公司背景

驾驶员安全新闻
图标条纹5 INCH_Driving_Dynamics
通过驾驶动力学

4分钟阅读

全面了解事件,以最大程度地提高驾驶员安全性

带有文字的创意标志-大数据大数据真的来了。我们可以收集到的有关驾驶员的乘车动态的详细信息令人印象深刻,并且具有强大而有用的情报。但是,有权使用此方法的组织可能仍面临挑战,无法获得最大的结果,因为以数据为中心的关注可能会产生意外的结果-将驱动程序视为要控制的问题,而不是要利用的资源。

这可能导致组织将安全性改进视为事务性而非整体性的。如果我们仅关注前提是驾驶员不遵守规则就是导致事故的原因,那么我们很可能会忽略其他同样重要的促成因素,例如流程,文化和领导能力。要理解的关键点–安全改进本质上是组织学习的过程,为此,必须建立最有益的学习方法。拥有安全的司机还不够。成功的车队运营商将部分使用事件驱动的大数据,从而参与不断的学习过程,以了解和解决可能阻碍未来安全绩效的不断变化的风险和组织问题。因为 学习促进了组织安全的改善,让我们看一下两种不同的学习方法。

通过驱动动力学现在提供新的驾驶员安全智能电话服务

单循环学习

有权访问大数据的组织通常倾向于使用单循环学习方法。它为感知到的问题提供了快速,基本的结论-本质上通常是反应性的。这种方法可以从狭窄的角度看待事件(例如使用崩溃,违反MVR,远程信息处理红旗数据等),并且注意力仅限于直接原因。提出的问题是: 我们的司机有错吗发生什么错误? 这是否发生在驾驶员身上?我们是否采取惩罚措施或补救措施?

在此,目标仅限于确定直接原因并应用修复程序。例如,策略要求可以通过让管理器或自动化系统通知驾驶员更加小心来结束循环。此消息可能包括或需要名义培训,但只是使驾驶员注意到他或她的活动正在受到监视,并且可能会有惩罚性后果。现在退后一步,可以看到此组织学习方法的重点是:驱动因素是问题。

多循环学习

多循环学习仍在利用大数据,是一种更广泛的主动方法,它通过帮助组织学习如何保持安全来支持安全性改进。它仍然包含单循环方法中发现的问题,但也超出了驾驶员唯一的问题。在这里,组织学习如何更好地为驾驶员提供支持,从而使他(她)能够为组织的安全目标做出贡献。换句话说,该方法从当前情况退步以识别系统性原因。领导者仍将数据作为调查和理解的基础,他们希望了解: 这是新事物还是我们正在处理频率问题? 为什么会这样? 我们的司机是否经常发出与此类损失有关的消息? 他们的观察有效吗我们是否可以在组织上进行某些更改以支持我们的驱动程序并改善该特定领域的结果? 补救措施先前是否有效??而且,很少有人问,但非常重要-从我们刚刚学到的知识来看,这个问题是否还适用于我们业务中可以改进的其他方面??

一个非常简单的例子:该国雪带地区冬季发生多次坠机事故。除了对这些事件的损失通知摘要进行审查之外,安全团队或管理人员还从驾驶员那里学到了什么,以获取除“冰冻状况”以外的更多细节和分析信息?是否有其他因素可以用来应对组织运营方式的变化? 通过多循环学习过程,安全团队现在可以在该地区使用的车辆的设备选择(雪地轮胎,全轮驱动等)上向车队团队提供宝贵的意见。再次退后一步,研究这种学习方法,重点将驱动程序视为要利用的资源。

变革通常是痛苦的,但是要最大限度地发挥组织的安全改进潜力,变革也必须成为一个优秀的学习型组织。实现更好性能的最佳方法是超越我们从大数据中学到的知识的质量和深度,并将以下几点付诸实践:

  • 将驱动程序视为要利用的资源,而不是要控制的问题。
  • 积极主动—使组织学习成为常规。不要等待严重的事件触发学习。持续响应并改善使用 车队风险数据 而不是只将注意力集中在顺序事件上。
  • 将重点放在多层次上挖掘新知识,而不是发现错误。
  • 以在组织的各个级别共享的方式使用此知识。适当地建立起来,它将为在整个组织中做得更好创造动力,并最终推动安全文化的发展。

请记住,仅找出事件的直接原因并采取快速修复措施来获得更安全的驾驶员是不够的。组织必须向前看并支持安全性改进,以学习如何通过使用事件驱动的大数据并将驱动程序视为资源来保持安全。


 帮助您的驾驶员认识并解决不良的驾驶习惯,风险行为和技能降低

学到更多

驾驶动态

撰写者 驾驶动态

由Driving Dynamics的思想领袖开发

<<返回安全新闻首页

DD_recommended_title-1

DD_SUBSCRIBE_TITLE