KANIT

Vaka Çalışmaları ve Pilot Uygulamalar

OW Suite karar zekâsının Yönetişim, Ağ, Finans ve Sürdürülebilirlik eksenlerindeki gerçek dünya uygulamaları; metodoloji GTFS doğrulama, Karma Tamsayılı Programlama (MIP), deadhead oranı ve Service Coverage analitiği ile desteklenir.

Metrikler metodolojik örnek aralıklardır; sonuçlar veri kalitesi ve kısıtlara bağlıdır.

OW Optimize the World — Decision Intelligence Studio sahnesi

Her başarılı optimizasyon, ölçülebilir bir soruyla başlar.

Dört alan. Tek karar modeli. Savunabileceğiniz kanıt.

ALANLAR

Dört karar alanı. Tek metodoloji.

01

Yönetişim

Birimler arası paylaşılan model

Keşfet02

Ağ

Talep bilinçli headway ve güvenilirlik

Keşfet03

Finans

Yapısal maliyet vs karar OPEX’i

Keşfet04

Sürdürülebilirlik

Karbonu optimizasyon sonucu yapmak

Keşfet
Örnek Senaryo — YönetişimOW Intelligence Hub™

Şehir Geneli Operasyon ve Kaynak Koordinasyonu

Sistem Sorusu

“Sınırlı kaynaklar şehir genelinde şeffaf, etkili ve koordineli bir şekilde nasıl tahsis edilebilir?”

OW Nasıl Destekler

OW, parçalı operasyonel verileri paylaşılan bir sistem modeline entegre ederek, organizasyonların ödünleşimleri anlamasına ve yönetişim katmanları arasında eylemleri koordine etmesine olanak tanır.

Sorun

Büyük toplu taşıma kurumları nadiren tek bir kötü tarife yüzünden zorlanır; planlama, operasyon, maliye ve bakım birimlerinin yerel KPI’larını sistem düzeyinde çelişkili hale getirmesi yüzünden zorlanır. Otobüs, raylı ve sözleşmeli servisler sıklıkla farklı ‘gerçeğin’ versiyonlarını kullanır: güncelliğini yitirmiş GTFS anlık görüntüleri, kısmi AVL kapsaması ve sahada yaşananla uzlaşmayan rapor tabloları.

Asıl sorun araç eksikliği değil. Yapısal kaynak tahsisidir.

OW Karar Zekâsı Yaklaşımı

OW, her optimizasyon öncesi GTFS Validation ve veri alım kapısı kurar. Şekil bütünlüğü, durak sırası, takvim tutarlılığı ve blok sürekliliği kontrol edilerek MIP formülasyonları sessiz veri hatalarıyla zehirlenmez. Temel ağ davranışı güvenilir hale gelince, kurumlar çok modlu kaynak tahsisini; aggregate deadhead oranını düşürmeyi, gecikmeye duyarlı Service Coverage’ı iyileştirmeyi ve filo, ekip ile siyasi minimumları sert kısıt olarak saymayı hedefleyen bir MIP ile modeller.

Senaryo katmanları, aynı amaç fonksiyonuna karşı ağ yeniden yapılandırma, yatırım erteleme veya operatörler arası aktarım gibi koordineli politikaları stres testine tabi tutar; ödünleşimler retorik değil, açıklanabilir olur.

Karar akışı

  1. Birimler
  2. Ortak Model
  3. Karar

Temel Metrikler

%17

Deadhead ↓

+11

Coverage

<24s

Raporlama

MetrikReferansOW ile optimizeİyileşme
Deadhead oranı (sistem)%26–30%17–228–12 p ↓
Service Coverage (eşitlik ağırlıklı)72/10082–88/100+10–16
Çapraz mod rapor gecikmesi5–10 gün<24 saatGerçeğe yakın
Koordineli senaryo uzlaşma süresi8–12 hf2–4 hfDaha hızlı

İlgili çözüm alanını use-cases sayfasında görüntüle →

OW Optimize the World — dijital transit panosunu inceleyen operasyon koordinatörü
ÜrünOW Intelligence Hub™
OW Intelligence Hub™

Yönetişim ve veri füzyonu — GTFS doğrulama → paylaşılan MIP çekirdeği

Daha iyi bir ulaşım sisteminin arkasında daha iyi bir karar modeli vardır.

Yönetişim, parçalı KPI’ları ortak bir amaca çevirir.

Örnek Senaryo — AğOW FreqOpt™

Toplu Taşıma Ağı Performansı

Sistem Sorusu

“Planlanan arz mevcutken bile ulaşım ağı neden beklenen performansı gösteremiyor?”

OW Nasıl Destekler

OW, statik tarifeleri güvenilirlik, verimlilik ve hizmet kalitesini iyileştiren uyarlanabilir, talep bilinçli optimizasyon modelleriyle değiştirir.

Sorun

Planlamacılar kâğıtta yeterli görünen tarifeler yayınlar; yolcu ise kronik güvensizlik, noktasal yığılma ve beklenmedik boşluklar yaşar. Kök neden çoğu zaman araç eksikliği değildir; talebin yoğunlaştığı yer ve zaman ile bloklar, interlining ve garaj dönüş kısıtları üzerinden bağlanan arzın yapısal uyumsuzluğudur.

Boş kilometre gürültü değildir. Uyumsuz arz modelinin maliyetidir.

OW Karar Zekâsı Yaklaşımı

OW, ağı kapasiteli, zaman–genişletilmiş bir akış problemi olarak modeller. Mixed-Integer Programming, sefer oluşturma, araç dolaşımı ve mürettebat açısından uygun rotasyonları dead mileage’i minimize ederken headway, yük ve OTP hedeflerine bağlar. GTFS Validation, rota geometrisi ile durak sürelerinin gözlemlenen hız profilleriyle uyumunu sağlar.

Talep bilinçli sıklık ve mikro ayarlar; akıllı kart veya APC ile zenginleştirilen yük eğrileri sayesinde geleneği değil, yığılmayı önleyecek yere esnek pay koyar.

Karar akışı

  1. AVL
  2. Talep
  3. Optimizasyon
  4. Yeni Headway

Temel Metrikler

%15

Deadhead ↓

+8p

OTP

−%28

Yığılma

MetrikReferansOW ile optimizeİyileşme
Deadhead oranı (pik / off-pik)%24–32%15–209–12 p ↓
Headway düzenliliği (cv)0,38–0,450,22–0,30Stabil
Yığılma aşımı saatleri%100 (baz)%65–78%22–35 ↓
OTP / zamanında performans%78–82%86–92+6–10 p

İlgili çözüm alanını use-cases sayfasında görüntüle →

OW Optimize the World — şehir otobüs durağında bekleyen yolcu
ÜrünOW FreqOpt™
OW FreqOpt™

Ağ akışı — talep sinyalleri → MIP sefer grafiği → dead mileage minimizasyonu

Deadhead ↓ · Coverage ↑ · OTP ↑

Ağ modeli güvenilir olduğunda her kaldıraç ölçülebilir olur.

Örnek Senaryo — FinansOW CostLogic™

Bütçe ve Maliyet Dinamikleri

Sistem Sorusu

“Hangi maliyetler yapısaldır ve hangileri operasyonel tercihlerden kaynaklanır?”

OW Nasıl Destekler

OW, bütçe tartışmalarını toplam rakamlardan karar etkisine kaydırarak, organizasyonların tercihlerin maliyetlere nasıl dönüştüğünü anlamasına yardımcı olur.

Sorun

Maliye birimleri yakıtı, işgücünü ve bakımı kalem olarak görür; operasyon bunları çizelge kararlarının sonucu olarak görür. Nedensel köprü olmadan kesintiler kör (her yerde daha az sefer) olur; yapısal dead mileage’i korurken cerrahi müdahale yapılamaz.

Bütçeler toplamları tartışır. Optimizasyon ödünleşimleri tartışır.

OW Karar Zekâsı Yaklaşımı

OW CostLogic™ ve optimizasyon katmanları; minimum hizmet kuralları, toplu iş sözleşmeleri ve filo sahipliği gibi yapısal taahhütleri, deadhead saatleri, pik araç ihtiyacı, boş yeniden konumlandırmanın yakıtı ve marjinal kilometrelerden tetiklenen bakım döngüleri gibi karar kaynaklı OPEX’ten ayırır.

Filo tavanı veya terminal kapasitesi gibi sıkı kısıtların MIP gölge fiyatları, talep belirsizliği altında hangi avronun sağlam, hangisinin riskli hizmet degradasyonu gerektirdiğini anlatır.

Karar akışı

  1. GTFS
  2. Araç
  3. Yakıt
  4. CostLogic

Temel Metrikler

ROI

+%14

−6p

Dead OPEX

−%5

Pik filo

MetrikReferansOW ile optimizeİyileşme
Dead mileage’e bağlanabilen OPEX%9–14%5–84–6 p ↓
Pik araç ihtiyacı%100%92–97%3–8 ↓
Gelir saati başına maliyet%100%88–94%6–12 ↓
Senaryo ROI netliğiNitelNicel (MIP)Denetlenebilir

İlgili çözüm alanını use-cases sayfasında görüntüle →

OW Optimize the World — tablet üzerinden operasyon verilerini inceleyen transit personeli
ÜrünOW CostLogic™
OW CostLogic™

Maliyet dağılımı — doğrulanmış araç izleri → OPEX ayrıştırması

Toplamlardan ödünleşimlere.

CostLogic™ harcamayı onu üreten kararlara bağlar.

OW CostLogic™
Örnek Senaryo — SürdürülebilirlikOW FleetOpt™

Çevresel Performans ve Karbon Azaltımı

Sistem Sorusu

“Operasyonel tercihler çevresel sonuçları nasıl etkiler?”

OW Nasıl Destekler

OW, çevresel etkiyi ölçülebilir bir sistem sonucu haline getirerek operasyonel optimizasyonu iklim ve sürdürülebilirlik hedefleriyle uyumlu hale getirir.

Sorun

Şehirler iklim hedefleri yayınlar; ancak transit emisyonları operasyonun içine gömülüdür: gereksiz dead mileage, düşük doluluk faktörleri ve daha iyi sıklık oyulmasıyla yumuşatılabilecek dizel pikler. Emisyon modellerini optimizasyondan koparırsanız sürdürülebilirlik, sevk ve planlama kollarından ayrı bir raporlama alışkanlığına dönüşür.

İklim hedefleri yıllık raporda değil, garajda başarısız olur.

OW Karar Zekâsı Yaklaşımı

OW, MIP karar değişkenlerine emisyon faktörleri ve enerji eğrileri bağlar: araç tipi, sefer uzunluğu, rölanti süresi ve garaj çıkışları. Amaçlar skalerleştirilebilir veya çok amaçlı çözülerek yığılma rahatlığı ile yolcu-km başına CO₂ arasındaki Pareto yüzeyi çıkarılır.

GTFS Validation, VKT’yi hafife alan iyimser rotaları engeller; AVL mutabakatı elektrifikasyon senaryolarını gözlemlenen eğim ve stop–go örüntüleriyle gerçekçi kılar.

Karar akışı

  1. Operasyon
  2. Enerji
  3. Karbon
  4. FleetOpt

Temel Metrikler

−%10

CO₂ / km

−%22

Fazla VKT

+%12

Enerji verimi

MetrikReferansOW ile optimizeİyileşme
Gelir araç-km başına CO₂%100%88–93%7–12 ↓
Deadhead kaynaklı fazla VKT%100%72–85%15–28 ↓
Enerji birimi başına yolcu-km%100%108–118Verim ↑
İklim senaryosu iz sürülebilirliğiAd hocGTFS bağlıİzlenebilir

İlgili çözüm alanını use-cases sayfasında görüntüle →

OW Optimize the World — toplu taşıma otobüsüne binen ebeveyn ve çocuk
ÜrünOW FleetOpt™
OW FleetOpt™

Karbon duyarlı optimizasyon — enerji eğrileri MIP amacının parçası

Her başarılı optimizasyon, ölçülebilir bir soruyla başlar.

Pilot uygulamalar metodolojiyi, bütçe döngüsü kapanmadan kanıta dönüştürür.

Bir sonraki kararınızı ölçmeye hazır mısınız?