Cómo usa ‘Transport for London’ Big Data para mantener a la ciudad en movimiento con mal tiempo - EntornoInteligente

Computer World / Lauren Sager Weinstein, CDO en TfL, revela cómo los datos ayudan a los pasajeros a planificar sus viajes y mejorar los servicios de transporte.

La ‘bestia del este’ puede haber llevado muchas de las carreteras y ferrocarriles del Reino Unido a un punto muerto, pero 200 líderes en datos y análisis lograron superar las inclemencias del tiempo dirigido por Lauren Sager Weinstein.

El director de datos de Transport for London (TfL) y su equipo analizan un gran volumen de datos de 1.370 millones de pasajeros anuales para planificar servicios en una red de 402km .”Lo que queremos hacer es asegurarnos de devolver la información a los clientes”, dice Sager Weinstein, ya que la nieve afuera cubre la orilla sur del río Támesis.

Devolver información a los clientes Cuando Sager Weinstein se unió a TfL hace 15 años, las decisiones de viaje tomadas por los pasajeros se guiaban en gran parte por las conjeturas. La proliferación de datos e Internet móvil significa que ahora pueden transmitir información de transporte en tiempo real a un dispositivo en la palma de sus manos.

El TfL de hoy atesora enormes conjuntos de datos en Oyster y tarjetas de pago sin contacto, venta de boletos, sensores de vehículos, encuestas y redes sociales e información de fuentes externas como organizaciones de salud y vivienda.

TfL busca patrones en estos datos para comprender qué personas usan la red, cuándo viajan, hacia dónde van y cómo están llegando allí. Luego pueden hacer operativa la información en servicios que soportan a los usuarios y la red a través de períodos de servicio sin interrupciones e interrupciones, como las recientes tormentas de nieve.

En ocasiones, estos incidentes causan una interrupción que suspende o finaliza un viaje. Si se demora 15 minutos o más por una razón dentro del control de TfL, los clientes pueden solicitar en línea un reembolso por demora en el servicio. TfL luego analiza los datos en la ruta para evaluar la validez del reclamo.

También puede identificar proactivamente a los clientes afectados “no necesitan reclamar un reembolso en nuestro sitio web, solo les devolvemos el reembolso y vuelve a su Oyster o su tarjeta de pago sin contacto”, dice Sager Weinstein, “esa es un área en la que ofrecemos un servicio directo a nuestros clientes”.

Preparación operacional Sager Weinstein admite que no todos los problemas en la red pueden resolverse mediante análisis. Mantener un servicio a través de la nieve solo ha sido posible gracias a los esfuerzos de una amplia gama de personal en TfL “creo que es importante decir que no todos los problemas son un problema de análisis. A través de la nieve, hemos estado manejando bien nuestros servicios. Hemos estado preparados, pero eso no es solo analítica, es solo una buena preparación operacional”.

Sin embargo, parece que Analytics desempeñará un papel cada vez más importante en TfL. Se están llevando a cabo pruebas que agregan mantenimiento predictivo a los trenes y exploran el potencial de la inteligencia artificial, pero Sager Weinstein quiere aterrizar la tecnología emergente en problemas contemporáneos.

Anteriormente trabajó en política pública en Los Ángeles, y antes de eso estudió Asuntos Públicos e Internacionales en la Universidad de Princeton, lo que le dio una sólida comprensión de las necesidades de los ciudadanos.

Planificación de servicios con análisis El equipo de datos de TfL también analiza dónde van los clientes en la red para planificar los servicios comparando el uso de Oyster con los viajes en autobús. “Tenemos análisis que pueden hacer una inferencia sobre dónde sale la gente de los autobuses, porque toca un autobús pero no toca”, explica Sager Weinstein y añade “lo que podemos hacer es unir los grifos y dónde está el autobús para comprender cómo viajan los clientes a través de nuestra red de transporte público”.

Esto proporciona una imagen más completa del uso del servicio y las áreas en las que la demanda es más alta y más baja para facilitar el viaje de extremo a extremo.

Luego pueden agrupar las rutas de autobuses en una parada popular en particular, o colocar una parada de autobús más cercana a la entrada de un tubo específico. “Se puede pensar en eso a un nivel muy granular, y realmente diseñar el diseño de su red de carreteras para que afecte a dónde va la gente, o simplemente rediseñar una red de autobuses”, dice Sager Weinstein.

TfL elimina la información personal de los clientes y se centra en el viaje de una tarjeta. Al comprender el momento en que se utilizan por primera vez en la mañana, las estaciones que pasan y la intensidad de los viajes del día, pueden comprender los diferentes tipos de usuarios y optimizar los servicios para satisfacer sus necesidades.

Sirviendo segmentos de usuarios de TfL Los turistas se detendrán en las estaciones cercanas a las principales atracciones hasta que toquen por última vez en un centro de transporte como Heathrow o King’s Cross. También tomarán rutas que los locales a menudo evitan. Si un visitante viajara a Covent Garden, por ejemplo, probablemente dejarían el metro en la estación de ese nombre, mientras que un londinense podría preferir salir en el Leicester Square igualmente cercano pero menos concurrido.

Los lugareños también siguen diferentes patrones de transporte, salen temprano en la mañana y siguen una ruta regular a su trabajo y de regreso a casa.

Los diferentes segmentos de pasajeros también tienden a preferir productos diferentes. Es más probable que los viajeros regulares usen un billete de temporada, mientras que un usuario ocasional normalmente prefiere una tarjeta Oyster o sin contacto. “Todo eso nos ayuda a comprender cómo viajan nuestros clientes y nos ayuda a brindar un mejor servicio al pensar en el diseño de estaciones y la mensajería”, dice Sager Weinstein.

“Si tenemos una estación de cercanías muy estable, entonces la gente verá los mensajes de una manera diferente a la de una estación que alguien está pasando una vez, pero no es un lugar donde las personas vuelvan regularmente. Podemos usar eso para pensar cómo conseguimos mensajes sobre lo que está sucediendo en la red y servicio e información a los clientes “.

Viajes a través de la estación En diciembre de 2017, TfL completó un piloto de cuatro semanas que utilizó datos de Wi-Fi despersonalizados para comprender cómo las personas se mueven a través de las estaciones de metro. Esto demostró que la recopilación de datos de Wi-Fi podría ayudar a proporcionar información receptiva del cliente en momentos específicos del día en líneas, plataformas y trenes individuales. “Con nuestra información de tickets, sabemos a la entrada y a la salida de la red de metro a donde va la gente, pero realmente no entendemos en partes de grandes estaciones complejas cómo se mueve la gente. No sabemos cómo se intercambia la gente dentro de la red porque no tiene que tocar su tarjeta Oyster o su tarjeta de pago sin contacto. Así que hicimos una prueba para ver qué información podíamos tomar de las solicitudes de sonda de conexión despersonalizadas de los teléfonos que se conectan a Wifi”, afirma la compañía.

Los resultados mostraron cómo las multitudes cambiaban en los trenes y luego más allá de la puerta de entrada en períodos de tiempo tan cortos como cinco minutos. Podían ver cómo los corredores se congestionaban, y los caminos que los pasajeros tomaban entre los puntos de la estación.

Esto puede ayudarlos a optimizar el diseño de la estación y comprender cuán atestado puede estar un tren, y la mejor ruta que un pasajero podría tomar para encontrarlo.

Ahora espera convertir la prueba en una prueba de concepto y luego incorporarla en un servicio en funcionamiento.

Datos abiertos en TfL TfL es conocido como un fuerte defensor de los datos abiertos, que ofrece a los desarrolladores a través de su API Unificada. Los datos abiertos de TfL son estimados por Deloitte para agregar hasta £ 130 millones de beneficios económicos anuales y ahorros a la economía de Londres.

Esta información podría ofrecer una amplia gama de usos para la gran cantidad de negocios y servicios públicos afectados por el transporte público.

Los terceros pueden usarlo para desarrollar sus propios productos o análisis, como el uso de información de viaje para ayudar a los clientes a ahorrar tiempo y datos de colisión para reducir los accidentes de tráfico.

“Está abierto para que cualquiera pueda suscribirse, y eso permite que nuestro alcance sea aún mayor”, explica Sager Weinstein, “también, por supuesto, ayuda a la comunidad de desarrolladores porque les da una gran cantidad de datos para usar”.

IDG.es

Cómo usa ‘Transport for London’ Big Data para mantener a la ciudad en movimiento con mal tiempo

Con Información de Computer World

www.entornointeligente.com

Síguenos en Twitter @entornoi

Entornointeligente.com




Instagram

Username or hashtag @entornointeligente is incorrect.