Disolviendo la capilaridad
Cuando estudiamos los datos de movilidad de una población, y cuánto más datos tenemos para tratar, se observa que a medida que aplicamos técnicas para estudiar el comportamiento de la muestra obtenemos que ésta puede dividirse fácilmente en tres periodos a lo largo de los días laborales, siendo estos, la mañana, el pico de la mañana y la tarde.
Podríamos incluso encontrar más segmentos, pero si uno empieza a ser cada vez más evidente es el pico de la tarde. Todos ellos por la alta concentración de traslados en horas muy específicas
Una vez tenemos estos clúster, se observa que uno de los más grupos más críticos es el que conforma el pico de la mañana. Para poder tratar la ingente cantidad de datos, generados por la información que contempla tener identificados el día, la hora, el individuo, el origen y el destino, se aplican técnicas que agrupa la información por sectores de superficie e intervalos de tiempo, identificando los individuos que están saliendo y los que están entrando, pudiendo crear mapas de calor de cada una de las zonas, que de una forma visible nos puede dar una idea de lo que está ocurriendo.
Pero hacer una propuesta y resolver un problema de estas características va más allá de una simple representación por sectores de colores, que muchas veces nos vienen a decir lo que ya conocemos, y es cuando empieza el verdadero trabajo de los analistas y el despliegue de algoritmos y técnicas de índole estadístico y matemático para intentar dar una solución viable y con cierto impacto.
Si nos centramos en el pico de la mañana, se observa que la capilaridad del origen es mayor que la del destino, pues cada individuo sale de su hogar para dirigirse a puntos tractores de la demanda, empezando por la ciudad, región o sector al que se dirige, y dentro de ahí mayoritariamente a su puesto de trabajo, donde pueden confluir varios individuos.
Además, en muchas ocasiones, los centros de trabajo se encuentran próximos entre sí, por lo que el problema de la capilaridad se presenta más en el origen que en el destino.
Si por otro lado estudiamos el comportamiento a la hora de regresar al hogar, se observa que cuánto más alejado vive el individuo de su lugar de trabajo, más probabilidades existen que esta persona regrese a la zona dónde reside nada más concluir su jornada laboral. Es decir, cuanto menos distancia existe entre el domicilio y el lugar de trabajo, más probabilidades hay de qué actividades como ir al gimnasio, ocio, compras o incluso el colegio de los niños estén en un entorno cercano al trabajo.
Por tanto, cuanto más alejado reside el individuo de su puesto de trabajo, más probabilidades hay de que regrese una vez concluida su jornada laboral, y son estos los individuos los que comienzan a crear el pico de la tarde, por ahora más suavizado que el que se produce por la mañana.
Este va a ser el público objetivo, pues se le puede ofertar un servicio de ida y vuelta que cubra sus necesidades, y que debería de verse reforzado por:
- Un ahorro económico.
- La eliminación de la necesidad de buscar un parking en el destino.
- Un servicio directo sin necesidad de trasbordos.
- Alta frecuencia.
- Garantía el servicio.
Por tanto, la dispersión en el origen debería de solucionarse con un hub que concentre la recogida, en el cual cada individuo debería de dirigirse con el medio de transporte que usa habitualmente para desplazarse a su destino, eliminando de esta forma la capilaridad en el origen, siempre más acentuada que la del destino. Este Hub debería de reunir las condiciones necesarias para garantizar el estacionamiento, y ofrecer un recinto que haga agradable la espera del servicio que va a llevar al individuo a su lugar de trabajo.
Otro problema surge a la hora de definir la política que debemos seguir con los servicios que salen de este Hub. Las opciones que se podrían ofertar pueden reducirse a:
- De un Hub de Origen a un Hub de Destino y trasbordo hacia el destino final mediante lanzaderas.
- Ventajas.
- Alta frecuencia entre Origen y Destino.
- Alta frecuencia entre Destino y rutas de destino final del individuo.
- Inconvenientes.
- Trasbordo.
- Inseguridad por los trasbordos.
- Ventajas.
- De un Hub de Origen del que parten rutas directas hacia el destino del individuo.
- Ventajas.
- No existen trasbordos.
- No existen trasbordos.
- Inconvenientes.
- Poca oferta de frecuencia de servicios al cliente.
- Oferta limitada.
- Ventajas.
- De un Hub de Origen a un Hub de Destino, donde habrán usuarios que trasborden y otros que sean conducidos directamente a su destino.
- Ventajas.
- Las rutas que harían las líneas sería la que pasa por centros de alta tracción de demanda.
- No existen trasbordos para los individuos que se dirigen a zonas de alta demanda.
- Frecuencia alta.
- Oferta de servicios exclusivos al destino final para los clientes que trasbordan, por ejemplo taxi, micros, etc.
- Seguridad en el trasbordo.
- Inconvenientes.
- Trasbordos para los individuos que se dirigen a destinos con escasa demanda.
- Ventajas.
Por tanto, el modelo que mejor se implementaría sería el último, en el que las líneas que salen del origen, pasan por un punto de trasbordo y siguen con un recorrido que satisfaga a la mayoría de los usuarios, pasando por centros tractores de demanda como hospitales, núcleos financieros, de servicios públicos u otros de interés.
Artículos Relacionados
- El dato no lo es todo
- Una nueva forma de movernos con el Big Data
- Qué herramientas hacen posible el Big Data y el BI
Sobre el Autor
Ginés León
Licenciado en Estadística, ha centrado la carrera profesional en el campo de la logística, la gestión de equipos y la eficiencia de procesos. Alta formación en Investigación Operativa, Métodos de Predicción, Programación, Análisis y Explotación de Datos mediante diferentes Técnicas Estadísticas.
Además de la licenciatura, su formación cuenta con un Máster de Logística, un Máster en Matemáticas Aplicadas, un MBA, un Máster en Big Data y Business Intelligence y un Experto en Blockchain.
Ha trabajado y organizado operativas y procesos con los departamentos logísticos de diferentes empresas como Nespresso, La Caixa, Canal +, Disa, Bimbo, Endesa, y otras de calado internacional como Amway y NuSkin. En el ámbito público, ha colaborado y desarrollado operativas especiales con el Servicio Canario de Salud, especialmente el HUNSC y Gerencia de Atención Primaria de Tenerife.
Durante su etapa en el Grupo Valora, fue el responsable del desarrollo e implantación del Proyecto GDP, motivado por el cambio de normativa que regula el Transporte de Medicamentos a Temperatura Ambiente (15ºC - 25ºC), desde la valoración y decisión de compra de los equipos, a las operativas, Cuadros de Mando Integrales (CDMI) y Kpi.
Después de una carrera profesional de más de 9 años en los puestos de Subdirector de Operaciones para Canarias de SEUR y la Dirección Logística de 3 empresas del Grupo Valora, se plantea un nuevo reto en TITSA, empresa de transporte interurbano de Tenerife.
Durante el primer año desempeñó su trabajo como responsable de la Zona Sur de Tenerife. A partir del segundo año, Octubre 2017, ejerce como responsable de un nuevo departamento en Titsa, el departamento de Big Data & Data Science.
El Dpto. de Big Data & Data Science de TITSA fue reconocida como la Mejor Iniciativa Empresarial o de Administración Pública de Big Data de España en la cuarta edición de los Data Science Awards, que organiza anualmente, LUCA, la unidad de datos e Inteligencia Artificial de Telefónica.