Variablen-Verdichtung und Clustern von Big Data. Wie lassen sich die Free-Floating-Carsharing-Nutzer typisieren?

Abstract

Ziel der Arbeit ist es, für zwei Anbieter von Free-Floating-Carsharing in München eine Typisierung der Nutzer vorzunehmen. Für die Typisierung wurde das Verfahren der Clusteranalyse ausgewählt. Mit dem k-Means-Verfahren werden fünf Cluster bestimmt, welche die 13.000 Nutzer abbilden. Cluster 1 vereint Nutzer, die selten aber spontane Fahrten unternehmen. Dabei sind überdurchschnittliche viele Fahrten am Wochenende und abends zu verzeichnen. In Cluster 2 finden sich Nutzer, die vorwiegend Fahrten mit langen Fahrtzeiten unternehmen. Dabei werden innerhalb einer Buchung mehrere Wege zurückgelegt, was sich an der hohen Nutzung des Parktarifs zeigt und daran, dass der größte Teil der Fahrten am Ausgangsort wieder enden. Diese Gruppe besitzt unter allen Gruppen einen überdurchschnittlich hohen Anteil an Frauen. Cluster 3 beschreibt den normalen Nutzer hinsichtlich der Nutzungsintensität und der zeitlichen Nutzung. Er ist mit 41,4 Prozent der Kunden der größte aller Cluster. Cluster 4 und 5 vereinen Kunden mit einer hohen Nutzungsintensität. Obwohl nur ca. 5 Prozent der Kunden in diesen beiden Gruppen zu finden sind, werden jedoch ein Drittel aller Fahrten von diesen Nutzern zurückgelegt. Cluster 4 beschreibt Nutzer mit einem typischen Pendlerverhalten. Dabei werden Fahrten vorwiegend Werktags und während der Hauptverkehrszeiten unternommen. Eine abnehmende Nutzung von Januar zu Juni lässt vermuten, dass andere Verkehrsmittel wie das Fahrrad genutzt werden. In Cluster 5 finden sich Kunden, die häufig Carsharing in der Nacht nutzen. Dies lässt vermuten, dass Aktivitäten des Nachtlebens besucht werden. Dieses Cluster hat im Vergleich zum Durchschnitt den geringsten Anteil an Frauen. Die klar abgrenzbaren und gut interpretierbaren Nutzergruppen zeigen, dass die gewählte Methodik sich zur Typisierung von Carsharingnutzern eignet.