INTERVJU MJESECA: Vinesh Shah, Product Owner, ATRON BI

INTERVJU MJESECA: Razgovarali smo sa gospodinom Vinesh Shah koji je kao Product Owner u tvrtci Atron Business Intelligence na nedavno završenoj konferenciji Smart Cities 2026. u Zagrebu imao zanimljivo predavanje pod nazivom “Business Intelligence in Public Transport“.

Poštovani gospodine Vinesh Shah, još jednom Vam se zahvaljujemo na prilici da Vam postavimo nekoliko pitanja vezanih uz Vaše zanimljivo predavanje na nedavno završenoj konferenciji Smart Cities 2026. u Zagrebu, kako bi se čitatelji našeg portala PAMETNI GRADOVI mogli detaljnije upoznati sa sustavima i rješenjima tvrtke ATRON koju predstavljate.

Za početak, molimo Vas da se predstavite – koliko dugo ste u ATRON-u, koje ste funkcije obavljali i na kojoj ste poziciji danas te koje su Vaše poslovne specijalnosti.

U ATRON-u sam oko tri godine. Kao Product Owner, odgovoran sam za nekoliko modula u našem softverskom portfelju, uključujući analitiku u ATRON BI (Atron Business Intelligence). U početku sam blisko surađivao s našim razvojnim timovima kako bih stekao dublje razumijevanje tehničkih detalja naših sustava i načina na koji se logika javnog prijevoza primjenjuje na svakodnevno poslovanje, imajući na umu prioritete operatera.
Danas, kao dio odjela za strategiju i inovacije, moja je uloga prevesti potrebe kupaca, operativne stvarnosti, perspektive dionika i tržišne trendove u jasne prioritete proizvoda. S inženjerskim i menadžerskim iskustvom, fokusiram se na usklađivanje timova, planiranje i upravljanje očekivanjima kako bih osigurao da je svako poboljšanje tehnički izvedivo i korisno u stvarnim mrežnim operacijama. Javni prijevoz se brzo razvija, stoga zadržavam pristup proizvodu usmjeren na korisnika i radujem se kako trendovi mobilnosti mogu oblikovati ono što će operaterima i gradovima sljedeće trebati.

U svojoj prezentaciji naglašavate da javni prijevoz generira milijune podatkovnih točaka mjesečno – od GPS pozicija do prodaje karata. Koji su najveći izazovi s kojima se gradovi danas suočavaju u pretvaranju tih podataka u stvarne operativne odluke i kako vaše BI rješenje rješava ovaj jaz između podataka i upravljanja sustavom?

Glavni izazov je fragmentacija. Organizacije javnog prijevoza prikupljaju ogromnu količinu podataka, ali oni se nalaze u potpuno odvojenim sustavima, tj. GPS-u, prodaji karata, planiranju, operativnim zapisnicima, dispečeru, računalima u vozilu itd. Svaki sustav razumije svoj svijet, ali ne pruža potpunu sliku prema zadanim postavkama.
Budući da podaci nisu usklađeni, operateri ne mogu pouzdano povezati uzrok i posljedicu. Problem s točnošću, na primjer, može proizaći iz zastarjelih pretpostavki o voznom redu, nedosljednih obrazaca vožnje, neobičnih prometnih uvjeta ili ograničenja lokalne infrastrukture – ali bez objedinjenih podataka teško je utvrditi koji je faktor primarno odgovoran.
ATRON BI objedinjuje te izvore, validira podatke i kombinira ih u koherentne modele. Nakon što je sve dosljedno strukturirano, gradovi mogu s pouzdanjem interpretirati podatke mreže, razumjeti stvarne odnose između planiranog i stvarnog ponašanja te poduzeti mjere na temelju činjenica i događaja na terenu.

Spominjete da bez centraliziranog sustava analize mnogi važni obrasci ostaju skriveni. Možete li objasniti kako platforma ATRON BI strukturira i validira podatke i koji su najvažniji uvidi koje operateri javnog prijevoza obično prvi put otkriju nakon implementacije sustava?

ATRON BI objedinjuje planirane vozne redove, zabilježena kretanja vozila, validacije karata i operativne događaje na jednom mjestu. Provjerava nedostajuće zapise, nerealne vrijednosti, nedosljedne unose i logičke korelacije podataka. Nakon ove validacije i pripreme podataka, operateri mogu vidjeti jasan pregled svoje prometne mreže.
Jedno od najupečatljivijih otkrića je kvaliteta planiranih podataka. Vozni redovi se često mijenjaju tijekom godina, a ti povijesno stvoreni planovi akumuliraju skrivene nedosljednosti. BI može pokazati gdje su planirana vremena nerealna, previše optimistična, previše pesimistična ili jednostavno zastarjela. To stvara priliku za sustavno ispravljanje podataka plana, a ne samo za njihovo prilagođavanje na temelju ručnog promatranja.
Operateri također mogu promatrati varijacije u svakodnevnom operativnom ponašanju, poput toga kako različite rute vozila ili ugrađeni sustavi rješavaju slične situacije ili kako odluke o planiranju utječu na ono što se događa na cesti. Ovi uvidi mogu pomoći u prepoznavanju potreba za obukom ili poboljšanjima procesa.
Druga kategorija uvida su problemi vezani uz okoliš i infrastrukturu. BI često može otkriti vrlo specifične točke, poput uskih ulica, parkirališta gdje se vozila ne mogu mimoići, teških raskrižja itd., gdje se kašnjenja stalno gomilaju. Ovi problemi mogu biti poznati neformalno, ali BI ih konačno kvantificira i vizualizira.
Detekcija uzoraka također može pomoći u otkrivanju i istraživanju dubljih anomalija: čudnih ili skraćenih unosa podataka, ponovljenih neplaniranih zaustavljanja, mikro odstupanja koja uvijek počinju na istoj točki i nepravilnih slijedova događaja. Oni su nevidljivi u tradicionalnim izvješćima, ali su ključni za razumijevanje stvarnog ponašanja sustava.

Jedno od izvješća govori o točnosti linija iz perspektive putnika. Po čemu se ova metodologija razlikuje od klasičnog mjerenja točnosti prijevoza i kakav utjecaj takav pristup ima na planiranje linija i transfera?

Klasično mjerenje fokusira se na točnost na nekoliko kontrolnih točaka i uglavnom se koristi za ugovorno izvještavanje. Međutim, putnici doživljavaju točnost na svakoj stanici, ne samo na kontrolnim točkama.
Točnost iz perspektive putnika odnosi se na procjenu točnosti od stanice do stanice tijekom cijelog putovanja. To točno pokazuje gdje kašnjenja ili rani polasci utječu na ljude i gdje su vremena povezivanja najkrhkija.
Razmotrimo jednostavan primjer: Putnik koji želi prijeći s automobila na zeleniju opciju ovisi o pouzdanoj vezi autobus-vlak svako jutro. Ako autobus kasni samo 3-5 minuta ili kreće malo ranije, mogao bi propustiti vlak. Čak i ako je linija “točna” prema ugovornim standardima, stvarno iskustvo postaje frustrirajuće i s vremenom se mogu jednostavno vratiti u automobil.
S ovim detaljnim prikazom točnosti, planeri mogu fino podesiti vrijeme vožnje, prilagoditi specifična vremena zaustavljanja i poboljšati pouzdanost transfera. To dovodi do glatkijih veza i predvidljivijeg iskustva putnika.

U prezentaciji predstavljate izvješća koja mjere produktivnost usluge po satu i kilometru. Kako takva analiza pomaže prijevoznicima da optimiziraju svoju linijsku mrežu, vozni park i operativne troškove?

Analiza produktivnosti odvaja produktivno vrijeme (kada vozilo opslužuje putnike) od neproduktivnog vremena, poput zastoja, prekomjernih međuspremnika, dugih čekanja ili neučinkovitog pozicioniranja. Ove naizgled male neučinkovitosti značajno se akumuliraju u voznom parku.
Na primjer, kratki zastoj od 1 kilometra između dva putovanja izgleda bezopasno sam po sebi, ali kada se ponavlja stotinama puta mjesečno, postaje glavni pokretač troškova. ATRON BI jasno identificira takve obrasce. Ušteda od samo 2-3 minute po putovanju može se pretvoriti u stotine tisuća eura godišnje u smanjenom vremenu vozača, potrošnji goriva i iskorištenosti voznog parka.
S ovim uvidima, operateri mogu poboljšati dizajn rute, prilagoditi rasporede, optimizirati čekanja i učinkovitije planirati kretanje vozila. To im omogućuje upravljanje mrežom s istom radnom snagom i voznim parkom, uz poboljšanje ravnoteže usluga i smanjenje nepotrebnih operativnih troškova.

Jedan zanimljiv primjer je analiza utjecaja semafora na učinkovitost linije. U kojoj mjeri infrastrukturni elementi poput signalizacije ili raskrižja zapravo utječu na performanse javnog prijevoza i kako gradovi mogu koristiti te podatke za poboljšanje svog prometnog sustava?

Infrastrukturni elementi poput semafora i raskrižja mogu utjecati na performanse puno više nego što ljudi očekuju. Vozilo može proći kroz tri do pet uzastopnih signala, a čak i čekanje od 10-15 sekundi na svakom od njih zbraja 30-60 sekundi kašnjenja po putovanju. Tijekom cijelog dana to postaju sati izgubljenog vremena za vozni park i utječe na točnost i produktivnost.
Naša izvješća o analizi prometnih signala pokazuju točno gdje se događaju takvi gubici vremena. S ovim informacijama, operateri i urbanisti mogu istražiti poboljšanja poput prilagođavanja vremena signala, koordinacije signala duž koridora, identificiranja lokalnih uskih grla ili uvođenja malih, ali ciljanih promjena infrastrukture.
Ovaj zajednički, činjenični pogled omogućuje operaterima i gradovima da surađuju na koordiniraniji način i usmjere napore tamo gdje će imati najveći utjecaj.

Kako je strukturiran poslovni model vašeg rješenja – je li to softverska platforma, analitička usluga ili kombinacija s postojećim sustavima javnog prijevoza? I gdje gradovi najčešće postižu najveći povrat ulaganja?

Atron Business Intelligence služi kao analitički sloj naše šire softverske platforme. Integrira se s postojećim ATRON sustavima i provjerava vjerodostojnost dolaznih podataka u odnosu na vozila, planove i stvarne operativne događaje. Naše skladište podataka čuva ove informacije dosljednima i kontekstualiziranima prije nego što dospiju do bilo koje nadzorne ploče. Idemo dalje od jednostavne vizualizacije ugrađujući znanje o domeni javnog prijevoza izravno u način na koji se podaci interpretiraju.
Poslovni model usredotočuje se na povećanje vrijednosti sustava koje gradovi već koriste čineći njihove podatke pouzdanima i smislenima. Pružamo licencirani pristup podacima i poslovna izvješća koja pružaju stručno tumačenje za slučajeve upotrebe visoke vrijednosti, a ne samo generičke nadzorne ploče.

Gradovi ostvaruju najveći povrat ulaganja tamo gdje poslovna inteligencija pomaže u izbjegavanju problema s troškovima i pouzdanošću:

• Učinkovitost resursa: Optimizacija sati vožnje i smanjenje nepotrebnih kilometara
• Pouzdanost sustava: Poboljšanje točnosti i točnosti voznog reda, što izravno smanjuje troškove kazni i gradi povjerenje putnika
• Ciljani nadzor: Smanjenje maualnog praćenja, jer poslovna inteligencija točno pokazuje gdje leže stvarne bolne točke
  U konačnici, najznačajniji povrat ulaganja je zadržavanje putnika. Kada je usluga pouzdana, putnici ostaju u javnom prijevozu, što podržava i koristi i financijskim rezultatima i ciljevima održivosti.

U kontekstu prelaska na električne autobuse, spominjete optimizaciju lokacija za punjenje i smanjenje investicijskog rizika. Kako analiza podataka može pomoći gradovima da donose pametnije odluke pri planiranju infrastrukture za električna vozila?

Potrošnja energije električnih autobusa uvelike ovisi o uvjetima specifičnim za rutu. Dvije rute slične duljine mogu imati potpuno različite energetske profile – na primjer, prigradska ruta sa stalnim brzinama može potrošiti daleko manje energije od kraće rute u središtu grada s konstantnim prometom s čestim zaustavljanjima i dugim vremenima zadržavanja. Informacije o brzinama između stajališta, gustoći stajališta, vremenu zadržavanja, nagibu terena, vremenskim uvjetima, korištenju grijanja ili hlađenja i tipičnim opterećenjima mogu pomoći u procjeni energetskih potreba po ruti i dobu dana.
Analiza podataka pomoći će gradovima da istraže gdje je infrastruktura za punjenje zaista potrebna, koji kapacitet bi trebala imati i koje rute mogu funkcionirati tijekom cijelog dana bez dodatnog punjenja. Također može pomoći u planiranju punjenja kako autobusi ne bi čekali u redu i omogućiti gradovima da postupno ulažu u razumne faze. To smanjuje neizvjesnost, pomaže u optimizaciji dizajna infrastrukture i podržava sigurniji prijelaz na električnu mobilnost.

Također predstavljate koncept optimizacije mreže vođene umjetnom inteligencijom. Koju specifičnu ulogu umjetna inteligencija igra u predviđanju potražnje putnika i dinamičkom raspoređivanju vozila u mreži javnog prijevoza?

Umjetna inteligencija može koristiti i analizirati vozne redove, broj putnika i zapisnike vozila kako bi otkrila obrasce u potražnji putnika. Može se koristiti za predviđanje promjena potražnje tijekom doba dana, prema lokaciji ili prema sezoni kako bi se predvidjela gužva ili rizični transferi, podržavajući točno planiranje učestalosti i resursa.
Također može rano uočiti neobično ponašanje, poput iznenadnih kiša tijekom školskog vremena ili lokalnog događaja koji povećava potražnju na određenim stajalištima, pomažući operaterima da brzo reagiraju kako bi usluga tekla glatko i bez zastoja.
AI sustav za preporuke može obavijestiti kada se prekorače jednostavni pragovi, može predložiti dodavanje putovanja ili većeg autobusa, što uvijek pregledavaju planeri uz poštovanje posade i vozila. Cilj nije u potpunosti automatizirati planiranje, već podržati planere jačim i bržim uvidima kako bi donosili odluke proaktivno, a ne reaktivno.

Jedna od „novih mogućnosti“ je analiza spremnosti za autonomna vozila. Kako BI sustavi mogu pomoći gradovima da identificiraju rute i uvjete koji su najprikladniji za uvođenje autonomnog javnog prijevoza?

Stvarnost je da autonomna vozila i dalje trebaju stabilne i predvidljive uvjete za siguran rad, jer se ne nose dobro s velikom varijabilnosti ili kaosom. Tu BI ima značajan potencijal: može skenirati povijesne podatke grada kako bi identificirao gdje su ceste najdosljednije u vremenu putovanja i operativnim obrascima. Može pomoći gradu da identificira najbolje kandidatske rute za pilot program gdje tehnologija zapravo ima vjerojatnost uspjeha.
Analiza podataka može otkriti gdje ruta nije 100% spremna, ali bi mogla biti uz samo nekoliko malih promjena, poput pojednostavljenja rasporeda stajališta, prilagodbe teškog raskrižja ili male izmjene putanje vozila. Definiranjem ove spremnosti sada, ono što se čini kao rizičan, iznenadni skok možemo pretvoriti u postupan, podacima potkrijepljen prijelaz. U osnovi, radi se o korištenju trenutnih operativnih uvida kako bi se osiguralo da je okruženje pripremljeno prije nego što prvo autonomno vozilo izađe na cestu.

Vaša prezentacija sugerira da javni prijevoz može postati ključni izvor podataka za upravljanje gradom. Vidite li integraciju takvih BI sustava s drugim urbanim sustavima – poput energetike, urbanističkog planiranja ili upravljanja prometom – u budućnosti i koje bi koristi to donijelo građanima?

Da, apsolutno. Javni prijevoz proizvodi bogate, kontinuirane podatke koji odražavaju stvarne obrasce kretanja po gradu. Ovi podaci mogu podržati mnoge druge urbane sustave – upravljanje prometom, energetsko planiranje za električne vozne parkove i urbani razvoj.
Kada se BI integrira s tim sustavima, gradovi mogu učinkovitije koordinirati poboljšanja. Semafori mogu bolje reagirati na tokove javnog prijevoza, planiranje mreže može se uskladiti s potrebama za električnim punjenjem, a novi razvoji mogu se dizajnirati imajući na umu stvarne obrasce mobilnosti.
Za građane to može dovesti do glatkijih putovanja, pouzdanijih usluga i prometnog sustava koji preciznije odgovara na svakodnevne potrebe za mobilnošću.

ATRON također ima snažnu prisutnost u Hrvatskoj putem podružnice koju vodi g. Mario Škarica. Koju ulogu tim u Hrvatskoj, unutar ATRON Grupe, igra u razvoju i implementaciji rješenja poput ATRON sustava poslovne inteligencije i u kojoj mjeri iskustva s regionalnih tržišta doprinose razvoju novih funkcionalnosti koje ste predstavili u ovoj prezentaciji?

Hrvatski tim ATRON-a igra važnu ulogu i u implementaciji i u evoluciji proizvoda. Budući da blisko surađuju s operaterima u regiji, razumiju stvarne probleme i svakodnevne složenosti javnog prijevoza.
Povremeno surađujemo na pilot testovima, evaluacijama na licu mjesta i sesijama povratnih informacija od kupaca. Njihovi doprinosi ističu praktične potrebe koje se možda ne pojavljuju na drugim tržištima i pomažu nam da vidimo koje funkcionalnosti stvaraju najveću vrijednost i gdje su potrebna poboljšanja. Njihovo regionalno iskustvo i uvidi izravno doprinose razvoju novih funkcionalnosti i poboljšanja, održavajući ATRON BI praktičnim, prilagodljivim i korisnim u različitim sustavima javnog prijevoza u Europi.

Hvala vam na izdvojenom vremenu i želimo vam sve najbolje u budućem radu.