Een dashboard, gegenereerd met AI, dat laat zien wanneer en waar de vraag naar taxiritten piekt en waar chauffeurs onnodig leeg terugrijden.
Een taxichauffeur weet uit ervaring dat het vrijdagnacht druk is rond de Grote Markt en dat de laatste treinen op het hoofdstation ritten opleveren. Maar die kennis zit in hoofden, niet in data. Wie de drukte verkeerd inschat, staat op het verkeerde moment op de verkeerde plek: klanten wachten te lang, of chauffeurs staan stil.
Daar komt de terugrit bij. Na een rit naar Delfzijl of Assen rijdt een chauffeur vaak zonder passagier terug naar Groningen. Die lege kilometers kosten brandstof, tijd en uitstoot, zonder dat er iets tegenover staat.
De opdracht komt voort uit de praktijk: de student is zelf taxiondernemer in Groningen. Daardoor is er toegang tot echte ritdata en een direct toetsingskader. De vraag is niet of een dashboard er mooi uitziet, maar of een taxibedrijf er morgen andere keuzes door maakt.
Een dashboard dat de vraag naar ritten per uur, weekdag en gebied inzichtelijk maakt, met een eenvoudige voorspelling voor de komende dagen. Daarbij wordt gekeken naar de invloed van:
Daarnaast brengt het dashboard in kaart waar en wanneer lege terugritten het vaakst voorkomen.
“Wanneer en waar ontstaat vraag naar taxiritten, en hoe zet je chauffeurs zo in dat er minder leeg wordt gereden?”
De basis is historische ritdata: vertrektijd, ophaal- en afzetlocatie, ritduur en of de rit leeg eindigde. Die wordt aangevuld met open data, zoals weergegevens van het KNMI en evenementenkalenders van gemeenten en podia.
Voordat er patronen uit te halen zijn, wordt de data opgeschoond: dubbele of onvolledige ritten eruit, tijden gelijkgetrokken, locaties samengevoegd tot herkenbare gebieden.
Ritdata bevat locaties, en locaties kunnen naar personen leiden. Daarom wordt gewerkt op het niveau van gebieden (bijvoorbeeld postcode-4) en tijdvakken, niet op individuele adressen of klanten. Gegevens die daar niet voor nodig zijn, worden vooraf verwijderd.
In plaats van handmatig te bouwen in een BI-pakket, wordt het dashboard gegenereerd met een AI-model. De student beschrijft welke inzichten nodig zijn; de AI schrijft de code voor analyses en visualisaties. Zo verschuift het werk van klikken en slepen naar het formuleren van de juiste vragen en het controleren van de uitkomst.
De voorspelling blijft bewust eenvoudig: een verwachte drukte per tijdvak en gebied, op basis van eerdere weken, gecorrigeerd voor weer en evenementen.
AI-gegenereerde code kan overtuigend ogen en toch verkeerd rekenen. Elke grafiek en elk getal wordt daarom gecontroleerd tegen de brondata. Het project laat ook zien waar AI tijd bespaart en waar menselijke controle onmisbaar blijft.
Een deel van de data wordt apart gehouden. De voorspelling wordt daarop getest: hoe dicht zat het dashboard bij de werkelijke drukte? Zo wordt duidelijk hoe betrouwbaar de forecast is en bij welke situaties hij tekortschiet.
De bevindingen worden vertaald naar een praktisch advies voor een taxibedrijf: wanneer extra chauffeurs inzetten, waar wachten loont en hoe terugritten beter te benutten zijn, bijvoorbeeld door ritten te koppelen of standplaatsen anders te kiezen.
Een werkend dashboard, de gebruikte prompts en code, een korte verantwoording van data en aanpak, en een adviesdocument.
Bekijk alle projecten van CollabSpace of de andere opdrachten binnen de WBP-specialisatie.