Como ingeniero de soluciones en Swiftly, trabajo con profesionales del transporte público en Europa (y más allá) para ayudarles a utilizar Swiftly y resolver algunos de sus problemas más urgentes. A lo largo de los años y de muchas conversaciones, he podido observar cómo, para muchas empresas de transporte público, la dificultad de mejorar la satisfacción del cliente, alcanzar los objetivos de fiabilidad del servicio y mejorar la coordinación interdepartamental es síntoma de la misma causa: datos erróneos.

Es habitual escuchar a operadores, consorcios de transporte y otras agencias de transporte decir que no confían en sus datos y que los técnicos dedican más horas a depurarlos o conciliarlos entre diferentes sistemas que a analizarlos. Y es que estos datos, a pesar del paso de los años y de los aparentes avances tecnológicos en el sector, siguen, en muchas ocasiones, sin ser una fuente histórica fácilmente accesible y confiable.

Como plataforma de datos de transporte público, Swiftly trabaja con fuentes de todos los proveedores de SAE, así como de numerosos proveedores de dispositivos embarcados, y ha analizado miles de millones de datos en bruto. Swiftly ha desarrollado capacidades únicas para mejorar la calidad de los datos subyacentes de la operación y optimizar las áreas de ineficiencia relacionadas con los informes históricos y en tiempo real, tanto para las operaciones internas como para los usuarios de la red. Independientemente del rol con el que me toque colaborar dentro de cada organización, todos están de acuerdo en señalar, como algunos de mis colegas han apuntado en otras ocasiones, que “trabajar con Swiftly es como asistir a una sesión de terapia basada en datos”.

Analicemos los problemas clave de calidad de datos que vemos con frecuencia y cómo Swiftly ha ayudado, en diferentes operaciones, a mejorar la precisión, la confiabilidad, la resiliencia y la integridad de los datos históricos y en tiempo real.

Lección 1

Sacar la basura: Pasar a datos de alta fidelidad

La dificultad para resolver casos de uso basados en información en tiempo real y en reportes históricos de datos es prácticamente una constante. Generalmente, la calidad de ambos es deficiente debido a un problema clásico observado en cualquier sistema de gestión de datos: si entra basura, sale basura. Incluso un analista experto o un algoritmo optimizado producirá malos resultados si los datos de entrada son igualmente malos.

Los datos de geoposicionamiento de los vehículos (GPS) son una fuente fundamental en los sistemas de información del sector del transporte público. La entrada de datos incorrecta (es decir, la entrada de basura) suele deberse a dos problemas comunes de los propios dispositivos GPS o de sus sistemas de integración.

• GPS poco frecuente: reportes de nuevas posiciones superiores a los 30 segundos. Muchos sistemas existentes presentan limitaciones de hardware, software o de red que les impiden generar datos de GPS con frecuencia.
• Ausencia de datos GPS. Por ejemplo, problemas con los propios equipos pueden provocar la pérdida de datos GPS de un vehículo, mientras que problemas como interrupciones del sistema o incidentes de seguridad pueden provocar la pérdida de datos GPS de toda la flota.

Los datos de salida erróneos (salida basura), como consecuencia de los mencionados problemas de GPS, pueden afectar los datos de la operación de varias maneras:

• Métricas críticas inexactas o incompletas, como puntualidad, expediciones realizadas, kilómetros operados, tiempos de recorrido, tiempos de parada u otros.
• Mala experiencia del pasajero debido a predicciones inexactas o a un seguimiento del vehículo en tiempo real deficiente.

Cómo puede ayudar Swiftly:

Swiftly puede mejorar los datos subyacentes gracias a su capacidad única para procesar y combinar múltiples fuentes de datos GPS. Muchos dispositivos a bordo pueden generar señal GPS, como routers Wi‑Fi, cámaras, sistemas de conducción eficiente, etc. Swiftly no limita la cantidad de fuentes que puede procesar y, de hecho, fomenta esta integración múltiple e incluso redundante, dado que los beneficios observados son altamente rentables. Como muestra, algunos de nuestros clientes ya combinan hasta siete fuentes de GPS diferentes. A lo largo de todas estas integraciones, ya hemos completado la integración de más de 100 fuentes de GPS complementarias, gracias a la gran cantidad de sistemas embarcados disponibles en nuestros clientes. Con la configuración e ingesta de esta información adicional, en combinación con los algoritmos de Swiftly, se previene la pérdida de datos y se maximiza la calidad de las observaciones realizadas y de la información en tiempo real generada. Algunos ejemplos documentados del éxito de estas medidas: Capital Metro recurrió a Swiftly para combinar múltiples fuentes de GPS; la frecuencia pasó de más de 1 minuto a menos de 10 segundos. De igual manera, el sistema anterior de Pierce Transit actualizaba sus posiciones cada 2 minutos, pero Swiftly aprovechó los equipos a bordo existentes para mejorar la frecuencia a 10 segundos.

En cuanto a la mitigación de la pérdida de datos, la disponibilidad de múltiples fuentes de datos aumenta la resiliencia de los datos ante una interrupción. Un cliente de Swiftly sufrió un ataque de malware en su SAE, pero Swiftly pudo seguir generando GTFS-rt para los pasajeros y proporcionar visibilidad de la flota al personal operativo.

Lección 2

Evitar la pérdida de datos debido a problemas de interacción con el pupitre u otro sistema de inicio de sesión del conductor

Incluso una fuente GPS de alta calidad puede resultar inservible o confusa si no hay información sobre el servicio al que está asignado el vehículo. Desafortunadamente, los problemas de asignación no son aislados debido a problemas de hardware, errores de inicio de sesión del conductor o demoras en la carga de la información del viaje tras un cambio de servicio.

¿El resultado?

• Pérdida de información en tiempo real para los pasajeros. Cuando a un vehículo le falta información de asignación, los pasajeros, en el mejor de los casos, solo verán el horario teórico y no tendrán información en tiempo real disponible.
• Datos de puntualidad incompletos. No se puede corregir lo que no se puede medir, y no contar con datos históricos de desempeño de los vehículos de la red impide tomar decisiones válidas y orientadas a mejorar el servicio.

Cómo puede ayudar Swiftly:

Swiftly puede solucionar problemas de asignación mediante una función llamada autoasignador. Cuando faltan datos de asignación, los algoritmos de Swiftly tratarán de identificar la situación y, en caso de determinar un potencial desajuste en la asignación pretendida, llevarán a cabo la asignación expedición-vehículo pertinente. Esto, por tanto, permitirá volver a poner el viaje en el mapa en tiempo real, informar sobre los tiempos de llegada estimados y capturar datos históricos completos. Hemos observado tendencias de todo tipo a lo largo de nuestro trabajo en todos nuestros clientes, pero, en general, podemos concluir que, gracias a estos sistemas de autoasignación, la recopilación de datos históricos puede verse incrementada entre un 10% y un 20% respecto del total del servicio planificado.

Lección 3

Geovallas: Una aproximación del pasado a una operación cada vez más diversa y exigente

“Medimos nuestra puntualidad a partir de la segunda parada”. “Sabemos que la hora de llegada observada no es la real.” “La única manera de saber a qué hora pasó realmente el bus es midiéndolo en persona.” Estas son solo algunas de las frases más comunes que nuestros clientes comentan en nuestras primeras sesiones de acercamiento. En muchos casos, su tecnología puede ser puntera, su equipo de IT dedicado y sobresaliente a la hora de sacar el máximo partido de los datos, pero aun así, no confían en los datos que manejan. Dejando a un lado los problemas mencionados en las dos primeras lecciones, detrás de estas quejas está el uso de aproximaciones clásicas a un problema que no es sencillo: definir con la mayor exactitud posible cuándo un vehículo realizó exactamente un evento de parada. Este dato es la base fundamental de muchísimas decisiones y resoluciones de reclamaciones. ¿Por qué deberíamos conformarnos con datos incompletos o inválidos?

¿Por qué sucede esto?

Cuando se usan, por ejemplo, geovallas, se pueden inferir los datos históricos de un paso por parada a partir de cuando un vehículo “rompe” las barreras de entrada y salida de dichas geovallas. Esto puede ser suficientemente válido en muchas ocasiones, pero resulta especialmente problemático en paradas de gran importancia, como las terminales de línea. Por ejemplo, si un vehículo sale de una parada a las 7:00 a.m. pero no cruza la geovalla hasta 2 minutos después (quizás porque se detiene en un semáforo), se registrará como si hubiera salido a las 7:02 a.m. A la llegada a la última parada, o a paradas que requieran un reposicionamiento operacional (por ejemplo, dando la vuelta a una rotonda), el problema puede ser inverso, y es que la medida se realice antes de que el vehículo realice el evento de parada propiamente dicho. En ocasiones, las aperturas y cierres de puertas se usan como dato complementario o alternativo a las geovallas, pero su aplicación es asimismo confusa, pues las puertas pueden abrirse y cerrarse varias veces dependiendo de la tipología de parada, de incidencias con pasajeros que le preguntan indicaciones al conductor u otras muchas.

Basándonos en nuestro trabajo con docenas de empresas del sector, descubrimos que:

• Las geovallas pueden generar datos de puntualidad que pueden ser hasta un 15% inexactos.
• Los horarios de llegada y salida inexactos de las terminales pueden generar tiempos de recorrido hasta un 30% más cortos o más largos, lo que inhabilita cualquier decisión de replanificación basada en ellos.
• El personal puede pasar horas limpiando manualmente los datos para eliminar los defectuosos o realizando controles de viaje adicionales, lo que consume mucho tiempo.
• La inexactitud y la falta de confianza en los datos de puntualidad a menudo generan problemas de comunicación entre los equipos, así como disputas entre contratistas y operadores.

Cómo puede ayudar Swiftly:

Swiftly utiliza una metodología avanzada enfocada en analizar los datos GPS del entorno y su historial. Aplicamos nuestros algoritmos para obtener estimaciones de llegada y salida más precisas. Nuestra metodología ha sido contrastada y validada en repetidas ocasiones por nuestros clientes, incluso mediante análisis de campo o el contraste con otras fuentes de medición alternativas.

¿El resultado?

• Informes de puntualidad más precisos. Determinación real de las horas de paso adelantadas, retrasadas o en regla con lo requerido.
• Replanificación basada en datos. La precisión de los horarios de llegada y salida de todas las paradas  permite obtener datos precisos y completos sobre los tiempos de recorrido. Este dato, junto a los tiempos de regulación en cabecera, será clave para una optimización real y segura del sistema.
• Mejora de la eficiencia de los planificadores. Menos tiempo limpiando datos y más tiempo analizándolos. Como consecuencia, más rutas optimizadas, cumplimiento del servicio analizado y, por consiguiente, una mejor experiencia del pasajero.
• Fuente precisa de información veraz. Los equipos de operaciones, planificación y ejecutivo pueden ahora hablar sin incertidumbre de la calidad observada y de las medidas planteadas para mejorar el servicio.

El operador de transporte público Transdev, uno de los mayores operadores privados del mundo, puso recientemente a prueba la metodología de llegadas y salidas de Swiftly. Tras analizar y comparar los datos de puntualidad de su otro sistema con los de Swiftly, determinaron que Swiftly era más preciso y no se veía afectado por los errores de geovallas.

“Estábamos experimentando discrepancias significativas en nuestra puntualidad. El sistema de Swiftly, que no requiere geovallas, nos mostró numerosas áreas que debían abordarse con nuestro sistema actual”, dijo Scott Germann, Vicepresidente de Operaciones de la Región Central de Transdev Norteamérica.

“Cambiar a Swiftly era nuestro objetivo principal, pero ¡qué diferencia su tecnología supuso para comprender y medir nuestra puntualidad! Definitivamente lo recomiendo en lugar del uso de geovallas tradicional.”

En Swiftly, sabemos que los datos deben ser precisos para ser eficaces, y nos comprometemos a brindar datos de alta calidad a empresas de transporte de todo el mundo para compartir información de pasajeros en tiempo real, gestionar las operaciones diarias y mejorar el rendimiento del servicio. El uso de geovallas, los datos GPS de baja calidad y los problemas de inicio de sesión de los conductores son solo algunos de los desafíos que impiden el acceso a datos fiables. Los clientes de Swiftly, más de 200 en 12 países—incluyendo EMT Madrid, RTA Dubai y Strætó en Islandia—confían en Swiftly para mejorar la puntualidad hasta en un 40% y aumentar la precisión de la información de los pasajeros hasta en un 50%.

Aprender más

¿Listo para mejorar los datos de tu agencia? Contáctanos.