Es sabido que las ciudades concentran la mayor demografía de un país y que, proporcionalmente, consumen la mayor cantidad de bienes y servicios, muchos de ellos por Internet. De hecho, según cifras entregadas por George Lever, Director del Centro de Estudios de la Economía Digital de la CCS, los consumidores que compran online pasaron de ser 334 mil en 2000, a 4,8 millones en 2016.

Este cambio en los comportamientos de compra -desde el espacio físico al virtual- implica que las empresas deben modificar sus canales de distribución B2B (CD despacha hacia la tienda), en donde generalmente un camión va lleno a un escenario de entrega B2C, para luego encontrar un vehículo que hace ruta para entregar pocos artículos a pocos clientes. Asimismo, el aumento de edificios en altura para usos residenciales o de trabajo provocan nodos de concentraciones de personas que necesitan trasladarse de un punto a otro de forma masiva, saturando las vías de acceso.

Todo esto provoca escenarios complejos de movilidad urbana e interurbana, en los que se agrupan muchos actores con distintos propó- sitos y objetivos; sin embargo, todos tienen como objetivo principal llegar al punto de destino correcto en el momento correcto.

Para uso personal, muchos utilizamos aplicaciones tipo Google Maps, que nos ayudan a estimar tiempos de viaje, donde las variables de espacio/tiempo son las principales. Pero la probabilidad de que la estimación de los tiempos de traslado se cumpla está bajo control, ya que generalmente las planificaciones de viaje se realizan con poco tiempo de anticipación.

No obstante, para propósitos de negocio o de transporte público, el tomar decisiones de traslado necesita mayor cantidad de variables, y las estimaciones de demanda consideradas en estudios de Origen/Destino no son estables en el tiempo. Por ello, el acceso a la variable de “demanda real de transporte”, en tiempo real e histórico, es esencial para hacer una planificación y operación de transporte público y poder llegar al paradero correcto en el momento correcto, disminuyendo así los tiempos de espera y de traslado de pasajeros y, al mismo tiempo, maximizando el uso de la flota de buses disponible.

Esta variable también es necesaria para los operadores de infraestructura pública con el fin de mejorar su gestión de operaciones. Por ejemplo, la UOCT, para la coordinación de semáforos e incidir en el comportamiento de tránsito de forma predictiva, o las autopistas urbanas, para fijar tarifas flexibles de peaje para incentivar o desincentivar el tránsito.

En el caso de las operaciones de transporte de carga, generalmente la planificación de ruta se hace en función de ventanas de tiempo definidas por el recibidor (sucursal cliente, centro de distribución, depósito, terminal portuario). Al igual que en el transporte público, se debe cumplir con la máxima de llegar al lugar correcto en el momento correcto. Sin embargo, existen condiciones de contexto que provocan que los planes de entrega no se cumplan, por ejemplo, si el recibidor tuvo un problema en sus sistemas de recepción, una grúa dañada, huelgas de trabajadores o una inusual sobreproducción estacionaria, como ocurre en la exportación de fruta.

Entonces, podemos concluir que tener visibilidad en tiempo real acerca del comportamiento integrado de la oferta y demanda de transporte, permite tomar decisiones oportunas a los distintos actores involucrados.

En este escenario, nos formulamos la siguiente pregunta: ¿Cómo podemos ampliar el acceso a información oportuna de movilidad en contextos de uso de transporte público y de carga? En la actualidad, todos los actores involucrados en transporte urbano e interurbano son consumidores y (a la vez) generadores de información mediante sistemas cerrados, como son: Sistemas de Gestión de Flota, GPS, Estudios de Origen Destino, Sensores de Aforo, pórticos RFID, entre otros.

Por lo tanto, la gestión de flotas de transporte no es algo que deba abordarse de forma aislada o que cada generador de carga en forma individual haga su planificación de ruta día a día. Esto, porque cualquier evento fuera de lo común no es conocido de forma oportuna por los otros actores y podría afectar el funcionamiento de la cadena. 

Debido a esto es que existen modelos colaborativos de intercambio de información de forma segura y confidencial entre los distintos actores involucrados en movilidad urbana e interurbana, que pueden generar sinergias que favorezcan la toma de decisiones de manera oportuna y también permitan acceder a información histórica para hacer predicciones operativas y comerciales con mayor precisión.

Actualmente se están desarrollando plataformas de información orientadas a casos de uso, las que proveen capacidades de integración de oferta y demanda de transporte e intercambio de fuentes de datos propias y de terceros en tiempo real. Estas soportan el intercambio de información de modo seguro, y aprovechan y homologan la gran cantidad de fuentes de datos disponibles que generan información objetiva y de buena calidad (como GPS, Beacons, RFID; datos originados en el uso de las redes de comunicación 4G y LPWA; pórticos de peajes automá- ticos; e información de sistemas corporativos de gestión de flota y almacenamiento WMS). Tambien utilizan herramientas de Big Data e Internet de las Cosas, permitiendo integrar cualquier fuente de información disponible, tomando en cuenta información de contexto en tiempo real e histórico.  De esta forma, cada actor involucrado en movilidad puede acceder a información del comportamiento de la oferta y demanda del transporte pú- blico, transporte privado o transporte de carga o pasajeros, para que distintos usuarios puedan conocer mejor cómo opera la red integral de movilidad en la que están insertos.