Ginés León

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.

Además de la licenciatura, su formación cuenta con un Máster de Logística, un Máster en Matemáticas Aplicadas, cuyo PFM se basó en la modelización de las recogidas de las muestras hematológicas en la isla de Tenerife, la cual lleva implantada desde el año 2011, un MBA, cuyo PFM tuvo que ver con la Smart City y la gestión de parking, y en el año 2017 tuvo la oportunidad de realizar un Máster en Big Data y Business Intelligence.

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, operativas que a día de hoy se siguen ejecutando. En su última etapa en el Grupo Valora, lideraba el 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.

Alta formación en Investigación Operativa, Métodos de Predicción, Programación y Explotación de Datos mediante diferentes Técnicas Estadísticas.

Después de 9 años progresando y alcanzado la Dirección Logística de 3 empresas de un Grupo Empresarial, se plantea un nuevo reto, que desde principios de Septiembre de 2016 está en TITSA, empresa de transporte interurbano de Tenerife.

Durante el primer año su desempeño fue como responsable de la Zona Sur de Tenerife, en la qe basándose en el modelo de gestión EFQM, su desempeño se ajustó a una visión más estratégica de la empresa con la implantación de CDM de Gestión, Explotación, y Kpi.

A partir del segundo año, Octubre 2017, ejerce como responsable de un nuevo departamento en Titsa, el departamento Data Science, el cual llevará la estrategia de los datos, actualizará las herramientas BI, diseñará los CDMI para el control y el seguimiento de la estrategia de la empresa y empezará a utilizar el Big Data para la predicción y la valoración del riesgo, entre otras cosas.


Big Data, logística y movilidad

Big Data, logística y movilidad

Hablar de Big Data, la logística y la movilidad en un solo artículo es una tarea casi imposible, y sería injusto dedicarle a este tema un solo post, por lo que en este primer artículo nos pondremos en situación para que en las próximas publicaciones podamos ir entrando en este apasionante mundo con un poco más de detalle.

Qué herramientas hacen posible el Big Data y el BI

Qué herramientas hacen posible el Big Data y el BI

Antes de adentrarnos en cómo podemos utilizar el Big Data para la mejora de la movilidad y la toma de decisiones en el ámbito logístico, vamos a dar un repaso muy superficial a las principales herramientas que se utilizan en este campo.

Tal y como vimos en el primer artículo, hasta ahora y en la mayoría de las empresas el tratamiento de los datos lo engloba el Departamento de Data Science a través del Data Analytics, el Business Intelligence y el Data Mining, dónde se analizan los datos históricos para dar respuesta a lo que ha venido sucediendo y, en el mejor de los casos, intentar predecir a corto plazo lo que puede suceder. Los datos son tratables en cuanto a cantidad, y la mayoría son generados internamente por las empresas.

Una nueva forma de movernos con el Big Data

Una nueva forma de movernos con el Big Data

¿Cómo puede mejorar el Big Data la movilidad? Pues de tantas formas como fuentes de información se tengan. Veamos cómo podemos no sólo mejorarla, sino como podría cambiar la forma de prestar un servicio.

Tradicionalmente la topología de una red de transportes, las rutas en sí, se desplegaba para dar movilidad entre diferentes núcleos urbanos o nodos tractores de demanda (hospitales, colegios, centros comerciales, etc.), e incluso dentro de los propios núcleos urbanos. Por tanto, la forma de diseñarlas se hacía bajo las premisas de la accesibilidad al usuario (paradas o estaciones), y que esta cubriese sus necesidades en cuanto al destino, evitando en gran medida los trasbordos y sin atender en algunos casos al tiempo de uso del servicio. Esto nos lleva a redes con multitud de paradas, recorridos tortuosos y una velocidad comercial (tiempo de traslado) que puede llegar ser bastante significativa con el resto de alternativas. Por otro lado tenemos la frecuencia del servicio, la cual suele tener una correlación con el número de usuarios que utilizan el servicio, a mayor demanda, mayor frecuencia.

Luego llegan los datos de uso del servicio, la estadística, los GIS (Sistemas de Información Geográfica) y las matrices OD (Origen Destino).

El dato no lo es todo

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.

Disolviendo la capilaridad

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

Cajasietecontunegocio
Comprometidosconnuestragente

Suscríbete a nuestra Newsletter