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).

Las matrices OD no son más que un conjunto de datos que intentan representar la movilidad de un entorno, tradicionalmente recogidos a través de encuestas (papel o telefónica), de forma que se puede empezar a mejorar la topología de la red, para abarcar más demanda e intentar que los servicios sean más eficientes. De estos estudios ya empiezan a salir reforzados los trasbordos, ya que con su implantación se mejora en accesibilidad, frecuencia, velocidad, pero con el hándicap de que los trasbordos a los usuarios, simplemente, no les gustan. Pero con cada HUB (punto de la red dónde se pueden hacer muchos trasbordos), la sincronización de los (la) tiempos de paso por éstos debe ser de manual, y aunque inicialmente existe el rechazo y la disconformidad por parte del usuario, la mejora de la red es significativa.

Tradicionalmente cuando se desea utilizar un servicio de transporte necesitamos responder principalmente a dos preguntas. ¿Dónde está el punto de acceso más próximo por el que podemos acceder a la red de transportes?, y ¿en qué horario?.

Hasta ahora hemos mencionado 3 de las principales barreras que crean rechazo:

  • La frecuencia

  • Los posibles trasbordos

  • El tiempo de viaje

Y en algunos casos:

  • El llegar al punto de acceso a la red

  • El llegar a nuestro destino desde donde abandonamos la red

Aunque las actuales topologías sigan estos patrones, quizás estamos ante las puertas de un nuevo cambio en la gestión y ejecución de las redes de movilidad, amparado en la gran cantidad de datos que se están recopilando cada día, no sólo de los usuarios de la propia red, sino del entorno, siendo capaces no sólo de conocer cómo se mueve una población en un territorio, sino de ir planificando y adaptando la oferta al mismo ritmo que las tendencias de movilidad se modifican.

Para ello necesitamos datos, siendo tan importante el dato histórico, como el dato actual, pues la tendencia es de adaptarse al medio, aprendiendo de lo que ya pasó y basándonos en lo que ocurre. Y aquí es donde entra el Big Data, en la captación, tratamiento, análisis y generación de conocimiento a través de ellos. Pero, ¿qué datos usamos?

Para empezar necesitamos una matriz OD dinámica, y esta la podemos extraer desde la misma red de transporte, registrando dónde se sube y dónde se baja el usuario, cuya información se puede obtener de los propios sistemas de pago del operador, de sensores que se hayan puesto en los vehículos, o incluso del tratamiento de imágenes captadas por las cámaras, si las hubiese, con las que se podría cuantificar cuanta gente se sube y se baja en un determinado punto.

Esto nos ayudaría a mejorar la red existente adaptándose al comportamiento del usuario, pero para dar una mejor oferta, es decir, para entrar en un proceso de captación de clientes habría que ir a las matrices OD de la población que se desea atender. Como habíamos comentado, tradicionalmente esto se venía realizando con encuestas de papel y llamadas telefónicas, pero hoy en día ya empiezan a diseñarse a través de datos que son adquiridos por medio de las operadoras de telefonía, ya que son capaces de confeccionar matrices OD de forma no intrusiva sobre sus clientes, ofreciendo un nuevo producto al que podríamos llamar “patrones de movilidad”.

La ventaja de estos datos es que se ajustan mejor a la realidad, normalmente tienen un coste inferior al método tradicional y pueden actualizarse con más frecuencia.

Con estas dos fuentes de información, ya podríamos ser disruptivos en eliminar dos de las barreras de entrada al uso de este tipo de transportes, los posibles trasbordos y el tiempo de viaje, ya que estudiando los patrones de movilidad dados por los datos anteriores se podrían confeccionar viajes más directos, más eficientes, sin trasbordos y poniendo en valor uno de los bienes más apreciados en la sociedad de hoy en día, el tiempo.

Además de todo lo anterior, se observa que la demanda de servicios de movilidad se puede ver afectada por agentes externos, como pueden ser la climatología y la programación de eventos especiales, como conciertos, fiestas, actividades deportivas y otros. Esta información enriquece el modelo, pudiéndose ajustar mejor los servicios, e incluso detectando patrones de comportamiento futuros ante eventos de este tipo. Para acceder a esta información tenemos las bases de datos de meteorología además de las predicciones. En cuanto a eventos podemos detectarlos por las redes sociales como Twitter y Facebook, entre otros, y no sólo detectarlos, sino predecir qué medios van a utilizar para desplazarse, desde dónde parten, en qué horario, y toda aquella información que podemos encontrarnos escrita en las RRSS, la cual se puede procesar a través de técnicas NLP (Natural Language Processing).

En este artículo hemos dado un repaso sobre cómo se confecciona, mantiene y evoluciona una topología de red para dar movilidad a los usuarios, y cómo toda esta información se puede analizar 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.

Pero, ¿y si fuésemos capaces de cambiar la forma en que nos relacionamos con este servicio, dando una solución al cliente que comunique al sistema de dónde a dónde quiere ir?, ¿sería esto posible?, ¿cómo se haría?, ¿estamos preparados?

Lo veremos en el siguiente artículo.

Google Plus
LinkedIn

Sobre el Autor

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 (http://prezi.com/flxppo_-bpjd/?utm_campaign=share&utm_medium=copy&rc=ex0share), 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.

Deja un comentario

Estás comentando como invitado.
Cajasietecontunegocio
Comprometidosconnuestragente

Suscríbete a nuestra Newsletter