Az első tanulmányunkban bemutatott NLP-módszertan alapján kifejlesztettünk egy szabadalmaztatott MaaS-indexet a városok és a szolgáltatók jelenlegi állapotának elemzésére, valamint azon kulcsfontosságú területek megértésére, ahol fejlesztésre van szükség. Ezzel a céllal átkutattuk hatalmas, 2015-től 2023-ig terjedő adatkészletünket, az angol és német forrásokra összpontosítva. A definiált kulcskonstrukciókat és az ökoszisztéma-építő tevékenységekhez nélkülözhetetlen változókat felhasználtuk és felhasználtuk az index kialakításához. Ehhez kombináltuk a külső érdeklődést ("hype") és a belső ökoszisztéma-készültséget, kétdimenziós képet adva a MaaS megvalósításának előrehaladásáról és kihívásairól.

Második tanulmányunk kulcsfontosságú eredményei a MaaS ökoszisztémák érettségének stagnálását mutatják az elmúlt nyolc évben, a változó szintű külső érdeklődés ellenére. Elemzésünk három kritikus stratégiát azonosított e kihívások leküzdésére:

• Az alkalmazásalapú megoldásokon túllépve jelentős befektetéseket kell befektetni a hirdetésbe és az eszközök tulajdonjogába.
• Személyre szabott szolgáltatások beépítése a felhasználói elköteleződés és a platformforgalom növelése érdekében.
• A köz- és a magánszféra közötti partnerségek erősítése a szabályozási környezetben való eligazodás és az interoperabilitás előmozdítása érdekében. 

Ezek az eredmények alátámasztják a MaaS ökoszisztémák megközelítésének rendszerszintű újraindításának szükségességét, kiemelve a stratégiai együttműködés és az innovatív megoldások fontosságát a fenntartható és jövedelmező városi mobilitás elérése érdekében.

Ebben az első átfogó elemzésben a meglévő MaaS-megoldások globális helyzetét vizsgáljuk. Kifejlesztettünk egy mesterséges intelligencia-alapú természetes nyelvi feldolgozási (NLP) módszertant a MaaS ökoszisztémákon belüli trendek és alapvető konstrukciók azonosítására, mint például az átfogó értékajánlat, a technikai platform, az értékhajtók és az irányítási mechanizmusok. Ezen túlmenően a szereplők működési modelljének, a kapcsolatoknak és az irányítási mechanizmusoknak a sajátosságaiba is belemélyedünk, hogy felvázoljuk a jövő jövedelmező MaaS-megoldásának előzetes tervezetét, még akkor is, ha a sokrétű kihívások kezelésére nincs mindenkire érvényes megoldás. a MaaS ökoszisztémákon belül.

A MaaS-NLP (Natural Language Processing (NLP) adatkészlet és tervrajz) az első értékes forrás a jelenlegi MaaS-környezet megértéséhez, a MaaS ökoszisztémák működésének számos koncepciójához és jövőbeli pályájukhoz. Ezért alapvető lépcsőfokot kínálunk a további kérdésekhez és megbeszélésekhez ez a gyors ütemű, folyamatosan változó terület, miközben útitervként is szolgál a MaaS szolgáltatók következő generációja számára.