Ekosistem sepeda motor listrik di Indonesia berkembang pesat seiring dukungan layanan penukaran (swapping) dan pengisian ulang (recharging) baterai secara terintegrasi (electric motorcycle-battery swap and charging station / EM-BSCS). Dinamika operasional stasiun penukaran, gangguan teknis-operasional, serta kondisi lingkungan berpotensi menimbulkan kerentanan operasional yang menyebabkan penurunan performa atau peningkatan risiko sistem.Oleh karena itu, penelitian ini bertujuan mengembangkan model metrik kerentanan sistem yang mengintegrasikan informasi dampak (outcome) dan karakteristik kerentanan, dan mengembangkan model kausal struktural (structural causal model / SCM) untuk mengungkap relasi kausal antarfaktor penyebab kerentanan melalui pendekatan causal inference. Model-model tersebut mendayagunakan big data operasional penukaran dan pengisian baterai.Tahap pertama adalah mengembangkan model metrik kerentanan berbasis dampak (outcome) yang mengukur deviasi, durasi, frekuensi, dan deteriorasi performansi stasiun yang keluar dari kondisi ideal/harapan. Model ini juga menggunakan metrik pengukuran kerentanan karakteristik berbasis nilai atribut ataupun median absolute deviation (MAD) terhadap faktor penggerak dan pemicu potensial yang mempengaruhi performansi. Nilai-nilai metrik tersebut kemudian diagregasi menggunakan root mean square (RMS) untuk menghasilkan skor kerentanan operasional stasiun.Tahapan berikutnya adalah mengembangkan skema pemantauan gangguan melalui dashboard-internet of thing (IoT) platform, dengan mengklasifikasikan gangguan operasional menjadi empat jenis: (i) stasiun offline, (ii) baterai tidak terbaca/tersangkut, (iii) pintu kabinet bermasalah, dan (iv) kerusakan konektor/colokan. Pendekatan yang digunakan adalah retrieval-based classification berbasiskan Beijing Academy of Artificial Intelligence (BAAI) / Beijing General Embedding (BGE) yang memiliki kemampuan memahami konteks deskripsi gangguan berbahasa Indonesia. Tahapan terakhir adalah proses identifikasi relasi sebab-akibat (cause-effect) antarfaktor kerentanan, mengembangkan SCM, dan estimasi efek rata-rata perubahan kerentanan akibat perubahan sebuah faktor tertentu. Estimasi efek rata-rata perubahan kerentanan menggunakan beberapa pendekatan, yakni do-Calculus, Fixed effect (FE) Regression, dan double machine learning (DML). Hasil implementasi model metrik kerentanan, yang membagi rentang skor kerentanan menjadi lima kategori yakni “Tidak rentan, Berpotensi rentan, Cukup rentan, Rentan, dan Sangat rentan”, terhadap 124 EM-BSCS diperoleh informasi bahwa sebagian besar stasiun “Tidak rentan” dan sisanya “Cukup rentan”. Hal ini mengindikasikan bahwa kinerja transakksi penukaran/pengisian baterai sesuai harapan (ideal).   Hasil model estimasi efek rata-rata perubahan kerentanan (DVI) akibat peningkatan 1-unit kabinet aktif, secara global berpotensi menaikkan kerentanan stasiun sebesar 0,56%. Sinyal atau efek perubahan ke arah positif sebenarnya tidak semata-mata mengindikasikan performansi yang menurun hanya akibat kabinet aktif, tetapi boleh jadi adanya faktor lain, -- gangguan teknis pada kabinet meningkat, kemudian stasiun tidak beroperasi, -- yang menaikkan kerentanan. Temuan lain adalah masing-masing stasiun memiliki perbedaan nyata terhadap efek kerentanan. Oleh karenanya, perlu dipantau dan dipertimbangkan dengan baik penambahan kabinet sejauh mana mempengaruhi performa stasiun (kuantitas transaksi penukaran/pengisian baterai).  Model estimasi kerentanan berbasiskan data empiris berskala besar telah membuka peluang pengembangan lebih lanjut untuk implementasi ke dalam dashboard IoT Platform EM-BSCS.