https://virgool.io/carbill/feed خودرو هیچگاه اینچنین مهم نبوده‌است... fa 2026-06-18 12:04:34 https://files.virgool.io/upload/publication/djfunpqikppd/l2ydcv.png https://virgool.io/carbill https://virgool.io/carbill/%D8%A7%D8%B3%D8%AA%D9%81%D8%A7%D8%AF%D9%87-%D8%A7%D8%B2-%D9%81%D9%86%D8%A7%D9%88%D8%B1%DB%8C-%D9%87%D8%A7%DB%8C-machine-learning-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D9%85%D8%A7%D8%B4%DB%8C%D9%86-%D9%88-%D9%81%D9%86%D8%A7%D9%88%D8%B1%DB%8C-%D8%AD%D8%B3%DA%AF%D8%B1%D9%87%D8%A7-%D8%A8%D8%B1%D8%A7%DB%8C-%D8%B3%D8%B1%D8%B9%D8%AA-%D8%A8%D8%AE%D8%B4%DB%8C%D8%AF%D9%86-%D8%A8%D9%87-%D9%85%D8%A7%D8%B4%DB%8C%D9%86-%D9%87%D8%A7%DB%8C-%D9%85%D8%AA%D8%B5%D9%84-hrjdmfnngwe0 "به عنوان یک بازیگر در صنعت فناوری‌های خودرویی باید بفهمیم چگونه می توان حجم زیادی از داده‌ها را از خودروهای خود خارج کرد"Renovo Motors به عنوان یکی از شرکت‌های معتبر در فضای خودروهای متصل، می گوید مفهوم سنتی پلتفرم خودرو در عصر سلطه نرم‌افزار، الکترونیک و ظهور فناوری خودروهای خودران با تغییرات احتمالا اساسی روبرو است.در اجلاس هوش ماشینی در خودروهای خودران در 23 تا 24 مارس سال جاری میلادی در سان فرانسیسکو، مدیر واحد علم داده در شرکت Renovo Motors در یک پنل اختصاصی درباره چگونگی استفاده از فناوری‌های یادگیری ماشین و حسگرها برای سرعت بخشیدن به ماشین‌های متصل بحث کرده‌است.کار در خودروهای خودران از چه چیزی شروع شد؟وسایل نقلیه خودران یک تلاش تکنولوژیکی بزرگ است که برخی از آخرین پیشرفت‌ها را در زمینه‌های مختلف - از مهندسی مکانیک و علوم مواد، مهندسی برق و علوم رایانه ترکیب می‌کند. اتومبیل و تکنولوژی، هر دو با هم مورد علاقه مردم است.عوامل کلیدی که پیشرفت های اخیر در خودروهای خودران را ایجاد کرده است، چیست؟پیشرفت‌های اخیر در هوش مصنوعی به عنوان یک کاتالیزر در فعال کردن فناوری خودروهای خودران بوده‌است، همچنین پیشرفت در پردازنده‌های رایانه‌ای اجازه داد این الگوریتم‌ها در خودروها مستقر شوند. علاوه بر این، افزایش تراکم در انرژی و کاهش قیمت باتری‌های برقی، برق‌رسانی کامل را ممکن ساخته است، که اگرچه اساساً ضروری نیست، اما قطعه اصلی دیگری در پازل خودروهای هوشمند، کم مصرف و مستقل است.چالش های اصلی پیشرفت خودروهای خودران چیست؟باید اطمینان حاصل کرد که خودروهای خودران می توانند با خیال راحت در زیرساخت های موجود ادغام شوند. چالش‌های کلیدی شامل کارکرد ایمن خودرو در هر زمان، امنیت و توسعه در یک چارچوب قانونی مناسب خواهد بود. علاوه بر این، مدیریت ناوگان‌های خودران یک مشکل پیش پا افتاده نیست و با توجه به اینکه انتظار می‌رود خودروهای خودران اطلاعاتی در حدود 10 ترابایت در روز تولید کنند، لذا انتقال و تجزیه و تحلیل حجم زیادی از اطلاعات را شامل می‌شود. در حالی که توسعه شبکه‌های ارتباطی پیشرفته می‌تواند کمک کننده باشد.کارشناسان معتقدند که Machine Learning نقش تعیین کننده‌ای در قابل کنترل کردن حجم عظیمی از داده های تولید شده توسط خودروهای خودران خواهد داشت.انتظار داریم در 5 سال آینده شاهد چه تحولاتی در خودروهای خودران باشیم؟5 سال آینده برای خودروهای خودران هیجان انگیز خواهد بود، البته که به چشم انداز سیاسی و اقتصادی جهانی نیز بستگی دارد. فعالان این حوزه امیدوارند تا سال 2022، آزمایش‌های موفقیت‌آمیزی از ناوگان تاکسی‌های خودران در شهرهای مختلف جهان تجربه کنند. همچنین احتمال می‌رود شاهد اولین خودروهای تجاری با سطح خودرانی 4 در بازارها باشیم. کاربیل - C A R B I L L کاربیل - C A R B I L L Sun, 19 Sep 2021 14:16:13 +0430 https://virgool.io/carbill/%D8%AA%DA%A9%D9%86%DB%8C%DA%A9%DB%8C-%D8%B3%D8%A7%D8%AF%D9%87-%D8%A8%D8%B1%D8%A7%DB%8C-%D8%AD%D9%84-%DA%86%D8%A7%D9%84%D8%B4-%D8%AF%D8%A7%D8%AF%D9%87-%D9%87%D8%A7%DB%8C-outlier-zps8qrns6oqf اصول و روش‌های آماری وابسته به رفتار جامعه آماری و بخصوص اکثریت اعضای آن بنا شده است. بیشتر شاخص‌های آماری، مانند میانگین و انحراف معیار، که برای توصیف چنین جامعه‌ای به کار می‌رود، براساس همه مشاهدات، محاسبه شده و تحت تاثیر مقادیر آن‌ها هستند. به همین دلیل وجود «داده پرت» (Outlier Data) یا دورافتاده، که ممکن است براثر خطا اندازه‌گیری بوجود آمده یا واقعا از اعضای استثنایی جامعه باشند، این شاخص‌ها را به شدت تحت تاثیر قرار می‌دهند. در این مقاله به بررسی تکنیکی ساده برای حل چالش داده های Outlier با استفاده از زبان پایتون خواهم پرداخت تا نتایج حاصل از تحلیل‌های آماری را اعتبار بیشتری ببخشیم.دیتاستی که برای این مقاله در نظر گرفتم، می توانید از لینک زیر دانلود کنید.curl https://github.com/trangel/stats-with-python/blob/master/data/db-readability-length.csv > db-readability-length.csvبرای بررسی دیتاست، کتابخانه های زیر را وارد محیط ژوپیتر نوت بوک می‌کنیم.import pandas as pd import numpy as npدیتاست دانلود شده را import می‌کنیم.df = pd.read_csv('./db-readability-length.csv', index_col=0) df.head()مجموعه داده شامل سه ستون است که ما تنها ستون Readability را بررسی می‌کنیم.به منظور اکتشاف بیشتر از نحوه توزیع داده ها، نمودار هیستوگرام آن را رسم می‌نماییم.df['Readability'].hist(bins=50, figsize=(10,5))همانطور که مشاهده می‌کنید نمودار فوق که از توزیع نرمال پیروی می کند، ظاهرا از باند 22 به بعد دارای داده پرت است.چگونه داده های پرت را می‌توانیم حذف کنیم؟!پاسخ: اگر داده ها را بین بازه 5 تا 95 درصد در نظر بگیریم، می توانیم داده های پرت را بی تاثیر کنیم. با توجه به توزیع نرمال بودن، با استفاده از این روش در صورتی که ابتدا و انتهای مجموعه داده، داده های پرت داشته باشیم، حذف خواهند شد. بنابراین حذف این داده ها، باعث افزایش کیفیت و دقت شاخص های آماری می شوند.X = df['Readability'].values X = X.reshape(len(X)) df2 = df[df['Readability'].between(np.percentile(X,5), np.percentile(X,95), inclusive=True )]حال بیایید نمودار دیتاست جدید را رسم کنیم.bins = np.arange(-20,50,1) df2['Readability'].hist(bins=bins, figsize=(10,5))همانطورکه در نمودار بالا مشخص شده است، علاوه بر حذف داده های پرت، چولگی نمودار و همچنین میزان پراکندگی نیز کاهش یافته است.منبع:https://github.com/trangel/stats-with-python کاربیل - C A R B I L L ابوالفضل وکیلی Thu, 02 Sep 2021 10:31:37 +0430 https://virgool.io/carbill/%D8%A7%D9%86%D8%AF%DA%A9%DB%8C-%D8%AA%D8%AC%D8%B1%D8%A8%D9%87-%D8%A7%D8%B2-%D9%BE%D8%B1%D9%88%DA%98%D9%87-%D9%87%D9%88%D8%B4%D9%85%D9%86%D8%AF-%D8%AA%D8%B4%D8%AE%DB%8C%D8%B5-%DA%A9%D9%BE%DA%86%D8%A7-ie1cxv3ktjox همیشه وقتی می دیدم سایت ها یا نرم افزار ها توی فرم هاشون از کپچا استفاده می کنن خیلی احساس بدی پیدا می کردم. چرا که باید کلی زمان بذارید اول فرم رو پر کنید و از اونور هم زمان بذارید کپچا رو درست تشخیص بدید. اگه کپچا رو درست تشخیص دادید که شانس آوردید وگرنه باید دوباره اونو بنویسید.خیلی از سایت ها هم وقتی ببینن شما کپچا رو غلط تشخیص دادید، فیلد های الزامی و مهم رو پاک می کنن و اینطوری شما هم باید کپچا رو دوباره تشخیص بدید و هم دوباره به تکمیل فرم بپردازید!به نظر من بد ترین کپچا رو گوگل داره. اونم از این نوعش:یا این مدلش:در نوشته امروز تصمیم گرفتم تا جایی که امکان پذیره سوال زیر رو جواب بدم:چطور می تونم با استفاده از یادگیری ماشین برنامه ای نوشت که بتونه به صورت هوشمند کپچا رو تشخیص بده؟من به کپچا گوگل کاری ندارم و مورد مطالعه خودم رو روی کپچا هایی مثل مدل زیر گذاشتم (یعنی یک رشته هست که توی تصویر قرار داره و باید تشخیص داد.):آشنایی با انواع مختلف کپچا هاخب در ابتدا نیاز هست با هم انواع مختلف کپچا ها رو بررسی کنیم.سختی کپچا ها می تونه به عامل های زیر بستگی داشته باشه:چرخش حروفتصادفی بودن رنگ حروفزیاد بودن حرف هاکم بودن فاصله حروف از همدیگهثابت نبودن مکان حروفوجود خط روی حروفکم کردن وضوحو ...به طور کلی هر چه عوامل بالا رو بیشتر ببینید، اون کپچا درجه سختی بالاتری داره.مثال 1: این کپچا خیلی ساده هست چون :مکان حروف ثابت هستند.حروف چرخشی ندارند.تصویر سیاه و سفید هست.مثال 2 : در مقایسه با مثال 1 حروف آن کمی چرخش دارد.مثال 3:این تصویر هم در پس زمینه و هم در رنگ فونت وضوح کمی داره.مثال 4:در مورد زیر می بینید که چقدر کپچای سختی هست. یعنی شاید از هر ده نفر 6 نفر بتونن این کپچا رو درست وارد کنند. چون :مکان قرار گیری حروف نظم خاصی نداره.تنوعی در فونت حروف دیده میشه.برخی حروف مثل c برعکس هستند.اندازه فونت متغیر هست.قطعا هر چه کپچا سخت تر باشه تشخیص اون توسط ماشین سخت تر هست. اما من معتقدم هر کپچایی یک نقطه ضعف داره! چون بیشتر کپچا ها ویژگی های ثابت زیاد دارند که این خصیصه های ثابت می تونه توی مرحله آماده سازی تصویر خیلی کمک کنه.حالا چطوری برنامه هوشمند رو بسازیم؟به طور کلی برای ساخت یک همچین برنامه ای مراحل زیر نیاز هست:فرض کنید ما 2000 هزار تصویر کپچا داریم که برچسب گذاری شده اند. (منظور از برچسب جمله ای که توی تصویر هست تلقی میشه. در تصویر زیر این برچسب ها به نام فایل هستند.)مثلا:حالا میایم توی گام دوم آماده سازی این تصاویر رو انجام می دیم. به عنوان مثال اگه تصاویر سه کاناله (RGB) باشه، به تک کاناله (GRAY SCALE) تبدیلش می کنیم. یعنی تصاویر به سیاه و سفید تبدیل میشن. (البته این مثال هست! همیشه هم اینطور نیست! درواقع بستگی به نوع کپچا داره.)در نهایت به الگوریتم یادگیری ماشین می دیم که یادگیری رو انجام بده.چالش ...خب یکی از چالش هایی که من به شخصه بهش برخوردم، بحث جمع آوری این مجموعه داده بود. اگه بخوایم به ازای هر نوع کپچا مدلی بسازیم، نیاز هست که کد اون نوع کپچا رو مهندسی معکوس کرد و یا از طریق جمع آوری و برچسب زدن به صورت دستی اینکار رو انجام داد که توی بسیاری از موارد خیلی کار سختی هست.یکی از راه حل هایی که به نظرم رسید می تونه مفید باشه، تقسیم بندی تصویر هست. به عنوان مثال کپچا زیر رو در نظر بگیرید.همونطور میبینید کچای سختی هست. فاصله حروف نسبت به هم زیاد هستند ولی توی هر کپچایی مکان حروف متغیر هست. از طرفی رنگ هر حرف هم می تونه متغیر باشه.خب اگه بتونیم هر حرفی رو از توی تصویر جدا سازی کنیم در اینصورت می شه اونو حرف به حرف به مدل یادگیری ماشین داد و در نهایت اون حرف رو predict کرد. اینطوری دیگه نیازی به مهندسی معکوس کد تولید کننده این کپچا نیست و تنها با تلاش در جهت تمیز سازی و حذف نویز های تصویر و همچنین با جداسازی تصویر حرف می تونیم تشخیص بدیم. حروف هر بخش که تشخیص داده شد، در کنار هم قرار می دیم و نتیجه، کد موجود در تصویر کپچا هست.به ظاهر روش خوبی به نظر می رسه. اما در صورتی که همین کپچا فاصله حروف شون خیلی به هم نزدیک باشه این روش جوابگو نیست.در مورد کپچای بالا که متشکل از اعداد و حروف هست، خیلی وقتا مدل ما تمایزی بین عدد 0 و حرف O انگلیسی قائل نمی شه. و این یعنی خطای مدل. نتیجه گیریدر نوشته امروز سعی کردم از تجربه ای که در طی پروژه شناسایی هوشمند کپچا بدست آوردم بنویسم. اميدوارم مفيد باشه. به نظر می رسه که بهترین روش برای انجام تسک شناسایی هوشمند کپچا، مهندسی معکوس کد تولید کننده اون کپچا هست. در این صورت ما به کدی که اون کپچا رو تولید می کنه دسترسی داریم و به هر تعدادی که لازم داشته باشیم دیتاست یا مجموعه داده تولید می کنیم و مدل ما آموزش می بینه و در نهایت می تونیم خطای مدل رو ارزیابی کنیم.امیدوارم نوشته امروز براتون مفید بوده باشه.از همراهیتون صمیمانه ممنونم. کاربیل - C A R B I L L ابوالفضل وکیلی Fri, 16 Apr 2021 17:18:47 +0430 https://virgool.io/carbill/%D8%B1%D9%88%D9%86%D8%AF%D9%87%D8%A7%DB%8C-%D8%A7%D8%B5%D9%84%DB%8C-%DA%A9%D9%87-%D8%A2%DB%8C%D9%86%D8%AF%D9%87-%D8%B5%D9%86%D8%B9%D8%AA-%D8%AE%D9%88%D8%AF%D8%B1%D9%88-%D8%B1%D8%A7-%D8%B4%DA%A9%D9%84-%D9%85%DB%8C%D8%AF%D9%87%D8%AF-jkeqffm5emqy از آنجایی که هر صنعتی در دنیای امروز تحت تحول دیجیتال قرار دارد، تعجب‌آور نیست که چنین اتفاقی برای صنعت خودرو نیز بیافتد. فناوری‌های نوظهور و انتظارات مشتری به طور مداوم در حال تحول است. از این رو صنعت خودرو نیز به سمت یافتن راه‌های جدیدی است تا محصولات و خدمات نوآورانه به مشتریان خود ارائه دهد.همانطور که در مقال‍ه‌ی قبلی که در صفحه کاربیل در وب‌سایت ویرگول منتشر شد، عبارات خودروهای متصل، خودروهای خودران و خودروهای الکتریکی را ممکن است بارها و بارها شنیده‌باشیم و اخبار و مقاله‌های مختلفی را درباره‌ی آنها خوانده‌ باشیم. همه‌ی این‌های نشان می‌دهد که تغییر روشنی در نوع وسایل نقلیه‌ای که مصرف‌کنندگان خریداری می کنند، نحوه انتخاب آنها و نوع انتظاراتشان درباره تجربه مالکیت خودرو صورت گرفته است.هسته اصلی بسیاری از این تغییرات یک عنصر مشترک است: دیتا (داده).آینده صنعت خودرو به شدت به داده‌های خودرویی وابسته خواهد بود. بسیاری از شرکت‌ها متوجه تأثیر و پتانسیل بالقوه ارائه محصولات، خدمات و تجربیات بهتر بر اساس داده‌های مرتبط خودرو شده اند. و به همین ترتیب، بازار راهکارهای مبتنی بر داده در حال رونق گرفتن است و انتظار می رود با سرعت بالایی رشد کند.در ادامه مروری خواهیم داشت بر روندهای اصلی صنعت خودرو و مواردی از استفاده‌ی داده‌های مربوط به خودرو را بیان خواهیم کردمصرف‌کنندگان در مورد ایمنی وسایل نقلیه خودران تردید دارندمطابق آمارهای رسمی عامل بیش از 90٪ تصادفات رانندگی خطای انسانی‌ بوده‌است، از این رو نیاز به خودران‌های ایمن به‌طور طبیعی مشهود شده‌‌است. به همین دلیل است که طیف وسیعی از شرکت‌ها در صنعت وسایل نقلیه خودران سرمایه‌گذاری‌های بزرگی کرده‌اند. از طرفی با در نظر گرفتن گزارش‌های متعددی که به این واقعیت اشاره دارند که در اتومبیل‌های خودران ایمنی بیشتری وجود دارد، می‌توان فرض کرد که دیر یا زود همه‌ی ما خواه، ناخواه سراغ اتومبیل‌های خودران خواهیم رفت.اما در عمل، اوضاع کمی متفاوت است. حتی اگر تعداد تصادفات گزارش شده ناشی از وسایل نقلیه خودران به حداقل هم برسد ، تنها چند گزارش منفی کافی است تا مصرف کنندگان اعتقاد خود را به اتومبیل های بدون راننده از دست بدهند.طبق گزارش واحد جهانی مطالعات مصرف‌کنندگان خودروهای خودران شرکت دیلویت (Deloitte) در سال 2019، حدود 50٪ از مصرف‌کنندگان در ایالات متحده، ژاپن، هند و آلمان معتقد بودند که خودروهای بدون راننده ایمن نیستند. همین اخبار و گزارش‌ها باعث شده‌است که به طور مداوم تعداد افرادی که در یک وسیله نقلیه خودران احساس امنیت نمی کنند، افزایش بیابد. به نظر می‌رسد قرار گرفتن در معرض گزارش‌های رسانه‌ای از تصادفات مربوط به وسایل نقلیه خودران دلیل اصلی تأثیرگذاری بر دیدگاه مصرف‌کنندگان نسبت به این فناوری است.با این وجود، سرمایه‌گذاری در وسایل نقلیه‌یخودران علائم کندی را نشان نمی‌دهد و مانند هر چیز دیگری، احتمالاً می‌توان انتظار داشت که با پیشرفتفناوری و بهبود ایمنی اتومبیل‌های خودران، در نهایت شاهد تغییر ذهنیت در مصرف‌کنندگان باشیم. توجه به داده‌های خودرویی قطعاً باعث تقویت وسایل نقلیه خوران در آینده خواهد شد. دسترسی به داده‌های خودرو بینش دقیق‌تری در مورد الگوی رانندگی، استفاده از برف پاک‌کن و چراغ‌های جلو، داده‌های GPSو بسیاری از داده‌های مرتبط دیگر را که به توسعه وسایل نقلیه خودران کمک می کنند، فراهم خواهد کرد.افزایش علاقه به وسایل نقلیه الکتریکیاگر مصرف‌کنندگان در مورد وسایل نقلیه خودران تردید دارند، گزارش‌ها به وضوح نشان می‌دهد که آنها کاملاً از وسایل نقلیه الکتریکی و هیبریدی استقبال کرده و می‌کنند.با در نظر گرفتن نگرانی‌های روزافزون زیست محیطی، تمایل به زندگی پایدارتر و تشویق دولت‌ها برای خرید وسایل نقلیه الکتریکی با کاهش مالیات، تعجب‌آور نیست که شاهد افزایش علاقه به وسایل نقلیه برقی باشیم. PwCبا خوش‌بینی پیش‌بینی می‌کند که ممکن است بیش از 55 درصد از کل فروش خودروهای جدید در اروپا تا سال 2030 کاملاً متعلق به خودروهای الکتریکی باشد.یک مورد خوب در استفاده از داده‌های خودرویی این‌است که رانندگان در صورت استفاده از خودروهای الکتریکی می‌توانند توصیه‌هایشخصی‌سازی شده بر اساس نوع رفتار و عادات رانندگی خود دریافت کنند. این امر باعث تشویق فروش وسایل نقلیه الکتریکی می‌شود و مصرف‌کنندگان را قادر به انتخاب آگاهانه متناسب با بودجه‌ی خود و حفظ محیط زیست می‌کند.روشن است که راه درحال هموار شدن است. تقاضا به طور مداوم در حال افزایش است و زیرساخت‌هایی در حال ایجاد است تا مصرف‌کنندگان به راحتی بتوانند به وسایل نقلیه الکتریکی روی بیاورند.نحوه‌ی خرید مصرف‌کنندگان خودرو تغییر کرده‌استمانند هر چیز دیگری، خرید اتومبیل نیز تحت تأثیر انقلاب آنلاین قرار گرفته است. اکنون بسیاری از مصرف‌کنندگان پیش از رفتن به نمایندگی وقت خود را صرف تحقیق در مورد اتومبیل می‌کنند و با ایده کاملاً واضحی از نوع خودروی مورد نظر خود به نمایندگی مراجعه می‌کنند. این در واقع خبر خوبی‌ست، چراکه طبق گزارش دیلویت (Deloitte)، حدود 30٪ از افراد در همان روزی که وارد نمایندگی می شوند اتومبیل می‌خرند.با توجه به اینکه رفتار و انتظارات مصرف‌کننده در حال تغییر است، نمایندگی‌ها و نمایشگاه‌داران ماشین باید خود را برای سازگاری با این انتظارات و همینطور برآورده کردن آنها آماده کنند. به عنوان مثال، بهبود دادن به وب‌سایت و سرمایه‌گذاری در ابزارهای دیجیتال دو روش خوب برای جلب توجه مشتریان در مرحله‌ای‌ست که آنها به‌دنبال خودرو می‌گردند. این اقدامات می‌تواند به نمایشگاه‌داران اطمینان بدهد که مشتریان را به سمت خود کشانده‌اند.هنگامی که مشتریان هدف در نمایندگی قرار گرفتند، نمایندگی از هر اطلاعاتی که در مرحله تحقیق از شما خواسته یا ناخواسته دریافت کرده برای سود خود استفاده می‌کند. بیشتر مردم از کاغذ بازی های مربوط به خرید ماشین بدشان می‌آید، بنابراین سرمایه‌گذاری در ابزارهای دیجیتال که بتواند این روندها را ساده و تجربه خرید را آسان کند، شانس خرید خودرو توسط آن شخص را افزایش می‌دهد.جمع‌آوری داده‌های اتومبیل می‌‌تواند به ایجاد روابط قوی‌تر با مشتریان نیز کمک کند، زیرا دسترسی به بینش‌هایی را نسبت به مشتری فراهم می‌کند که به نمایندگی امکان می‌دهد آنها را درگیر خود کند و نوعی تجربه شخصی را برای آنها فراهم آورد. این باعث می‌شود رضایت مشتری بالا برود و شرایط را برای افزایش درآمد بازار خدمات یدکی در زمان خدمات پس از فروش مهیا و بهتر بکند.اما آیا با رشد روز به روز بازار خرید آنلاین به عنوان گزینه‌ی اول مشتریان، نمایندگی‌ها و نمایشگاه‌های ماشین در آینده منسوخ خواهند شد؟جواب منفی‌ست، خیر!حتی ممکن است برخی از مصرف‌کنندگان در آینده تصمیم بگیرند مستقیماً وسیله نقلیه مورد نظر خود را به صورت آنلاین از واردکننده خریداری کنند، اما باز هم نمایندگی‌ها وجود خواهند داشت و حذف نمی‌شوند. به این دلیل که دیجیتالی کردن برخی از عناصر اصلی تجربه مشتری در نمایشگاه‌های خودروبسیار دشوار است. طبق گفته Deloitte، بیش از 70٪ از مصرف‌کنندگان اظهار می‌کنند که هنوز هم تعامل شخصی با پرسنل نمایندگی را ترجیح می‌دهند. این بدان معناست که تقریباً دو سوم افراد ترجیح می‌دهند مذاکره حضوری داشته‌باشند، زیرا معتقدند این امر بهترین توافق را برای آنها تضمین می‌کند.آینده در راه استدر بازار خوروهای متصل که در مقاله‌ی قبلی مفصل دربا‌ره‌ی‌شان گفتیم، رشد چشم‌گیری را شاهد هستیم. پیش‌بینی می ‌شود تا سال 2027 حجم این بازار به 212.7 میلیارد دلار برسد. به همین دلیل است که برخی دولت‌ها تلاش می‌کنند سیستم‌های حمل و نقل هوشمند خود را توسعه دهند و تقاضا را برای خودروهای متصل افزایش دهند.فناوری خودروهای متصل به سرعت در حال به دست آوردن سهم بازار است. واردکنندگان و نمایندگی‌ها اکنون راه‌حل‌های دیجیتالی ارائه می‌دهند و شرکت‌های جدیدی در بازار با ارائه‌ی فناوری خوروهای متصل مانند راه‌کارهای مدیریت تعمیرگاه، سیستم‌های مدیریت ناوگان و اپلیکیشن‌های مخصوص راننده، سعی در جذب مشتریان دارند.طبق گزارش Deloitte با عنوان " Disruption in the automotive industry"، تقاضا برای چنین خدماتی در حال افزایش است. جمع‌آوری و حفظ حریم خصوصی داده‌ها هنوز هم برای بسیاری از مصرف‌کنندگان نگران کننده است، با این حال، آنها می‌گویند اگر این خدمات که باعث صرفه‌جویی در وقت و هزینه‌‎یآنها شود یا رانندگی را ایمن‌تر کند، حاضرند داده‌های خود را به اشتراک بگذارند. چند نمونه از این خدمات عبارتند از:· به‌روزرسانی‌های مربوط به مسیریابی و ترافیک· به‌روزرسانی‌های نگهداری و گزارش سلامت خودرو· پیش‌بینی نگهداری‌های روبه آینده· دسترسی به پارکینگ‌های نزدیک (به عنوان مثال دسترسی به ظرفیت پارکینگ‌ها، رزرو و پرداخت)مورد استفاده دیگر برای این خدماتکه محبوبیت بیشتری پیدا می‌کند، بیمه‌های شخصی‌سازی شده‌است. براساس مشخصات رفتار رانندگی، به دارندگان این اتومبیل‌ها می‌توان بیمه‌نامه شخصی‌سازی شده‌ ارائه داد. این یک انگیزه عالی برای رانندگی ایمن و صرفه‌جویی در هزینه است، زیرا دارندگان اتومبیل اگر با دقت بیشتری رانندگی کنند می توانند قیمت بهتری برای بیمه نامه خود دریافت کنند.استفاده از خودروهای متصل باعث ایجاد خدماتی مانند اعلام وضعیت فنی وسیله نقلیه، بررسی داده‌ها و هشدار تعمیرات نگهداری، رزرو آنلاین سرویس، استفاده از ماژول گفت‌وگوی آنلاین که به مالک خودرو این امکان را می‌دهد مستقیماً با تعمیرکار خود ارتباط برقرار کند و در صورت نیاز از آنها کمک لازم را دریافت کند. این برای مالکان خودرو که ارتباط مستقیم دیجیتالی با درون اتومبیل خود برقرار می‌کنند و همچنین تعمیرگاه‌هایی که می‌توانند خدمات بهتر و مراقبت‌های پیشگیرانه‌ای را به مشتریان خود ارائه دهند، سودمند است.کلام آخر...به طور خلاصه، چند روند هیجان‌انگیز وجود دارد که صنعت خودرو باید مراقب آن باشد. در حالی که وسایل نقلیه‌ی الکتریکی توجه و علاقه‌ی زیادی به خود جلب کرده و روند افزایش فروش آن همچنان ادامه دارد، تولیدکنندگان وسایل نقلیه‌ی خودران باید کمی بیشتر تلاش کنند تا اعتماد مصرف‌کنندگان را جلب کنند و وسایل نقلیه خودران را به گزینه‌ای مطمئن و جذاب تبدیل کنند.خودروهای متصل، آینده صنعت خودرو را تشکیل می‌دهند. مصرف‌کنندگان در حال حاضر به خدمات خوروهای متصل علاقه نشان داده‌اند و انتظار می‌رود این تقاضا افزایش یابد. کاربیل - C A R B I L L کاربیل - C A R B I L L Mon, 30 Nov 2020 22:32:17 +0330 https://virgool.io/carbill/%D8%A2%DB%8C%D9%86%D8%AF%D9%87%DB%8C-%D8%AC%D8%A7%D8%A8%D9%87%D8%AC%D8%A7%DB%8C%DB%8C-%D9%88-%D8%AE%D9%88%D8%AF%D8%B1%D9%88%D9%87%D8%A7%DB%8C-%D9%85%D8%AA%D8%B5%D9%84-fhyl1fmho3cg وسایل نقلیه‌ی الکتریکیوسایل نقلیه‌ی خودرانجابه‌جایی مشترکعبارت‌های بالا برخی از اصطلاحاتی هستند که هر وقت صحبت درباره آینده جابه‌جایی می‌شود، مدام آنها را می‌شنویم.تقاضا برای وسایل نقلیه الکتریکی (EV) به طور مداوم در حال افزایش است و طبق پیش بینی PwC انتظار می رود فروش خودروهای الکتریکی 55٪ از کل فروش خودروهای جدید در اروپا تا سال 2030 باشد.با وجود اینکه ممکن است تا بیرون آمدن نسل پنجم خودروهای خودران مدتی طول بشکد تا در دسترس عموم قرار گیرد، بسیاری از تولیدکنندگان کار سختی دارند چرا که در آینده ای نه چندان دور می‌توانیم انتظار خودروهای کاملاً خودران را در جاده‌ها داشته باشیم. همچنین ممکن است در آینده به شکلی که امروز روی اتومبیل‌ها مالکیت داریم یا از آن‌ها استفاده می‌کنیم تغییر کند.در این مقاله، ما به سه روند اصلی که در ابتدا اشاره شد، تأثیر آنها بر صنعت تعمیرات خودرو، و اینکه خودروهای متصل در آینده چه نقشی می توانند در کمک به تعمیرگاه‌ها داشته باشند، نگاه نزدیکتری می‌اندازیم.اتومبیل متصل و وسایل نقلیه الکتریکیبسیاری از قطعات خودروهای سنتی مانند روغن، سیستم های خنک کننده و پمپ‌های سوخت دیگر در وسایل نقلیه الکتریکی وجود ندارد، به این معنی که در شرایط مناسب نگه داشتن اتومبیل برقی بسیار ساده تر است، زیرا تعمیر و نگهداری کمتری نسبت به خودروهای سنتی دارند. اگرچه این خبر خوبی برای دارندگان خودروهای EV است، اما یک تعمیرگاه معمولی خودرو می تواند انتظار داشته باشد که تا 35٪ از درآمدش کاهش یابد.این بدان معناست که رقابت بین تعمیرگاه‌ها احتمالاً شدیدتر نیز خواهد شد. تعمیرگاه‌ها باید بیش از پیش به وفادار نگه داشتن مشتریان خود بپردازند تا اطمینان حاصل کنند که آنها برای نگهداری خودروهای الکتریکی خود نیز به آنها مراجعه خواهند کرد. و این جایی است که اتومبیل‌های متصل می توانند با کمک به تعمیرگاه‌ها در افزایش وفاداری و رضایت مشتری، تغییری جدی ایجاد کنند.با راه حل خودروهای متصل (Connected Cars)، تعمیرگاه‌ها می توانند وضعیت اتومبیل مشتریان خود را به صورت لحظه‌ای کنترل کرده و به محض بروز مشکلی یا نیاز به سرویس، با آنها تماس بگیرندالبته خودروهای الکتریکی نیز مواردی مانند لاستیک، فرورفتگی‌ها یا برف پاک کن شیشه جلو اتومبیل همچنان مانند یک وسیله نقلیه معمولی به بازدید‌های دوره‌ای و تعویض نیاز دارند. با تکتولوژی Connected Cars ، تعمیرگاه‌ها می توانند با استفاده از مزیت داده‌هایی که به آن دسترسی پیدا می‌کنند، در زمان مناسب با مشتریان خود ارتباط برقرار کنند، از قبل برای بازدید دوره‌ای خودروهای مشتریان در تعمیرگاه آماده شوند و قطعات مناسب را تهیه کنند. علاوه بر این، تعمیرگاه‌ها براساس اطلاعات وسیله نقلیه مشتریان خود و درک عمیق‌تر و درست‌تر از وسیله نقلیه‌ی آنها به آنها کمک می کنند تا شانس خود را برای فروش راحت‌تر خودروی خود افزایش دهند.اتومبیل متصل و وسایل نقلیه خودراناز طرف دیگر ، وقتی صحبت از وسایل نقلیه خودران می شود، در واقع انتظار می رود که آنها به تعمیر و نگهداری پیچیده‌تری احتیاج داشته‌باشند چراکه پردازنده‌ها و سنسورهای رایانه‌ای بسیار بیشتری در این خودروها به‌کار می‌روند، بنابراین قطعات جدیدی در خودرو نیاز به بازرسی و تعمیر پیدا می‌کنند که باید از عملکرد خوب آنها اطمنیان حاصل شود.بنابراین وقتی صحبت از اتومبیل‌های خودران می‌شود نظارت از راه دور اهمیت بیشتری پیدا می‌کند و احتمالاً به یک نیاز اساسی تبدیل خواهد شد، به ویژه با توجه به اینکه AV ها اساساً راننده را از معادله خارج می کنند. این بدان معناست که دیگر شخص واقعی وجود ندارد که تشخیص دهد به مشکلی برخورده یا ممکن است نیاز به بررسی داشته باشد. بنابراین در مورد عملکرد خودرو در طول زمان به همان میزان بازخورد وجود نخواهدداشت. هنگامی که می خواهیم وضعیت فنی خودرو را به صورت لحظه‌ای کنترل کنیم، راه حل Connected Cars واقعاً کمک می کند و دانستن نحوه کارکرد وسیله نقلیه در هر زمان آسان تر می شود.علاوه بر این، "خودروهای خودران (AVها)" و "جابه‌جایی اشتراکی" به احتمال زیاد دست به دست هم می دهند. واقعیت این است که ما در حال حاضر فقط حدود 5٪ از وقت خود از وسایل نقلیه خود استفاده می کنیم، در حالی که آنها بقیه 95٪ را در پارکینگ اداره‌ها یا گاراژ منازل می گذرانند. این بیشتر به دلیل کمبود راننده‌ است. اما با وجود AV ها دیگر نیازی به راننده نیست.در حالی که انتظار می رود مالکیت وسایل نقلیه شخصی در آینده کاهش یابد، اما به طور کامل از بین نخواهد رفت. یک مالک خصوصی AV احتمالاً می تواند در یک شبکه‌ی اشتراک‌گذاری ثبت نام کند، خودروی او، او را در محل کارش پیاده کند و سپس آن محل را به قصد سوار کردن فرد بعدی ترک ‌کند و در آخر روز، مجدد به محل کار او برگردد تا او را سوار کند. در حالی که این امکان مزایای زیادی می‌تواند برای صاحب خودرو داشته‌باشد، اما بیشتر به معنای ساییدگی و استهلاک بیشتر وسیله نقلیه است. بنابراین می‌توان حدس زد خودروهای اتوماتیک به تعمیر و نگهداری بیشتری نیز نیاز داشته باشند.بنابراین، تعمیرگاه‌ها واقعاً در اینجا فرصت خوبی برای کمک به دارندگان AV دارند تا نیازهای نگهداری و خدمات خودرو را تامین کنند. با استفاده از Connected Cars، تعمیرگاه‌ها می توانند فعالانه عمل کنند و زودتر از اینکه مشتریانشان مستقیم به سراغشان بروند، با یادآوری‌های خودکار، آنها را از سرویس‌های دوره‌ای یا مشکلات موجود خودروشان با خبر کنند. سپس مشتریان تنها کافیست زمان سرویس خودرو را تایید کنند تا خودروی خودران آنها خودش در زمان معین شده، به تعمیرگاه برود.دیدگاه تجاری خودروهای بدون راننده و جابه‌جایی اشتراکیبه همین ترتیب، AV ها و قابلیت جابه‌جایی اشتراکی دارای یک پتانسیل تجاری بزرگ هستند. این پتانسیل می‌تواند برای شرکت‌های تاکسی‌های آنلاین مانند اوبر یا Lyft بسیار کاربردی‌ باشد که البته به‌دنبالش نیز هستند. این بدان معناست که چنین شرکت‌هایی سعی خواهند کرد تا ناوگان خود را به حداکثر و هزینه‌های نگهداری را به حداقل برسانند. این امر باعث می‌شود در مواقعی که مشتریان از آنها استفاده نمی کنند، ناوگان را به تعمیرگاه بفرستند.راه حل Connected Cars به ​​تعمیرگاه‌ها کمک می کند تا با چنین شرکت‌هایی همکاری کنند و از مزایای تجاری آنها نیز بهره‌مند شوند. تعمیرگاه‌ها می‌توانند درصورت درخواست مشتری خدمات شخصی‌سازی شده ارائه دهند و به طور فعالانه سرویس‌های دوره‌ای خودرو را در تعمیرگاه خود برنامه ریزی کنند. بنابراین تعمیرگاه‌ها می توانند به یک شریک مطمئن برای شرکت‌های دارای ناوگان تبدیل شوند و به آنها کمک کنند تا ناوگان را در جاده‌ها به حداکثر برسانند و درآمد مداوم ایجاد کنند.نتیجه‌گیریدر مجموع، واضح است که می توان انتظار داشت وسایل نقلیه الکتریکی، اتومبیل‌های خودران و جابه‌حایی اشتراکی، شیوه مالکیت و استفاده ما از اتومبیل ها را تغییر خواهند داد. و به طور طبیعی، این امر در صنعت تعمیر خودرو نیز تأثیرگذار خواهد بود، که احتمالاً فضای این صنعت را رقابتی‌تر نیز بکند.خودروهای متصل می توانند به تعمیرگاه‌ها کمک کنند تا خواسته های جدید تعمیر و نگهداری وسایل نقلیه برقی و خودران را برآورده کنند.با استفاده از راه‌حل خودروهای متصل، تعمیرگاه‌ها می توانند وفاداری را با استفاده از داده‌های واقعی و لحظه‌ای وسیله نقلیه بهبود بخشند تا تجربه شخصی‌سازی شده متناسب با نیازهای واقعی مشتریان را فراهم کنند. تعمیرگاه‌ها می توانند رویکردی فعالانه و مبتنی بر داده برای مراقبت از وسایل نقلیه داشته باشند و زندگی را برای مشتریانشان آسان‌تر کنند. کاربیل - C A R B I L L کاربیل - C A R B I L L Wed, 18 Nov 2020 12:19:51 +0330