¿Puede el Big Data ayudar a la movilidad urbana?

24/06/2019 | Big Data & Analytics

Conocer a los usuarios, entender sus hábitos y comportamiento, dónde, cuándo y cómo usa el vehículo, conocer la ciudad, el tablero de juego donde se libra la batalla por el cliente, se ha convertido en un reto para los responsables de operaciones de las empresas de vehículos de movilidad urbana que buscan en el Big Data la principal solución.

Para este reto, se necesitan soluciones que, a partir del análisis de determinadas fuentes, facilite la toma de decisiones basadas en los datos y enfocada, principalmente, en la optimización de la flota de vehículos.

A través de estas soluciones facilitaremos la obtención de insights de valor para la empresa, dando respuesta a algunas preguntas como:

  • ¿Dónde debo colocar la flota de vehículos para maximizar los ingresos?
  • ¿Cuáles son las características principales de los conductores de los vehículos?
  • ¿Y de los viajes que realizan?
  • ¿Puedo optimizar el desplazamiento diario de vehículos a los puntos de origen para aumentar la rotación de alquileres?
  • ¿Cómo afectan factores como el clima o los eventos de la ciudad a los ingresos?

Location Intelligence: obtener valor a partir de los datos

La solución que proponemos en está fundamentada en lo que denominamos Location Intelligence, o lo que es lo mismo, obtener valor a partir de los datos a través de análisis de negocio y aplicación de modelos predictivos y prescriptivos sobre un conjunto de datos enriquecidos. En un primer momento rastreamos las fuentes de datos propias de la empresa de movilidad, aquellas que son titularidad de la empresa y que se pueden extraer de sus sistemas informáticos a través de un proceso más o menos sencillo de exportación. De estas fuentes podemos obtener información como los trayectos realizados por la flota de vehículos o los datos de los clientes. Exponemos abajo algunos ejemplos de fuentes propias:

  • App móvil       
  • CRM
  • Encuestas de satisfacción

El análisis adquiere un siguiente nivel cuando somos capaces de añadir al modelo de datos una combinación de fuentes de datos propias con fuentes de datos externas. Llamamos fuentes de datos externas a aquellas que no están almacenadas en los sistemas informáticos de su empresa o no son de su propiedad pero aportan una visión complementaria del modelo y lo enriquecen.

Estas fuentes de datos externas pueden incorporarse por varias vías:

  • Son datos abiertos que figuran en repositorios de libre de uso. Entran en este grupo los datos de la ciudad (socio demográficos, obras, etc.).
  • Podemos obtenerlos por técnicas de scrapping. Mediante esta técnica podemos extraer datos de webs públicas aunque no estén expuestos a través de APIs o en formatos de intercambio.
  • Pueden obtenerse por acuerdos con terceros.
  • Pueden comprarse, como por ejemplo, las transacciones bancarias que se producen en una determinada zona.

La clave en este punto es, lejos de añadir datos sin criterio, identificar e integrar en el modelo otras fuentes de datos que puedan ayudarnos a comprender el comportamiento de los usuarios y a mejorar el rendimiento de cada vehículo.

Big Data marketing

Entre las fuentes de datos externas que podríamos integrar podemos listar las siguientes:

  • Datos climatológicos (estudiaremos cómo influye los agentes meteo en la decisión de alquiler de vehículo)
  • Calendario de días festivos
  • Datos de eventos en la ciudad (conciertos, partidos, manifestaciones, etc.)
  • Datos de tráfico (atascos)
  • Datos relativos a obras en trayectos
  • Datos sociodemográficos de la ciudad y su influencia de alquiler en los distintos puntos de recogida de vehículo.
  • Datos de escucha digital (menciones a la marca en RRSS)

Una vez ya tenemos todos los datos posibles, ya estamos en disposición de poder sacar valor a los datos. Comentamos (grosso modo) un par de ejemplos de casos de uso:

Big Data: modelo de predicción de demanda

Este análisis trata de predecir cuándo y dónde un cliente va a demandar un vehículo. En realidad se ejecutarán dos modelos predictivos, para cada tipo de cliente, clusterizado y caracterizado anteriormente, estimaremos la probabilidad de alquilar un vehículo y el punto más probable donde el cliente lo va a alquilar.

Y este último caso de uso nos llevaría, a su vez a otro análisis, el de la ubicación óptima de la flota de vehículos. Sabidas, en tiempo real, una serie de características que se incorporarán al modelo (eventos, tráfico, clima, etc.), determinaremos los puntos de origen y destino más probable para cada tipo de cliente. De esta forma, se optimizaría la ubicación de la flota de vehículos para maximizar el rendimiento de cada vehículo (nº de veces que se alquila al día) y por ello el beneficio por vehículo y de esta manera, se reducirían además, drásticamente los costes operativos.

En definitiva, los datos y sus posteriores análisis nos pueden aportar una información vital que nos ayudará a tomar decisiones estratégicas y comerciales con un alto índice de acierto. Ahora es labor nuestra crear la arquitectura y los procedimientos capaces de obtener esta valiosa información de la forma más práctica posible para que los distintos departamentos accedan y así mejorar la operación diaria.

Javier Ramos Turrión
Business Developer Manager
Smartup
 Francisco Hernán Gómez

Francisco Hernán Gómez

Consultor Inbound Marketing

Ver más artículos de Francisco

  Otros artículos que te interesarán

0 comentarios

Enviar un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

13 + 19 =

Smartup 2019 © Todos los derechos reservados.