوا پنج درجه کاهش می یابد؟ آیا باران شروع به باریدن می کند؟ این هسته اصلی چیزی است که به سیستم ما سرازیر می شود. “
برنان می گوید بیشتر سیستم عامل های مدیریت ناوگان داخلی کمتر مبتنی بر داده و مبتنی بر شهود هستند و در بازارهای محلی حدس زده می شود که تقاضا در کجا باشد.
وی گفت: “آنچه ما تلاش می کنیم انجام دهیم این است که داده هایی را که یک مجموعه داده ناقص و سانسور شده است ، بگیریم و نوعی حقیقت را در مورد تقاضا با استفاده از مدل هایی که سالها در حال توسعه آن هستیم پیدا کنیم.”
این شرکت می گوید با پیاده سازی پلتفرم خود ، شرکت های کوچک متحرک شاهد افزایش 20 تا 50 درصدی سواری بوده اند که به پوشش هزینه های سربار مانند خود وسایل نقلیه ، انبارها و نیروی کار کمک می کند. Zoba همچنین می گوید با مدیریت استقرار ، تعادل مجدد و تعویض باتری ، بهره وری نیروی کار را تا 20 improved بهبود می بخشد و با کمک به مدیریت محدودیت های منطقه و جلوگیری از عبور وسایل نقلیه از پیاده روها به اپراتورها کمک می کند تا شرکای شهری بهتری باشند.
بن بر ، مدیر عامل شرکت Spin ، در این باره می گوید: “Zoba واقعاً در این بازار منحصر به فرد است ، زیرا آنها زمان زیادی را صرف فکر کردن در مورد مشکلات صنعت کرده و سپس از ابتدا راه حلی جدید برای بهینه سازی ناوگان ایجاد کرده اند.” بیانیه. “به جای تکیه بر روندهای تاریخی برای تعیین تقاضا ، Zoba به شما این امکان را می دهد که پیش بینی کنید مشتریان ما از کجا به خدمات ما نیاز خواهند داشت. این واقعاً ما را قادر می سازد تا درآمد خود را افزایش دهیم و هزینه های عملیاتی را کاهش دهیم.