Flottenoptimierung und Kundenbindung im Bereich Shared Mobility durch Geodatenanalyse

Ein Betreiber einer urbanen Shared-Mobility-Plattform, der Fahrzeuge zur Miete im Minutenmodell anbietet. Der Dienst ist in mehreren Städten verfügbar und bedient täglich Tausende von Nutzern. Die Plattform basiert auf einer dynamischen Anpassung der Fahrzeugverfügbarkeit an die lokale Nachfrage sowie einem effizienten Flottenmanagement.

Mit dem Wachstum des Unternehmens und der steigenden Nutzerzahl wuchs der Bedarf an einem besseren Verständnis des Kundenverhaltens sowie einer optimierten Fahrzeugverteilung. Die bisherigen Planungsmethoden erwiesen sich als unzureichend – Fahrzeuge wurden häufig in Bereichen mit geringer Nachfrage platziert, während sie in anderen fehlten. Dies führte zu einem Rückgang der Betriebseffizienz und einer Verschlechterung des Nutzererlebnisses.

Zudem fehlten Werkzeuge zur Verhaltensanalyse und Segmentierung der Nutzer. Es war nicht möglich zu erkennen, welche Kunden den höchsten Umsatz generieren, welche von Abwanderung bedroht sind oder welche Nutzungsmuster in den jeweiligen Gruppen auftreten.

Das Ziel war es, Antworten auf folgende Schlüsselfragen zu finden:

• Wie verändert sich die Anzahl der Anmietungen je nach Tageszeit und Wochentag?
• Wie wirken sich lokale Ereignisse auf die Nachfrage aus?
• Wo starten und beenden Nutzer am häufigsten ihre Fahrten?
• Welche Routen sind am beliebtesten?
• Wo stehen Fahrzeuge über längere Zeit ungenutzt?
• Wer sind die wertvollsten Kunden?
• Welche Nutzergruppen zeigen Anzeichen einer Deaktivierung?
• Gibt es wiederkehrende Reisemuster bei den Nutzern?

Zur Beantwortung der oben genannten Fragestellungen wurde ein umfassendes Analyseprojekt durchgeführt, basierend auf Daten aus einem Zeitraum von 18 Monaten in über 12 Städten. Untersucht wurden Millionen von Datensätzen zu Fahrzeugstandorten, Fahrtverläufen, Nutzeraktivitäten und finanziellen Kennzahlen.

Zum Einsatz kamen folgende Analysemethoden:

• Statistische Analyse – zur Identifikation von täglichen, wöchentlichen und saisonalen Miettrends
• Geolokalisierungsanalyse – zur Erkennung von Hotspots, Low-Demand-Bereichen und ungenutzten Fahrzeugen
• RFM-Segmentierung (Recency, Frequency, Monetary Value) – zur Einteilung der Nutzer nach Aktivität, Frequenz und Wert
• Kohortenanalyse – zur Bewertung der Kundenbindung über verschiedene Registrierungszeiträume hinweg
• Erweiterte Datenvisualisierung – mittels Heatmaps, Punkt- und Clusterkarten sowie Choroplethen zur anschaulichen Darstellung für Technik- und Business-Teams

Die Analyseumgebung basierte auf Python mit Bibliotheken wie Pandas, Dask, Seaborn, Folium und SQLAlchemy. Die Daten wurden in MariaDB- und MySQL-Datenbanken gespeichert und verarbeitet.

Aus der Analyse resultierten konkrete Empfehlungen, die in die operativen und marketingbezogenen Prozesse integriert wurden. Die wichtigsten Ergebnisse:

• Optimierte Fahrzeugverteilung basierend auf realen Nachfragedaten, was die durchschnittliche Flottenauslastung erhöhte – ohne die Flotte zu erweitern
• Identifikation wertvoller und abwanderungsgefährdeter Kundensegmente, was gezieltere Marketing- und Retentionsmaßnahmen ermöglichte
• Entwicklung dynamischer Dashboards zur Echtzeitüberwachung operativer KPIs, wodurch Entscheidungen schneller und flexibler getroffen werden konnten
• Steigerung des Umsatzes pro Fahrzeug durch besseres Angebots-Matching und erhöhte Fahrzeugrotation an stark frequentierten Standorten

Die Analysen führten zu einer höheren operativen Effizienz, verbesserter Servicequalität und gesteigerter Rentabilität – ganz ohne zusätzliche Investitionen in die Flotte.

Das Projekt basierte auf modernen, skalierbaren Technologien:

• Programmiersprache: Python
• Bibliotheken & Frameworks: Pandas, Dask, SQLAlchemy, Seaborn, Folium
• Datenbanken: MariaDB, MySQL

Die Lösung wurde so konzipiert, dass sie erweiterbar und automatisierbar ist – ideal für eine kontinuierliche Optimierung bei sich verändernden Nutzerverhalten und wachsendem Serviceangebot.