BIG "DATAxi": ¿invasión o innovación?

No es casualidad que los taxis estén recientemente acaparando los titulares de medio mundo. Es simplemente otro ejemplo de cómo el paradigma de Big Data está ya cambiando nuestras vidas. La síntesis es sencilla: si los taxis tienen sistemas de geo-localización (GPSs) y los clientes tienen sistemas de geo-localización (móvil), ¿es posible hacer un nuevo sistema de matching más eficiente que antaño?

Antaño: hasta ahora se ha seguido mayormente un modelo de hechos consumados. Un cliente llamaba a una centralita (el hecho consumado) y ésta asignaba ese servicio al taxista más cercano según una cascada de prioridades. Esto es, no había detrás ciencia aplicada. Solamente un servicio y una serie de reglas heurísticas para asignarlo.

Hoy en día: actualmente se están desarrollando propuestas más innovadoras y basadas en ciencia aplicada. Yo mismo entré recientemente en el radar de un fondo de Private Equity (PE) para montar un proyecto en esta línea. Los fondos de PE se dedican en general a comprar empresas con potencial de crecimiento, contratar un equipo (pequeño) capaz de materializar ese crecimiento y después venderlas de manera que moneticen la mejora. Nótese que apuestan que hay recorrido para la innovación en la industria del taxi. En mi caso, querían una persona que pudiese hacer que la empresa pasase de ser intensiva en tecnología a ser directamente tecnológica. Esto es, querían ser un algoritmo, el Amazon de los taxis alrededor del mundo. Mi propuesta fue muy sencilla, de cuatro capas y versaba sobre dos fuentes de datos, la que tenía la empresa hasta la fecha y la explotación de nuevos datos que podrían llegar a obtener vía su App:

  1. Mejorar la distribución de la flota de taxis. Habría que pasar del modelo de hechos consumados al modelo probabilístico. Con el histórico de la actividad se pueden conseguir mapas de calor que visualmente recojan las zonas con más probabilidad de que surja un servicio un, digamos, “miércoles de enero en una tarde de lluvia mientras juega el equipo local la Champions fuera de casa”. Es importante notar que dicho modelo no solo reduce el tiempo de espera del cliente sino que también permite a los conductores gestionar mejor sus tiempos de espera y dedicación al taxi. Y si mantienes a tus conductores contentos mantienes tu ventaja competitiva frente empresas tipo Uber.
  2. Matchear cliente y conductor. Gracias a la App el cliente ha dejado de ser anónimo. Al identificar al cliente se puede mejorar la experiencia del mismo de manera que en vez de ser simplemente un usuario puede pasar a ser un predicador (‘evangelista’) de tu marca. El boca a boca es el marketing más robusto. Esto requería que la flota de taxis pasase a ser considerada una flota de taxistas, con nombre propio y características. Dicho a nivel técnico, la clave es la granularidad. Así que el reto del matching pasa a ser similar al algoritmo de una web de citas. Ahora bien, a diferencia de estas webs, el matching en los taxis se haría sobre la marcha con los taxistas disponibles alrededor del cliente. Por tanto, la clave pasa por aumentar la probabilidad de ese matching. Aumentar la proporción de taxistas con matching favorable dentro de ese grupo disponible alrededor del cliente. Con todo, los taxistas (ya no los taxis) tendrían que ser distribuidos alrededor de la ciudad en función del perfil del cliente medio en cada zona.
  3. Extraer y explotar el conocimiento latente de los taxistas. En general, se espera que el conocimiento agregado de los taxistas en cuanto a cómo desplazarse entre dos puntos de la ciudad debería superar a las rutas aconsejadas por empresas como TomTom, GoogleMaps, etc. Dos grandes dimensiones habrían de tenerse en cuenta: la ruta más rápida y la ruta más barata pues no todos los clientes tienen el mismo esquema de prioridades (el tiempo es dinero, pero ¿cuánto?).
  4. Re-equilibrio inteligente. Cuando un taxista se encuentra en un área de influencia de su propio perfil (epígrafe 2) y consigue realizar un servicio (epígrafe 1) cuya ruta eficiente (epígrafe 3) le hace cruzar zonas que no corresponden a su perfil, en general no debería volver por la misma ruta. En su lugar, debería escoger rutas alternativas cruzando de nuevo zonas de influencia dentro de su propio perfil. Esto es, se deberían analizar los pros de que la flota continúe optimizando la experiencia del cliente frente a los contras de consumir más tiempo y combustible.

Con todo, necesitaban primero pasar del sistema actual de análisis de información (disperso y probablemente hasta en ocasiones contradictorio) a un sistema homogéneo (modelo de datos claro y consensuado), estructurado y explotable (Big Data). Para finalmente acceder a un sistema inteligente que aproveche patrones latentes/ocultos (Smart Data).

Si esto ocurre, el sistema tradicional de taxis podría quedarse obsoleto y se enfrenta a una tesitura clara. O se lanza a innovar y a competir más agresivamente en el mercado (tanto en precios como en experiencia del consumidor) o busca la protección gubernamental y el blindaje legislativo. De momento, nos movemos en el entorno de la segunda posibilidad, de ahí la reciente polémica y los titulares de prensa.

En el futuro: en el medio/largo plazo esperaría ver precios variables en función de la casuística de cada taxi. Por ejemplo, los servicios surgidos en la ruta de vuelta según el epígrafe 4 deberían ser más baratos que aquéllos derivados de la distribución inicial según el epígrafe 1. Más aún, esperaría que surgiese la posibilidad de compartir taxis (ver por ejemplo Shou et al. (2013)).

El mayor reto entonces, al igual que en el resto de proyectos relacionados con Big Data, es la falta de capital humano que reúna todas las condiciones necesarias para liderar este tipo de proyectos: la lógica de un economista en la toma de decisiones, la creatividad y precisión de un científico, la independencia y capacidad de generar prototipos de un desarrollador y la motivación de un emprendedor. Y éstos, en general suelen preferir seguir en la industria más intensiva en Big Data: las finanzas.

Referencias:

  1. Shou, Zheng. Y. and Ouri Wolfson; T-Share: A Large-Scale Dynamic Taxi Ridesharing Service (2013); IEEE.

foto

Sergio Alvarez-Teleña, PhD

Hd of Data Science @ BBVA; Advisor @ SciTheWorld

Deja un comentario

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