Desde hace varias décadas, las personas capturan y analizan datos para obtener información valiosa. Una de las lecciones aprendidas es que cuanto más integrados están los datos que usamos para actuar, mayor profundidad tiene la información. Esto llevó a un segundo descubrimiento, tan importante como el primero: los resultados y el valor de negocio también aumentan cuando las analíticas, y no sólo los datos, están integradas, comparte Rob Armstrong, evangelizador en datos y analítica de Teradata.

Aquí entra en juego la potencia de soluciones que han impulsado y posibilitado modelos de datos integrados y analíticas complejas. En los últimos años se han agregado analíticas avanzadas, incorporadas en la base de datos, tales como las geoespaciales 3D (latitud, longitud y elevación). Hoy se ha dado un paso más y se han agregado funciones y series temporales, además de las funciones temporales ya existentes, para ir más lejos, a la próxima dimensión: la cuarta dimensión del tiempo.

Cuando las empresas pueden combinar, o superponer, analíticas, obtienen información más rápido y los nuevos resultados generan mayor valor. Veamos rápidamente algunos de los casos en los cuales se integran las dimensiones de tiempo y espacio en la analítica empresarial.

Transporte y logística

Uno de los casos de uso más obvio es el del transporte y la logística. Durante los últimos años, las empresas han ido adoptando planes de mantenimiento predictivo para sus vehículos. Al juntar las funciones de series temporales y geoespaciales, no solo pueden saber cuándo algo está mal, sino también tener una mayor comprensión del por qué.

Por ejemplo, dos camiones similares muestran patrones de desgaste muy distintos y es necesario averiguar la causa. A partir de esta primera percepción, se puede buscar por dónde transitaron los camiones, las condiciones (tales como la pendiente, el clima o el tráfico), así como la información proporcionada por los sensores. Un usuario puede pedir que le muestren cuál es el desgaste de los componentes del vehículo al conducir a gran altura y con una pendiente pronunciada o que le den diagnósticos del motor en un camino sinuoso, en comparación con el trayecto por una autopista recta.

Al mirar tanto la perspectiva espacial como la temporal hay mayor capacidad predictiva. En consecuencia, se pueden planificar las rutas de distribución o el tipo de vehículo para minimizar los desperfectos y aumentar la productividad.

La movilidad como servicio

Llevemos este ejemplo un poco más lejos: a la movilidad como servicio. De nuevo, podemos aplicar las dimensiones de tiempo y espacio a la gestión de una flota de vehículos, pero con el agregado de los datos temporales para entender la disponibilidad de conductores o eventos especiales que suceden dentro de una zona determinada de la ciudad.

Al agregar períodos temporales se pueden hacer preguntas tales como: “¿Cuál es el volumen de pasajeros previsto en Boston durante los playoffs de la NBA, y qué tipo de vehículo necesito tener disponible rápidamente?”. Otra pregunta podría ser: “¿Cuál es el recorrido habitual de las personas mayores en Phoenix entre las 10:00 y las 16:00 los días de semana?”. Así, puede planificar mejor los recorridos y ofrecer descuentos para maximizar la cantidad de pasajeros con menores gastos de la flota.

Ciudades inteligentes

Ya nos referimos a usar analíticas y optimizar el transporte, así que pongamos la mirada en las ciudades inteligentes y la planificación urbana. Aquí, la capacidad de comprender no solo el tiempo, sino también el lugar de uso es fundamental.

Tratar de aprovechar al máximo los servicios públicos en las zonas urbanas es un problema complicado. El centro de una ciudad recibe un gran flujo de personas que van y vienen, con el consiguiente uso de servicios públicos y un patrón de fluctuaciones extremas cuando termina el día y comienza la noche.

Los planificadores urbanos deben responder las siguientes preguntas: “¿Qué diferencia hay en los patrones de transporte luego de haber ensanchado el camino?”. “¿Resolvimos el problema o simplemente trasladamos los embotellamientos a otras zonas?”. “¿Los centros de transporte están alineados con las horas pico y no pico para minimizar la congestión y maximizar el flujo de personas y productos?”.

Para hallar las respuestas a estas preguntas, los datos temporales que brindan los sensores ubicados en los caminos, los que captan el movimiento de los peatones y la coordinación de los semáforos, todos deben recopilarse e integrarse con datos temporales, que identifican los períodos de actividad, eventos especiales y cierre de caminos. 

Edge Computing

Se dice que no alcanza con tener los datos: hay que analizarlos. Y esto se traduce en la siguiente exigencia: hay que actuar sobre las analíticas para obtener valor y la acción se desarrolla en los dispositivos periféricos cuando estamos en la cuarta dimensión. En ese punto se necesita información oportuna y específica para lograr los mejores resultados.

Un ejemplo que se podría analizar es entre vehículos: los dispositivos periféricos reciben y envían información y los sensores de los autos captan datos, pero es necesario obtenerlos de todos los autos para comprender la amplia gama de hechos y resultados potenciales. Los datos se recopilan, analizan, y luego se envían nuevas reglas y alertas a todos los vehículos. Esto es un tipo de “inteligencia de enjambre”, ya que no queremos que cada automovilista sufra un accidente por aprender a evitarlo.

Otro ejemplo de este nexo de tiempo y espacio llevado a la periferia se da en los dispositivos médicos y wearables. Recolectar datos de todos ellos sobre el nivel de actividad física de los pacientes, así como las variables de su ubicación (clima, contaminación, altitud, etc.) ayuda a los médicos a analizar mejor los eventos para tratar a los pacientes nuevos con un enfoque preventivo.