El dato no lo es todo
En el último artículo repasamos las metodologías que se utilizan habitualmente para confeccionar, mantener y mejorar una topología de red que ofrezca un servicio de movilidad.
Hablábamos de cómo ha evolucionado la forma en que podemos utilizar toda esta información a través del Big Data y las Técnicas de Optimización, Machine Learning y Deep Learning para hacer una red más eficiente y más atractiva de cara al usuario.
Nos preguntábamos al final del artículo si podríamos dar un paso más allá y si seríamos capaces de cambiar la forma en que nos relacionamos con este servicio, dando una solución más inteligente al cliente ofreciendo un transporte ad hoc al destino.
Al igual que las empresas utilizan este tipo de herramientas para predecir el comportamiento de sus clientes y ofrecer productos y servicios adaptados a sus necesidades, desde el punto de vista de la movilidad se pueden usar para conocer de dónde y a dónde van las personas de un entorno, en qué horarios y con qué periodicidad, para poder ofrecer una solución que se ajuste a las necesidades del cliente.
Se trata de dejar de dar una oferta a través de paradas que unen puntos tractores de demanda, a ofrecer un servicio que ofrezca al usuario la capacidad de llevarlo a su lugar de destino, de una forma cómoda, ágil, a un menor coste y en un tiempo competitivo con el resto de opciones. Pero, la gran pregunta es, cómo conseguirlo.
Actualmente se tienen estimaciones de que cada segundo se suben millones de datos a la red desde todo el mundo. Según la Unión Europea, se generan unos 1.700 nuevos billones de bytes por minuto, lo que equivaldría a unos 360.000 DVD. Todos estos datos se traducen, de una manera u otra, en información; información de nuestros intereses, nuestras costumbres, nuestros gustos y hasta nuestra movilidad.
Toda esta información es cada vez más utilizada y analizada por las empresas para determinar los intereses que tienen sus clientes, y también los potenciales. Una información que les permite cada vez más conocerlos mejor y adaptarse a ellos, ofreciéndoles exactamente lo que quieren y en el momento en que lo quieren, hasta llegar a extremos en el que pueden llegar a provocar un comportamiento en el cliente.
Pero no sólo tenemos estos datos, sino los de las carreteras, las cámaras de tráfico, los atascos, y los de los vehículos captados por las cámaras que cada vez están más presentes en nuestra sociedad, permitiendo extraer patrones de dónde nacen, donde confluyen y a dónde se dirigen. Pero no todo está en los datos, ni en lo que estos arrojan, sino en cómo traducimos y utilizamos toda esta información para poder sacarle provecho y conseguir nuestro fin, lo que las empresas designan como el “modelo de negocio”.
Un modelo de negocio es una herramienta previa al plan de negocio que permite definir con claridad qué se va a ofrecer al mercado, cómo se va a hacer, a quién se le va a vender, cómo se va a vender y de qué forma se van a generar los ingresos. En nuestro caso, será la forma en que vamos a traducir la información generada para producir un éxito a la hora de que los clientes usen un servicio que rompe con la tradición, con la comodidad del coche y la flexibilidad que éste ofrece.
Para confeccionar un “modelo de negocio” a nuestra solución, tenemos que tener en cuenta un problema al que todos los días se enfrenta el comercio electrónico, y que trae de cabeza tanto a los dueños de las tiendas online como a los proveedores logísticos, conocida como la ‘última milla’. Un tramo de apenas pocos kilómetros en el que las dificultades se suceden y la eficiencia, y por lo tanto la satisfacción del cliente, entra en un momento crítico, al ser uno de los recorridos que más problemas presenta.
Y este mismo problema lo podemos llevar a la movilidad que se produce en un entorno, y que se da en dos instantes, no sólo en uno, y están bien identificados. Uno es provocado por la capilaridad que existe en la recogida (la “primera milla”) de cada individuo y otro se da en la capilaridad en el destino, la “última milla” en el argot logístico, que es el destino final.
Entre estos dos puntos se comparte un recorrido común, en el que en determinados horarios puede saturarse e incluso llegar a colapsar.
Recoger y llevar a cada individuo de su domicilio a su destino final sería inviable, nada atractivo de cara al cliente por lo que se pudiese ofertar, y un negocio ya explotado por algunos servicios públicos (taxi, Uber, Cabify, etc.), así como por el propio coche en sí.
Pero entonces, ¿cómo podemos ser eficientes en estos recorridos? La solución está en eliminar el problema de la capilaridad, además de ofrecer un servicio donde se minimicen las paradas y los tiempos de recorrido sean competitivos con el resto de opciones. Además, el acceso al servicio debe ser lo menos traumático para el cliente, ofreciendo ventajas bien diferenciadas en los dos extremos, esto es, el punto de inicio y el punto final del recorrido.
Esta parte la desarrollaremos en la próxima entrega.
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.