A Kovi como startup de mobilidade, se preocupa com este cenário e seu reflexo na vida dos motoristas, dessa maneira surgiu a necessidade de sabermos como nossos drivers dirigem e como podemos incentivar uma direção mais segura e que consequentemente gera menos acidentes.

Cada carro da Kovi possui um IoT que rastreia todos os seus movimentos, nos enviando seu posicionamento e diversos outros eventos, que remetem a comportamentos indesejados, como por exemplo uma frenagem ou virada muito brusca realizada pelo condutor. Estes eventos se tornaram a matéria prima do nosso algoritmo que diz como o motorista está se comportando.

Cada característica de direção do motorista é avaliada separadamente baseada nos eventos que fazem sentido para aquela categoria, por exemplo, avaliamos como o motorista freia olhando para as frenagens bruscas e muito bruscas (que somos alertados pelo IoT), e assim fazemos para todos os outros eventos.

Um dos detalhes importantes dessa primeira parte do algoritmo é saber como obter a pontuação para cada driver de maneira correta, o que é decisivo para termos assertividade em determinar o quão bem certo motorista está dirigindo, por exemplo, não faria sentido observar motoristas de duas cidades diferentes e comparar sua direção utilizando as mesmas medidas, sendo que a topologia da cidade, por si só interfere no ambiente onde o carro está sendo conduzido. Sendo assim, levamos a região em consideração na hora de gerar cada score individual, comparando o driver com a população daquela região, que está submetido às mesmas condições espaciais que ele.

Outro detalhe indispensável é observar o efeito do tempo (recência) no perfil de direção, todos nós mudamos diariamente, seja por estímulos do ambiente ou pessoais, e isso faz com que pouco a pouco nos tornemos diferentes do que fomos ontem, dessa maneira não seria razoável aplicar o mesmo peso para acontecimentos de 1 ano atrás e de uma hora atrás. Por isso, foi necessário implementar um decaimento de peso que gerasse esse reflexo dentro do algoritmo, onde olhamos para a direção dos últimos 28 dias de um driver e vamos reduzindo a importância através da quantidade de quilometragem rodada, ou seja, quanto mais recente foi aquele determinado comportamento em questão de KM, maior o seu peso, tornando assim o algoritmo mais sensível para mudança de perfil de direção.

É muito importante ressaltar que tais considerações são feitas em tudo que desenvolvemos aqui dentro, visando não olhar nosso driver como um número e sim como um indivíduo único e complexo, que necessita de todo cuidado quando geramos métricas que o afetam diretamente.

Dadas as observações e ponderações acima, chegamos a seguinte fórmula:

Depois de termos as informações processadas através dessa expressão, obtemos, para cada uma das características de direção, um score que varia de 0 a 1, sendo 0 a pior pontuação e 1 a melhor.

Nesse momento com o score já elaborado, precisamos validar a hipótese de que, o comportamento de direção de determinados aspectos afeta na ocorrência de sinistros, para isso, realizamos a observação em nossa base, olhando o comportamento histórico dos scores em relação á ocorrência dos sinistros.

Na imagem acima observamos a comprovação dessa hipótese para o score de frenagem, onde vemos que o grupo que nunca teve sinistro tem a média de score maior que o grupo que já teve sinistro em algum momento e esse por consequência tem maior valor que os que tiveram o sinistro naquela semana.

Essa observação se mantém verdadeira também para outras características, mas variando seu valor, o que já esperávamos, considerando que, a maneira com que um indivíduo realiza viradas com seu carro interfere de maneira diferente na probabilidade dele se envolver em um acidente quando comparado com a maneira que ele realiza suas frenagens.

Com as observações parciais validadas, foi necessário ter uma forma de olhar isso de maneira unificada, ou seja, qual ponderação entre todas as características de direção gera o perfil mais propenso a se envolver em sinistros?

Como nosso objetivo era determinar perfis mais propensos a gerar um sinistro, e depois de aproximadamente 6 tentativas e muitos copos de café, a partir dessa premissa desenvolvemos a maneira de ponderar nossos scores, onde a combinação deles buscava aumentar a discrepância do score consolidado para os grupos distintos, ou seja, a diferença no DBS (driving behavior score — nosso score consolidado), entre sem sinistro, sinistro histórico e sinistro deveria ser a maior possível, no fim isso nos deu um conjunto de coeficientes que pesam mais para comportamentos que se mostram mais decisivos na hora do acidente.

Na imagem acima temos uma visualização do modelo de otimização quadrático, que se assemelha ao de uma rede neural, onde os “neurônios” de primeira e segunda camada são os scores, mais uma variável independente (bias). A partir desse modelo obtemos 57 variáveis que representam o peso da relação de cada um dos scores com sinistros, e que consolidados nos geram a DBS.

Depois de todos esses passos chegamos no nosso resultado final, que nos gerou a seguinte distribuição:

Que nos trás o output que gostaríamos:

Onde drivers que tiveram sinistros ficaram concentrados na região de menores scores

E motoristas sem sinistros concentrados do lado direito do gráfico de distribuição, ou seja os maiores scores;

Baseado nos pontos de inflexão na distribuição, conseguimos definir faixas de direção, onde conseguimos discernir qual pontuação podemos elencar como preocupante e quais motoristas temos de tomar alguma ação num futuro próximo;

Sendo assim, agora temos uma distinção qualitativa, simples de ser observada e facilmente implementável no negócio, que pode ser usada em diversas ações e ser interpretada de maneira simples, onde várias características estão condensadas em apenas um indicador.

A aplicação da métrica no negócio será feita através de uma reeducação dos nossos drivers, comunicando para eles como estão dirigindo, indicando como e onde melhorar, nos preocupando com os motoristas que estão localizados na faixa que indicamos como arriscada, dando incentivos para que eles melhorem seu perfil de direção e consequentemente saiam dessa classificação de risco, reduzindo assim a exposição da nossa base a sinistros.

Os resultados dessa iniciativa serão mostrados em artigos posteriores a esse onde iremos analisar qual impacto da nossa métrica na redução da sinistralidade aqui dentro da Kovi.

‍