Temps réel, géolocalisation, machine learning, Big Data, Open Data : autant de technologies qui participent aujourd’hui au développement du covoiturage de proximité.
Et sous leur impulsion, ce mode de transport devient de plus en plus performant, grâce à la mise en place de services personnalisés et de solutions multimodales. Mais quel est leur rôle exactement ? Comment ces technologies font du covoiturage un mode de transport qui sera demain incontournable pour les courtes distances ?
Le covoiturage de proximité trouve sa place entre le transport en commun et la voiture en solo. Dans le transport courte distance, le passager a l’habitude d’un service commercial fréquent, régulier prévisible et garanti. Il anticipe d’autant plus son trajet qu’il connait parfois mal l’endroit où il se rend, que le but de son déplacement peut être important (examen, concert, etc), ou que le mode de transport lui est peu familier. Le conducteur, de son côté, est peu flexible sur la planification de son trajet, car un changement peut lui apporter plus de contraintes qu’à l’accoutumée. Il est généralement enclin à partager son trajet, mais préfère en parler au dernier moment, quand il n’a plus aucune incertitude sur l’heure de son départ.
Comment alors accorder conducteurs et passagers ? Comment concilier l’offre et la demande ? Grâce au développement de nouvelles technologies et à des machines de plus en plus performantes, les plateformes de covoiturage de proximité optimisent de plus en plus leurs solutions.
Temps réel et géolocalisation : deux maillons essentiels du covoiturage de proximité
Une première solution consiste à créer des lignes de covoiturage. Ces lignes présentent des points d’arrêt, comme une ligne de bus, et fonctionnent en temps réel, comme un fil Twitter. L’alliance de la technologie avec un parcours utilisateur simple et fluide permet aux passagers d’être informés en temps réel de l’offre sur les tronçons de ligne qui les intéressent. C’est la version moderne de l’autostop : l’autostop connecté. La géolocalisation alliée à la connaissance du trafic en temps réel permet également de savoir plus précisément en combien de temps le conducteur peut se rendre au point de rencontre planifié.
Associées à des données pré-enregistrées et traitées par des algorithmes de matching puissants, les technologies temps réel et géolocalisation permettent d’ajuster l’offre et la demande au dernier moment.
Machine Learning et Big Data
Grâce à l’augmentation des capacités de calcul, et à la capacité à récolter facilement de l’information, les systèmes d’apprentissage permettent de construire des modèles capables de matcher offre et demande de façon plus complète avec une probabilité bien meilleure qu’avant. Mais cette technologie a ses limites car les algorithmes d’apprentissage n’interprètent que ce qu’on leur a appris à retenir. Or le comportement humain engendre une zone d’incertitude dont les conséquences sont importantes dans le covoiturage du quotidien : une réunion qui se prolonge, un déplacement de dernière minute, une course à faire, un changement de trajet guidé par le mauvais temps ou les embouteillages…même si l’on est aujourd’hui capable de prédire le trajet d’un covoitureur avec 75% de certitude, sommes-nous prêts, en tant que passager, à réorganiser notre trajet retour dans 25% des cas ?
La résistance au changement d’habitude est bien plus forte que les prévisions des algorithmes. Il nous est tous déjà arrivé que Google prédise nos déplacements et fasse une suggestion qui ne nous paraisse pas pertinente. Ce n’est pas faute de connaitre le trafic routier, la géolocalisation des smartphones et les horaires des transports en commun. C’est pourquoi il faudra encore longtemps compléter par des solutions de repli, toute démarche de matching organisée en amont.
L’open data et les architectures Cloud
Ces solutions de repli sont multiples :
- proposer de nouveaux conducteurs, là où les flux sont suffisamment importants pour que le covoitureur trouve rapidement un conducteur
- mixer transports en commun et covoiturage
- organiser une garantie retour sous forme de « voiture balais »
C’est la tendance de l’Open Data qui permet de proposer des retours en transport en commun, seul ou en combinaison avec le covoiturage, grâce à l’intégration des APIs (interfaces de programmation de paiement) de transport en commun.
A l’inverse, consulter les trajets en covoiturage via une API permet aussi de proposer le covoiturage comme solution alternative au transport en commun, pour celui qui n’a pas trouvé de bus à l’heure désirée par exemple. L’idée est d’aller chercher les utilisateurs lorsqu’ils prévoient leurs déplacements : soit sur le site ou l’application habituelle d’information multimodale, soit sur les sites des évènements auxquels ils participent (exposition, festival). Une architecture Cloud permet de proposer facilement des trajets selon plusieurs critères de recherche, et plus seulement en fonction des critères classiques : origine, destination, horaire.
Le service avant tout
Ainsi, chaque technologie peut nous emmener très loin, mais elle n’est utile que lorsqu’elle permet d’apporter un service supplémentaire pour répondre à un besoin du client. Dans tous les cas, elle doit disparaitre pour l’utilisateur, derrière un parcours simple et fluide. Bien souvent il est nécessaire de travailler par itération pour trouver la solution qui répondra précisément au besoin du client. Le travail en méthode agile et en « feature team » est particulièrement utile dans cette recherche de la simplicité.
Enfin, quelquefois, la technologie permet de proposer un service connexe, qui débloque l’usage. Dans le cas du covoiturage, c’est le machine learning qui a permis de développer des fonctions qui sont dorénavant disponibles « sur étagère » comme la reconnaissance visuelle des plaques d’immatriculation. On peut alors associer cette reconnaissance de plaque d’immatriculation à une interrogation de la base des covoitureurs pour donner accès à des places de parking réservées, ou des tarifs particuliers. Ainsi, un covoitureur régulier peut bénéficier d’une place privilégiée à la gare grâce à l’interconnexion des systèmes d’information. Toutefois le plus important n’est pas la technologie associée mais bien le résultat pour l’utilisateur.
En associant toutes ces technologies, le covoiturage de proximité devient de plus en plus performant, intégrant des parcours clients personnalisés. Grâce à cette évolution il s’inscrira de plus en plus dans l’approche multi modale des transports de courtes distances de demain.