Nuevas fuentes de datos para una nueva gestiรณn de la movilidad. Creaciรณn y mantenimiento de modelos de transportes
Estudios de demanda Buscamos predecir la demanda futura de transporte antes de que se haya construido la infraestructura. Por ejemplo Ap-1.
Pรกg. 2 Orr.
¿Qué buscan nuestros clientes? Predicciones lo más acertadas posibles para tomar decisiones, tanto de gestión de la infraestructura como previsiones financieras
Pág. 3 Orr.
Modelo clásico de 4 etapas: 1. Generación/Atracción 2. Distribución 3. Reparto modal 4. Asignación
¿Por qué se sigue este modelo?
Pág. 4 Orr.
Porque los datos de partida eran: 1. Pocos. 2. Basados en encuestas. 3. Aislados 4. Costoso
Pรกg. 5 Orr.
Modelo de 4 etapas tradicional
Pรกg. 6 Orr.
Modelo de 4 etapas + Ticketing + SAE
Pรกg. 7 Orr.
Big Data
Pรกg. 8 Orr.
¿Qué resuelve el Big Data? 1. Reduce incertidumbres. Data - Driven 2. Reduce costes. Menos trabajo de campo 3. Aumenta calidad. 4. Incrementa la definición de los estudios. En espacio y tiempo
Pág. 9 Orr.
¿Qué problemas tiene el Big Data? 1. Es realmente grande (Big) 2. Nuevos formas de trabajar, nuevos enfoques. 3. Hacerse las preguntas correctas. 4. GIGO. 5. Fusión de datos.
Pág. 10 Orr.
Pรกg. 11 Orr.
Estudios de demanda de la movilidad. ¿De donde a donde voy? ¿dónde trabajamos? ¿Dónde dormimos?
Análisis del comportamiento de mercancías. ¿Por donde se mueven las mercancías? ¿Dónde pernoctan? ¿cuánto tiempo están en las carreteras vascas?
Movilidad de eventos especiales. ¿Qué movilidad genera ferias como la de Santo Tomas o días especiales como las operaciones salida de vacaciones?
Pág. 12 Orr.
Gracias Eskerrik asko Thank you
Carlos Balado Larrazabal Ingartek Consulting SL Socio fundador balado@ingartek.com