Big Data: una herramienta para la administración pública

 

Resumen del PDF "La era del big data y open data en la administración pública" de Andrés Mauricio Castillo Aucancela, estructurado por temas principales.

---

1. Introducción: Tecnologías Disruptivas y Retos

La llegada del Big Data y Open Data ha significado la ruptura del modelo tradicional de la administración pública y ha propiciado una innovación radical. Estas tecnologías disruptivas exigen una adaptación de los funcionarios administrativos y de toda la sociedad, pero también presentan grandes retos, sobre todo para su regulación.

2. Big Data: Concepto, Características y Ventajas para la Administración Pública

• Definición y las "V": El Big Data se caracteriza por su volumen (gran cantidad de datos), variedad (proveniente de diversas fuentes), velocidad (generación constante) y el valor que genera. La veracidad de los datos es la quinta "V" relevante.

• Crecimiento Exponencial e Importancia Económica: Hay un crecimiento exponencial en la creación de datos a nivel mundial. La combinación de Big Data y Open Data tendrá un crecimiento económico significativo.

• Aplicación en la Administración Pública: El Big Data puede emplearse para reducir el papeleo y la burocracia, mejorar la eficiencia y el ahorro en el ámbito sanitario, aumentar la recaudación fiscal, y ser más eficaz en las respuestas a los ciudadanos, facilitando la realización de derechos individuales.

• Generación de Conocimiento y Mejora de Políticas: Permite a los gobiernos diseñar políticas públicas más apegadas a las necesidades reales de la población, ya que los datos se actualizan de forma permanente. Esto facilita la prestación de servicios públicos de manera más eficiente, reduciendo costos y optimizando la calidad, y atendiendo de forma individualizada las necesidades ciudadanas. Un mayor conocimiento sobre la demanda permite un control inteligente, mitigando la corrupción.

• Análisis Predictivo y Toma de Decisiones: La gestión y el aprovechamiento de los datos masivos, realizados mediante algoritmos e inteligencia artificial, permiten aplicar técnicas de análisis predictivo, facilitando la toma de decisiones por parte de los gobernantes.

• Riesgos del Big Data: Ricardo Rivero identifica paradojas como la de la transparencia (el individuo es transparente, la organización opaca), la identidad (las organizaciones saben más de nosotros que nosotros mismos), y el poder (los beneficios empoderan a las organizaciones, no a los individuos).

• Contexto en Ecuador: A pesar de inversiones individuales en sistemas de análisis de datos, no existe un modelo único y vinculante para todas las entidades de la Administración Pública Central, lo que genera dispersión y afecta el aprovechamiento de los datos.

3. Open Data: Acceso, Transparencia y Reutilización

• Definición y Relación con Big Data: Open Data es una herramienta tecnológica que facilita el acceso de los ciudadanos a los datos en poder de la administración pública, que pueden ser empleados con fines de conocimiento, fiscalización o explotación comercial. Se resalta la estrecha relación entre Open Data y Big Data, ya que las entidades públicas deben ofrecer soluciones tecnológicas que permitan a los ciudadanos acceder libremente a esta información.

• Ventajas de la Reutilización: La reutilización de los datos abiertos genera creación de nuevos puestos de trabajo, aumenta la eficiencia en la búsqueda de información y añade valor para empresas, académicos y personas comunes. También contribuye a una mayor credibilidad de las instituciones públicas, transparencia y rendición de cuentas. La información del sector público es una materia prima importante para productos y servicios de contenidos digitales, y se volverá cada vez más crucial con el desarrollo de tecnologías avanzadas.

• Organización y Calidad de los Datos: Las administraciones deben organizar y esquematizar la data que será abierta, lo que mejora la eficiencia de los sistemas de información y posibilita nuevos escenarios de colaboración. Es importante garantizar la calidad de la información y su accesibilidad en formatos reutilizables.

• Transparencia Activa y Legitimidad Democrática: El Open Data se convierte en una herramienta idónea para la transparencia activa, permitiendo a la administración pública poner a disposición de los ciudadanos la data en su poder sin necesidad de un requerimiento previo. El acceso a estos datos no solo provee transparencia, sino que también reviste de una nueva legitimidad a la gestión y a la democracia.

• Participación Ciudadana y Desarrollo de Aplicativos: El acceso a la información fomenta la fiscalización de la actividad administrativa y la utilización de los dineros públicos por parte de una ciudadanía tecnológicamente capacitada. La reutilización de datos por parte de la sociedad puede generar aplicativos tecnológicos que presenten soluciones a problemas sociales o aporten comodidad a los ciudadanos.

• Marco Normativo en Ecuador: Ecuador cuenta con antecedentes como el compromiso presidencial No. 305 del 2014, la Guía de política pública de datos abiertos del mismo año, el Plan Nacional de Gobierno Electrónico 2018-2021 y el Primer Plan de Acción de Gobierno Abierto Ecuador 2019-2021, que buscan regular y estandarizar la publicación de información pública. La Política de Datos Abiertos de Aplicación en la Administración Pública Central (2020) tiene como objetivo implementar los datos abiertos para fortalecer la participación ciudadana, la transparencia gubernamental, mejorar la eficiencia en la gestión pública y promover la investigación, el emprendimiento y la innovación.

• Principios de los Datos Abiertos: Los principios que deben seguir los datos publicados incluyen ser: completos, primarios, oportunos, accesibles, procesables por una máquina, inclusivos, en formato abierto y con licencia libre.

4. Conclusiones: La Era del Gobierno Abierto

La utilización de estas nuevas tecnologías disruptivas en la administración pública es inevitable. El Big Data permitirá mejorar el diseño de políticas públicas y la toma de decisiones mediante análisis predictivos. Por su parte, el Open Data posibilitará una real fiscalización de la actividad administrativa y el uso de recursos públicos, lo que otorgará una nueva legitimidad al sistema democrático y generará oportunidades para la sociedad. Retardar su implementación solo nos ubicará en la última escala de la nueva brecha digital. Un gobierno abierto va más allá de la mera apertura de datos; es un gobierno cercano, eficaz y eficiente, que escucha a sus ciudadanos, diseña políticas en función de sus intereses, y facilita la participación ciudadana activa y el control, promoviendo una democracia de mayor compromiso y trabajo.

Fuente 

https://www.redalyc.org/pdf/1814/181452084001.pdf

Podcast de NotebookLM

https://drive.google.com/file/d/1KdIuFV_HQTmHlORWw4eLpTJ-yVtLzeP7/view?usp=sharing

El uso de datos masivos y sus técnicas analíticas para el diseño e implementación de políticas públicas en Latinoamérica y el Caribe

Resumen del documento "El uso de datos masivos y sus técnicas analíticas para el diseño e implementación de políticas públicas en Latinoamérica y el Caribe".

El Poder Transformador de los Datos Masivos en el Diseño y Evaluación de Políticas Públicas para Latinoamérica y el Caribe

1. Introducción al Paradigma de Datos Masivos: Un Factor Esencial en la Era Digital

• En la actividad económica moderna, los datos se han consolidado como un factor esencial para la producción, comparable a los activos fijos y el capital humano.
• El desarrollo acelerado de las Tecnologías de la Información y la Comunicación (TIC) ha transformado los datos de escasos a superabundantes, impulsando el desarrollo de nuevas tecnologías y conocimientos.
• Este documento tiene como objetivo revisitar la definición de 'Big Data' (datos masivos) y sus técnicas analíticas en el contexto de la formulación de políticas públicas en América Latina y el Caribe.
• También se analizan aspectos sensibles del uso de Big Data como la seguridad, propiedad de datos, privacidad y el marco ético.

2. Marco Conceptual de los Datos Masivos: Definición, Características y Procesamiento

• El término 'Big Data' o "datos masivos" es un concepto amplio que abarca los datos en sí, las tecnologías para su manipulación, las técnicas para su análisis y los profesionales que los manejan.
• Originalmente, el término se refiere a conjuntos de datos cuyo tamaño excede la capacidad del software y hardware estándar para capturarlos, almacenarlos y analizarlos.
• Las características fundamentales de los datos masivos son las "V":
  • Volumen: la gran cantidad de datos existentes y los recursos de almacenamiento y cómputo que requieren.
  • Velocidad: los datos son producidos, procesados, analizados y almacenados aceleradamente.
  • Variedad: refiere a las múltiples fuentes y tipos de datos, como texto, audio, video y redes sociales, clasificables en estructurados, semiestructurados e inestructurados.
• A estas se añaden dimensiones más cualitativas:
  • Variabilidad: la alta cantidad de anomalías que, en datos masivos, dejan de ser "outliers" para formar parte del fenómeno.
  • Complejidad: explicada por la proliferación de dispositivos conectados (ej., GPS, sensores del Internet de las Cosas) que generan datos inter-sujeto e intra-sujeto.
  • Veracidad: la calidad, confiabilidad y certeza de los datos, especialmente su origen y construcción.
  • Representatividad: la cuestión de si los datos masivos reflejan adecuadamente las poblaciones analizadas.
• Los datos masivos tienen poco valor por sí mismos; su valor se obtiene después de su procesamiento para construir conocimiento, mejorar procesos y apoyar la toma de decisiones.
• La Ciencia de Datos es la disciplina que ha surgido para procesar y analizar estos datos, combinando técnicas de Ciencias de la Computación, Matemáticas, Estadística, Econometría e Investigación Operativa.
• Este proceso implica un ciclo de vida iterativo que incluye la gestión de datos (adquisición, almacenamiento, limpieza, preparación) y la analítica de datos (modelado y análisis para responder preguntas).

3. Aplicación de la Analítica Avanzada en Políticas Públicas: Casos y Ejemplos

• El objetivo de usar la Ciencia de Datos en políticas públicas es producir evidencia pertinente, de calidad y oportuna para fundamentar decisiones, un proceso llamado "toma de decisiones guiadas por datos".
• Esto permite diagnosticar problemas desapercibidos y generar soluciones más efectivas en áreas como salud, educación, transporte y atención a grupos desfavorecidos.
• Ejemplos de aplicación en distintas áreas incluyen:
  • Pobreza: Utilización de imágenes satelitales nocturnas para predecir la pobreza en India, Sri Lanka, Pakistán y Nigeria.
  • Crimen y seguridad: Análisis de rutas de buses y modelado de terreno riesgoso en Colombia para identificar zonas y horarios con mayor ocurrencia de delitos.
  • Transporte: Desarrollo de aplicaciones como OpenRoad y Open Traffic en Filipinas (seguimiento de proyectos viales, visualización de tráfico con datos GPS de taxis) y RoadLab en Bielorrusia (evaluación de calidad de calles con acelerómetro de celulares).
  • Salud: Identificación de áreas con mayor proporción de pacientes con SIDA en Sudáfrica para optimizar estrategias de atención.
• Casos de implementación en América Latina y el Caribe:
  • Movilidad Urbana Sostenible (Rosario, Argentina): Estudio de patrones de movilidad de ciclistas (públicos y privados mediante GPS) para entender su relación con la infraestructura vial y los accidentes de tránsito. Se identificaron focos de accidentes y la necesidad de mejoras en infraestructuras específicas como Bulevar Oroño.
  • Ciudades Inteligentes (Latinoamérica): Se analizaron iniciativas en:
    • Bahía Blanca (Argentina): Plataforma y aplicación móvil '¿Qué pasa Bahía Blanca?' (QPBB) que publica en tiempo real datos de sensores sobre contaminación ambiental y acústica industrial.
    • Córdoba (Argentina): Sistema de seguimiento de flota de transporte público con GPS y recopilación de datos de pago por tarjeta única para optimizar tiempos de viaje y rutas.
    • São Bernardo do Campo (Brasil): Aplicación móvil Você SBC para quejas y sugerencias ciudadanas sobre servicios no urgentes, permitiendo monitorear necesidades urbanas.
    • Fortaleza (Brasil): Proyectos piloto usando GPS en buses para evitar retrasos, datos de bicicletas públicas para expansión y un dashboard unificado de indicadores de transporte.
  • Productividad a Nivel de Empresa: Estudio del crecimiento y dispersión de la Productividad Total de los Factores (TFP) en 20 millones de empresas de 30 países durante ocho años, usando la base de datos Orbis. El principal desafío fue la limpieza y preparación de los datos, y se usaron múltiples metodologías para calcular las funciones de producción.

4. Desafíos y Limitaciones: Ética, Privacidad y Confiabilidad

• El uso de datos masivos presenta limitaciones metodológicas y cuestionamientos éticos, legales y de seguridad.
• Desafíos metodológicos:
  • La superabundancia de datos no es sinónimo de representatividad. Los datos pueden no representar la diversidad de la población, especialmente si provienen de canales digitales o ciertas regiones.
  • La analítica de datos masivos no es enteramente objetiva, ya que los científicos de datos toman decisiones que pueden ser subjetivas o arbitrarias durante el proceso de análisis.
  • Existe un riesgo de "correlaciones espurias" y "sobreajuste" (overfitting) de los modelos debido al gran volumen de datos, lo que puede llevar a conclusiones erróneas si no se consideran el contexto y la generalización.
  • La analítica avanzada de datos masivos debe ser un complemento y no un sustituto de métodos de investigación tradicionales, especialmente los cualitativos.
• Privacidad, aspectos éticos y legales:
  • El tratamiento de datos masivos con variables personales hace necesaria la protección de la información privada (anonimato).
  • Se cuestiona la equidad o el perjuicio por la intromisión en la vida privada de las personas.
  • Es crucial definir la propiedad de los datos masivos y los derechos/licencias para su administración y explotación.
  • Debe establecerse la responsabilidad legal cuando el análisis de datos masivos genere consecuencias negativas, incluyendo problemas de seguridad y protección del consumidor.
  • Cuando el gobierno trabaja con entidades externas, es vital resguardar la propiedad y establecer mecanismos de protección y prohibición de uso posterior de los datos.

5. Recomendaciones y Oportunidades: Hacia una Inteligencia de Valor Público

• Es posible desarrollar una "inteligencia de valor público" que funcione como un componente estratégico para la toma de decisiones y el diseño de políticas públicas.
• Para la adopción de esta inteligencia en las agencias de gobierno, se requieren capacidades institucionales en tres dimensiones:
  • Capital humano: Profesionales para estudiar, limpiar, preparar datos, y realizar análisis específicos, así como "consumidores inteligentes" que analicen críticamente la información y formulen preguntas. La escasez de científicos de datos y la necesidad de un trabajo multidisciplinario son desafíos.
  • Tecnología: Recursos para grandes conjuntos de datos, servicios de software, almacenamiento e interoperabilidad entre sistemas de distintas agencias.
  • Desarrollo de estrategias: Un plan que defina las preguntas urgentes, los datos a recopilar y las técnicas de análisis, incluyendo alianzas estratégicas.
• Es fundamental establecer una institucionalidad que lidere el uso de datos masivos, asegure su sostenibilidad, mantenga los resguardos necesarios y promueva la comunicación fluida y el intercambio de datos entre agencias.
• Se debe transparentar la analítica utilizada para generar evidencia, documentando los procesos para que sean auditables y permitan la mejora continua, diseminación de metodologías y corrección de errores a tiempo, especialmente ante filtraciones de información o recomendaciones algorítmicas erradas.
• Las oportunidades incluyen:
  • La evaluación del nivel de madurez de proyectos de datos masivos usando rúbricas como la desarrollada por Townsend & Zambrano-Barragan.
  • El compartir y diseminar datos entre agencias gubernamentales, lo que puede generar sinergias y análisis multisectoriales.
  • La aplicación de técnicas de "predicción pura", donde no se necesita establecer causalidad, como la estimación del nivel socioeconómico con imágenes satelitales, el riesgo de deserción escolar o la mejora de políticas de fiscalización usando reseñas en línea.

6. Conclusiones: El Futuro Guiado por los Datos

• La implementación y el uso de Big Data y sus técnicas analíticas son cruciales para el avance y la mejora de la administración pública en la región.
• Estos avances permiten diseñar políticas públicas más informadas, fomentar la transparencia y potenciar la eficiencia en la gestión pública, lo que puede conducir a una democracia más participativa y legítima.
• Es imperativo equilibrar el gran potencial de los datos masivos con la atención a los desafíos éticos, legales y de privacidad para garantizar un uso responsable y beneficioso para la sociedad.

Fuente 

documento origen

Resumen en Audio

Resumen en audio NotebookLM

El Poder del Big Data para el Desarrollo Urbano Sostenible: Un Modelo Colaborativo para Ciudades en América Latina

 

El Poder del Big Data para el Desarrollo Urbano Sostenible: Un Modelo Colaborativo para Ciudades en América Latina

Este documento detalla un proyecto fundamental que busca empoderar a las ciudades de América Latina y el Caribe (ALC) para que utilicen la digitalización y el Big Data en la formulación de políticas públicas más efectivas, mejorando así la calidad de vida de sus ciudadanos en un contexto de rápida y a menudo desordenada urbanización.

1. Visión General del Proyecto y su Propósito Central

El proyecto, denominado "Big Data para el Desarrollo Urbano Sostenible", es un Acuerdo de Cooperación Técnica entre el Banco Interamericano de Desarrollo (BID) y la Fundação Getulio Vargas (FGV). Su objetivo principal es desarrollar un modelo piloto, replicable y escalable de gobernanza de big data para las ciudades participantes. Se sustenta en tres pilares esenciales: Aspectos Institucionales / Políticas Públicas, Aspectos Reglamentarios y Aspectos Tecnológicos / Ciencia de Datos.

2. Componentes Clave del Proyecto para la Implementación de Big Data

El proyecto se estructura en tres componentes principales para abordar de manera integral el uso de datos masivos:

• Mapeo del Ecosistema de Datos y Marcos Regulatorios (Componente I):
  • Realiza un diagnóstico y análisis de la legislación existente para el uso de datos públicos y privados.
  • Lleva a cabo un mapeo y categorización de los datos públicos y privados disponibles en cada ciudad.
  • Incluye la creación y mantenimiento de un sitio web como centro de información del proyecto.
• Desarrollo de Recursos Legales e Institucionales para el Acceso y Análisis de Big Data (Componente II):
  • Se enfoca en la elaboración de un modelo de ley o decreto para la gestión de big data.
  • Promueve la creación de un ambiente con códigos, procedimientos y herramientas para el registro, validación, disponibilidad y procesos de carga de datos.
  • Prevé la capacitación de gestores municipales y la producción de un manual sobre la implementación de políticas reguladoras de uso y apertura de datos.
• Desarrollo de Herramientas de Análisis y Visualización de Datos Masivos y Diseminación (Componente III):
  • Involucra el desarrollo, prueba e implementación de un ambiente de big data (repositorio único) y herramientas de análisis y visualización para los niveles gerenciales y operativos.
  • Ofrece capacitación a los gestores para el uso del ambiente de big data.
  • Finaliza con la producción y diseminación de una publicación que resume las conclusiones del proyecto.

3. Ciudades Participantes y su Ecosistema de Colaboración Regional

Las ciudades que forman parte de este proyecto son São Paulo (Brasil), Montevideo (Uruguay), Quito (Ecuador), Xalapa (México) y Miraflores (Perú). Todas las alcaldías participantes son consideradas de igual importancia para el proyecto. Se promueve un intercambio activo de información y experiencias entre ellas, reconociendo sus distintos niveles de avance en el uso de big data. La gobernanza incluye la participación de miembros del Comité Directivo (CD) de cada ciudad, asegurando un proceso participativo e interactivo.

4. Resultados Tangibles y Entregas del Proyecto

El proyecto ha generado diversas entregas tangibles y actividades clave:

• Sitio Web del Proyecto: Una plataforma en línea que contiene información clave en portugués, español e inglés, y enlaces a los datos abiertos de las ciudades participantes.
• I Encuentro Regional del Proyecto: Celebrado en São Paulo en mayo de 2019, reunió a representantes de las ciudades y expertos para presentar proyectos, discutir beneficios y desafíos en las políticas públicas basadas en evidencia, y abordar aspectos legales, tecnológicos e institucionales.
• Plataforma Ambiente Online de Registro, Validación y Disposición de Datos (AOCD): Un sistema dinámico para la catalogación de fuentes de datos, que permite recibir y disponer información y mapeo de fuentes de las ciudades.
• Inversiones Adicionales: Se estructuró un entorno de captura, almacenamiento y procesamiento de big data específico para las ciudades. Se desarrolló un sistema automatizado de captura de datos en modelo serverless y un sistema de informe semanal automatizado basado en datos de Waze (atascos, inundaciones, agujeros, accidentes, semáforos defectuosos), con potencial de ampliación al acceder a bases de datos municipales. Se proporcionó acceso a la plataforma Amazon Web Services (AWS) a cada ciudad participante, y se realizó un webinar de capacitación para su uso. El proyecto también fue presentado en eventos internacionales.

5. Lecciones Aprendidas y Desafíos en la Implementación

La implementación del proyecto ha permitido identificar importantes lecciones y desafíos:

• Compromiso de las Ciudades: Se observó un fuerte compromiso y colaboración, lo que estimuló un sentido de pertenencia.
• Reuniones Periódicas: Las reuniones con el Comité Directivo (CD) por videoconferencia fueron cruciales para la transmisión de información, orientación y fomento del compromiso.
• Desafíos en la Priorización de la Agenda: Las demandas locales y operativas (ej., inundaciones, crisis, eventos, cambios de políticas o personal) pueden afectar el cronograma o la participación de una ciudad.
• Cambios en los Miembros de los Comités Directivos: Las rotaciones de personal en los CD pueden influir en la participación continua.
• Reuniones Mensuales del Comité Técnico: Son fundamentales para la alineación, discusiones colaborativas y la integración de diferentes áreas de conocimiento.
• Actualización de Bases de Datos: Se evidenció la movilización de las ciudades para actualizar y mejorar la calidad de sus bases de datos, lo cual es vital para el proyecto.
• Diferentes Contextos de las Ciudades: La diversidad en los contextos y niveles de madurez de las ciudades en el uso de datos representa un desafío para la estandarización y adaptación uniforme de los datos y actividades.

6. Análisis y Recomendaciones para la Creación de Equipos de Big Data en Ciudades Específicas

El informe presenta una propuesta de modelo de ley/decreto para la creación de equipos gestores de Big Data en cada ciudad, adaptando las recomendaciones a sus particularidades.

• Estrategia de 5 Pasos para la Creación de un Equipo Gestor de Big Data:

  1. Elaboración y Aprobación de Política de Datos Abiertos: Publicar datos gubernamentales en una plataforma única, automática y periódicamente alimentada, en formatos analizables.
  2. Formación de Asociaciones para Proyectos de Análisis de Datos: Colaborar con la academia y la sociedad civil en proyectos piloto para demostrar el valor del análisis de datos.
  3. Creación de un Equipo de Análisis de Datos por Acto Administrativo: Si es posible sin aumento de gastos ni creación de nuevos cargos, establecer un equipo de análisis de datos mediante un acto administrativo.
  4. Celebración de Asociaciones Público-Privadas para Recolecta y Tratamiento de Big Data: Iniciar proyectos de análisis extensivo de Big Data con el sector privado, asegurando un marco legal que proteja la propiedad, privacidad y seguridad de los datos públicos. La participación de la sociedad civil es crucial para la legitimidad y supervisión de estas reglas.
  5. Creación de un Equipo Gestor de Big Data mediante Instrumento Legislativo: Establecer un equipo gestor de Big Data a través de una ley o instrumento legislativo local para garantizar su permanencia, asignar recursos humanos y técnicos, y fomentar asociaciones más profundas. Generalmente, esto es necesario cuando se crean nuevos puestos o se incrementan los gastos.

• Consideraciones Importantes antes de Implementar el 5º Paso:

  • Verificar si ya existe una política de datos abiertos avanzada.
  • Evaluar si se tienen proyectos de análisis de datos en curso con apoyo externo.
  • Determinar si hay condiciones para alojar un equipo de análisis de datos sin aumentar gastos (mediante un acto administrativo simple).
  • Asegurarse de tener la capacidad para realizar acuerdos público-privados sofisticados con mecanismos de control, incluyendo la sociedad civil.
  • Contar con recursos humanos y financieros adecuados y una alineación clara con otros proyectos de innovación.

7. Panorámica de Implementación por Ciudad

El documento analiza la situación de cada ciudad y propone un camino específico para la implementación de equipos de Big Data:

• Miraflores (Perú): La municipalidad cuenta con autonomía para decidir sobre el desarrollo local. Se recomienda la modificación de la Normativa de Organizaciones y Funciones (ROF) y el Cuadro para Atribución de Personal (CAP) mediante ordenanza para ampliar las funciones de la Gerencia de Sistemas y Tecnologías de la Información, o de la Subgerencia de Racionalización y Estadísticas, incluyendo una "Subgerencia de Apertura y Análisis de Datos". No obstante, debido a limitaciones presupuestarias y de creación de nuevos puestos, a corto plazo se sugieren asociaciones con la academia y el sector privado para proyectos piloto y la firma de una Carta de Intención para fomentar el análisis de datos.
• Montevideo (Uruguay): La ciudad presenta un escenario avanzado con un Departamento de Desarrollo Sostenible e Inteligente y una Gerencia de Tecnología para Ciudades Inteligentes que ya incluye una unidad de análisis de datos. La creación o ampliación de las funciones para integrar Big Data puede realizarse mediante una Resolución del Intendente, lo que implica menos burocracia. Se recomienda ampliar las competencias de esta Gerencia para abarcar el desarrollo de estrategias de Big Data, colaboración interdepartamental, y formación de personal. Se destaca la necesidad de un equipo más multidisciplinario y la importancia de la integración técnica de datos de convenios existentes, como con Waze.
• Quito (Ecuador): Es considerada una "Smart City" con alta penetración de internet y el Sistema Metropolitano de Información. La Dirección de Gestión de la Información es la entidad más adecuada para un equipo de Big Data. La ampliación de sus funciones para incluir Big Data podría realizarse mediante una enmienda a la Ordenanza Metropolitana N.º 101, requiriendo la aprobación del Concejo Metropolitano. Existen desafíos en la alta rotación de personal y la infraestructura tecnológica para un análisis de Big Data a gran escala, a pesar de la buena infraestructura para gestión de datos transaccionales. Un convenio con MINTEL busca proyectos para una "nube de gobierno" y un "Centro Integrado de Operaciones y Sistemas".
• São Paulo (Brasil): La ciudad cuenta con diversas iniciativas tecnológicas y una ley de protección de datos (LGPD). La Secretaría Municipal de Innovación y Tecnología (SMIT), con su Departamento de Datos y Métodos para la Innovación (DMIN), es la mejor ubicada para albergar un equipo de Big Data. Si la creación de este equipo implica nuevos cargos o aumento de gastos, se requerirá una Ley propuesta por el Alcalde. Si no, podría hacerse mediante Decreto, ampliando las competencias del DMIN. Los acuerdos con el sector privado requieren cláusulas contractuales cuidadosas.
• Xalapa (México): Muestra voluntad política para implementar el uso de tecnología y datos. La Dirección de Gobierno Abierto es la unidad más alineada para un equipo de Big Data. Sin embargo, la ciudad enfrenta el desafío de la dispersión y pérdida de datos debido a transiciones de gobierno y la falta de estandarización en la apertura de datos. Se recomienda empezar con el análisis de los datos públicos disponibles y la mejora de la sistematización, con la posible ampliación de las funciones de la Dirección de Gobierno Abierto mediante un Acuerdo del Cabildo.

8. Conclusiones y Futuras Direcciones

En general, la implementación exitosa de un equipo de Big Data en ciudades de ALC requiere:

• La consolidación de políticas de datos abiertos y la implementación de proyectos piloto de análisis de datos para demostrar su valor y correlaciones.
• La formalización del equipo mediante un instrumento normativo (Ley o Decreto), considerando las especificidades de cada ciudad en cuanto a la creación de puestos y la asignación presupuestaria.
• La necesidad de contar con recursos humanos multidisciplinarios y una infraestructura tecnológica adecuada para la recolección, almacenamiento, procesamiento y análisis de grandes volúmenes de datos.
• La elaboración de acuerdos de colaboración con el sector privado y la academia, prestando especial atención a la propiedad y seguridad de los datos.

El progreso de cada ciudad dependerá de su nivel actual de madurez en la gestión de datos, con algunas ciudades ya preparadas para expandir sus capacidades existentes y otras necesitando primero establecer un marco básico para la interoperabilidad y transparencia de datos.

Casos de Uso de Big Data en Transporte y Movilidad Urbana

 

El Big Data, que se refiere a la recopilación, almacenamiento y análisis de grandes volúmenes de datos que no pueden manejarse con herramientas tradicionales, está revolucionando la planificación y gestión del transporte. Se considera un aliado fundamental para las ciudades en la lucha contra la congestión y para mejorar la movilidad urbana.

Históricamente, la planificación del transporte se basaba en encuestas origen-destino, que eran costosas, infrecuentes y limitadas en alcance. Sin embargo, la digitalización y la proliferación de dispositivos móviles y sensores han dado lugar a una nueva generación de fuentes de datos masivos que ofrecen información valiosa sobre los patrones de actividad y movilidad de la población.

A continuación, se presenta un listado de casos de uso y una descripción de cómo se aplica el Big Data en el transporte y la movilidad urbana:

• Optimización de rutas y horarios:
• El análisis de datos en tiempo real de sensores, GPS, tarjetas de pago y teléfonos móviles permite diseñar rutas más eficientes, reducir tiempos de viaje y costos operativos.
• Se pueden ajustar dinámicamente rutas y frecuencias de servicio. Por ejemplo, en Gijón (España), el simulador del proyecto SIADE SaaS permitió identificar que cambios en una ruta de autobús aumentarían la velocidad comercial, y se implementaron sugerencias para una ruta circular en el nuevo Plan de Movilidad de la ciudad.
• En el transporte de larga distancia, el Big Data se usa para optimizar las rutas más rentables.

• Gestión de tráfico y mitigación de la congestión:
  • El análisis de patrones de tráfico permite la implementación de sistemas de gestión dinámica, mejorando la fluidez y reduciendo las aglomeraciones.
  • Los datos permiten identificar vías con mayor nivel de congestionamiento en diversas horas del día y señalar zonas críticas para intervención.
  • También se puede predecir el impacto de perturbaciones en el tráfico, como eventos masivos o protestas, anticipando acciones para mitigar demoras.
  • Un estudio del Banco Interamericano de Desarrollo (BID) utilizó millones de datos de la plataforma Waze para analizar las características y costos de la congestión en 10 ciudades de América Latina y el Caribe.
• Planificación de la demanda y modelos de movilidad:
  • Permite un conocimiento profundo de los patrones de demanda, esencial para mejorar la asignación de recursos y diseñar medidas que alineen las necesidades de desplazamiento con los objetivos de sostenibilidad.
  • Se pueden actualizar las matrices de viajes de las ciudades de manera más periódica y completarlas con patrones no incluidos en las matrices tradicionales.
  • El proyecto SIADE SaaS puede inferir hasta el 88% de los destinos de los pasajeros con una precisión del 96%, siendo más rápido, menos costoso y más completo que la metodología tradicional de entrevistas.
  • El Ministerio de Transportes, Movilidad y Agenda Urbana (MITMA) de España ha sido pionero en el uso de datos de telefonía móvil para obtener matrices origen-destino a gran escala, caracterizando con precisión los desplazamientos interprovinciales y su variabilidad para planificar el transporte público.
• Mejora de la experiencia del usuario y servicios personalizados:
  • La recopilación de datos sobre la satisfacción y el comportamiento del usuario permite mejorar la oferta de servicios personalizados y comunicativos.
  • Los pasajeros pueden acceder en tiempo real a información sobre horarios, retrasos y alternativas de rutas, lo que les proporciona mayor control y flexibilidad.
  • Empresas como Uber utilizan Big Data para optimizar la asignación de vehículos, calcular rutas eficientes y ofrecer tiempos de espera precisos, además de identificar patrones de comportamiento para ofrecer promociones personalizadas.
• Mantenimiento predictivo y seguridad:
  • Permite optimizar el mantenimiento de unidades según el uso real y el rendimiento de las flotas, a través de alertas tempranas que previenen fallos.
  • El Metro de Nueva York, por ejemplo, utiliza algoritmos avanzados para predecir fallos y realizar mantenimiento preventivo, reduciendo los tiempos de inactividad.
  • En la logística y distribución, la captación de datos de cámaras y sensores ayuda a monitorear los hábitos de conducción para reducir incidentes y averías, y ahorrar combustible.
  • Los datos pueden contribuir a identificar tramos con un mayor índice de siniestralidad e intersecciones que requieren intervenciones urgentes, así como patrones de movilidad en zonas de primera necesidad (hospitales, escuelas) para mejorar la seguridad vial.
• Monitorización continua de la movilidad:
  • La recogida continua de datos permite un seguimiento casi en tiempo real de la movilidad. Un ejemplo destacado es el estudio del MITMA durante la pandemia de COVID-19, que monitorizó la movilidad a nivel estatal desde marzo de 2020 con solo tres días de desfase, para verificar el cumplimiento de las restricciones y adaptar la oferta de transporte.
• Desarrollo de nuevas aplicaciones y tecnologías:
  • La demanda de información al viajero en tiempo real y la navegación GPS ha impulsado el desarrollo de aplicaciones móviles para teléfonos inteligentes, creando nuevas oportunidades de mercado.
  • La automatización progresiva de los servicios de movilidad, incluyendo los vehículos autónomos y conectados, facilitará la recopilación de datos de demanda de transporte.
• Análisis predictivo:
  • La disponibilidad de bases de datos históricas con alto nivel de detalle permite el desarrollo de modelos predictivos basados en técnicas de inteligencia artificial. Estos modelos pueden nutrirse de patrones cíclicos de demanda, la incidencia de eventos puntuales y la meteorología. El simulador de SIADE SaaS puede predecir con un 93% de precisión los cambios en el flujo de pasajeros tras alterar elementos de una red de transporte.
• Control de costes y eficiencia de recursos:
  • El Big Data permite hacer más con menos, optimizando los recursos y reduciendo los costes operativos al evitar rutas vacías, recorridos ineficientes y sobreuso de unidades.
  • Los análisis de grandes volúmenes de datos permiten a las empresas predecir y aproximar los costes asociados a sus flotas.
• Reducción del impacto ambiental:
  • Al analizar las emisiones y el consumo de energía, el uso de datos facilita la implementación de sistemas de transporte público más sostenibles, promoviendo el uso de vehículos eléctricos e híbridos y optimizando rutas para disminuir las emisiones contaminantes.

La implementación del Big Data en el transporte implica retos como la recopilación y gestión de grandes volúmenes de datos, la interoperabilidad entre sistemas, y la seguridad y privacidad de los datos. Sin embargo, sus beneficios son tangibles, mejorando la eficiencia operativa, la experiencia del usuario y la capacidad de planificación estratégica.

LEAN UX

 

Analisis Exploratorio de Datos

 

Agile Delivery Managment:Proyectos Enforcados en Resultados

 

DATA WAREHOUSING Y MODELADO OLAP