Más allá de las varias V’s que se le asocian al Big Data: volumen, velocidad, variedad, veracidad y valor, habría que añadirle un factor adicional, independientemente de la letra: G de Genialidad, I de imaginación o A de Arte, que permite convertir un insignificante grupo de valores en un atractivo conjunto de ideas.
Es así como a partir de los datos adquiridos a partir de diferentes redes de bicicletas compartidas, es posible obtener un comportamiento real de una ciudad, y hasta que punto ésta se mueve durante el periodo de excepcionalidad durante la segunda fase de la pandemia del COVID.
Snicing es una herramienta que captura el número de bicicletas que tiene cada estación, igual que lo haría un usuario, pero de forma regular y masiva. Gracias a ello, se puede conocer tanto el estado actual como su evolución en el tiempo. Y lo más sorprendente, todo bajo un criterio único inter urbano.
El siguiente estudio se realizó durante el 30 de octubre y el 1 de noviembre de 2020, en diferentes ciudades y que correspondió a un viernes, sábado y domingo, días que de haber sido normales, hubieran tenido un gran tráfico nocturno variante durante las horas de confinamiento.
Las ciudades españolas que se han analizado (Valencia, Sevilla, Zaragoza, Santander y Barcelona), pertenecen a diferentes comunidades autónomas y por tanto, se rigen bajo diferente criterio normativo.
Empezando por la capital del Turia, Valencia, nos servirá de ejemplo para entender el modelo. En el siguiente gráfico, podemos ver el porcentaje de ocupación global de las estaciones. Lo primero que sorprende son las largas mesetas entre media noche y las cinco de la mañana, con muy pequeñas variaciones. Esto se debe a que durante esas horas de la noche, los viajes fueron mínimos. Mientras que, entre las 23:00 y media noche hubo un gran uso de las bicicletas, lo que podemos llamar, «operación de regreso a casa» y que fue mayor la noche del sábado a domingo. El último comportamiento urbano significante se produce por las mañanas, ya sea para el jueves 29 o el viernes 30, la ciudad se pone en pie tímidamente entre las 6 y las 7, pero es entre las 7 y las 8 que la actividad se vuelve más frenética. Y ya por acabar, vemos que ese descenso en la ocupación de la estaciones no se repite durante el sábado, y mucho menos en domingo, cuando los valencianos se han ganado el derecho a no madrugar.
Así, el hecho de ver la ocupación promedio de las estaciones, nos permite saber el uso del sistema. Si de repente baja, es porque hay muchos usuarios que acaban de iniciar el viaje. Si sube, es porque hay más usuarios dejando bicicletas que no recogiéndolas.
Aun así, el modelo aun es muy simple. Partiendo de la premisa que si algo puede volverse caótico, va a ser caótico como más gente participe. Y para medir el caos vamos a usar la métrica que irrita más a un usuario, que una estación esté completamente vacía o llena. En los siguientes gráficos se ve la medida del desorden (superior) y de ocupación media de las estaciones (inferior) en la ciudad de Barcelona.
Igual que en Valencia, se produce un fenómeno de vuelta a casa antes de las 10 de la noche, aunque no es tan significante como en Valencia. La diferencia más notable en los perfiles es que durante el fin de semana las bicicletas son utilizadas masivamente a partir de las 8 y su uso es notorio, como el de un día laboral, hasta el medio día. Con ello se ve que el barcelonés no diferencia mucho un día laborable de un festivo, o que también utiliza la bicicleta en lugar de otro tipo de transporte durante el fin de semana.
En el gráfico que muestra el caos, se ve repetidamente una bajada a partir de media noche. Esto se produce por una redistribución ordenada de las bicicletas por parte de las furgonetas recolocadoras, que trabajan mientras dormimos para que al despertar el sistema esté bien balanceado. Esto se conoce como problema de distribución estático, ya que no interactúa el comportamiento de los usuarios, al encontrarse confinados.
Otro comportamiento curioso es que el factor de caos se descontrola durante los fines de semana. Al tratarse de un momento excepcional donde no hay centros de concentración en días de semana, como podrían ser universidades o centros comerciales, por tanto, la probabilidad de que las estaciones estén llenas será mucho menor. Por otro lado, durante los fines de la semana, es más probable que la población siga haciendo algo de forma muy parecida, por ejemplo, ir a la playa o un gran parque y por tanto, el número de estaciones llenas aumente.
¿Y que sucede con las ciudades francesas, donde el confinamiento ya es absoluto? Los siguientes gráficos muestran la ocupación para Toulouse (superior) y Marsella (inferior). El toque de queda entró en vigor al acabar el viernes. Por eso, se ve que para esa fecha aun hay una reducción notable del número de bicicletas estacionadas, hasta las 18:00 de la tarde. Antes de las 9 se vuelve a producir el fenómeno de vuelta a casa. Pero lo realmente importante que permite visualizar Snicing, es que se ha producido muy poca actividad durante el sábado y domingo, debido a la restricción de movilidad.
Snicing resulta una herramienta excelente para sentir el latido de diferentes ciudades bajo la peculiaridad histórica producida por la pandemia del Covid. Es un ejemplo de como una información concreta, pero a la vez significativa, puede conllevar a niveles de comprensión mucho más elevados de una realidad.
Lo que aquí viene siendo un acto de curiosidad, que ayude a comprender la magia del Big Data, puede resultar para las empresas un factor que marque su beneficio o su supervivencia en estos tiempos de incertidumbre. Para ello DotR, impulsa proyectos en aquellas empresas que aun no conozcan el poder derivado de la información.