Durante la época de los confinamientos de 2020 y 2021, muchos nos vimos tratando de aprender sobre temas que siempre nos llamaron la atención, pero que nunca le sacamos el tiempo para; hacer esa receta que vimos en YouTube, cómo aprender a cantar (sin desafinar en la ducha) o como aprender sobre los diferentes temas que nos apasionan. Con todo este tiempo adicional que apareció de repente, decidí actualizarme e investigar sobre los nuevos desarrollos en Sistemas de Información Geográfica (SIG) y saber qué novedades había en el tema. Para mi sorpresa, no solo se han generado nuevos procesos y metodologías, sino que los desarrollos tecnológicos han permitido que pasemos de análisis basados en SIG, a lo que ahora denominan en la industria como “Ciencia de Datos Espaciales”.

Los SIG (Sistemas de Información Geográfica) se enfocan en el análisis y la visualización de datos geoespaciales utilizando herramientas específicas para ese fin, como capas y mapas. Estos sistemas se han utilizado tradicionalmente para la planificación urbana, la gestión ambiental y la cartografía, entre otros.

Por otro lado, la Ciencia de Datos Espaciales se enfoca en el análisis de datos geoespaciales utilizando técnicas avanzadas de ciencia de datos, como el aprendizaje automático, la minería de datos y la estadística espacial. La Ciencia de Datos Espaciales también puede utilizar herramientas SIG, pero su enfoque es más amplio y se centra en la exploración y el análisis de patrones y relaciones en los datos geoespaciales.

Tuve la oportunidad de asistir a las ediciones de Spatial Data Science Conference (SDSC) 2020 y 2021 organizadas por Carto, donde diversas organizaciones compartieron cómo utilizan estas tecnologías. A continuación les resumo algunas de la experiencias y casos de uso:

• Booking.com con Michele Ferretti.

Ferretti discute cómo la ciencia de datos espaciales está siendo utilizada en Booking.com para mejorar la experiencia del cliente y mejorar las recomendaciones de viaje. Booking.com utiliza la ciencia de datos espaciales para analizar diversos tipos de datos, incluidos datos geoespaciales, datos de comportamiento del usuario y datos contextuales. Estos datos se utilizan para obtener información sobre las preferencias de los usuarios, el comportamiento de viaje y las preferencias de diferentes tipos de alojamiento. Una de las aplicaciones clave de la ciencia de datos espaciales en Booking.com es la personalización de recomendaciones de viajes para los usuarios. Ferretti explica cómo utilizan algoritmos de aprendizaje automático (Machine Learning) para analizar los datos de los usuarios y hacer recomendaciones personalizadas para hoteles, restaurantes y otras actividades relacionadas con los viajes.

Otra aplicación de la ciencia de datos espaciales en Booking.com es la identificación de patrones y tendencias en el comportamiento de viaje. Ferretti describe cómo utilizan datos geoespaciales para comprender dónde viajan los usuarios, qué tipos de actividades realizan y cuánto tiempo pasan en diferentes lugares.

En general, se está utilizando la ciencia de datos espaciales en Booking.com para proporcionar recomendaciones personalizadas, mejorar la experiencia del cliente y obtener información sobre el comportamiento y las preferencias de los viajeros. Al aprovechar herramientas de Machine Learning y otras técnicas analíticas avanzadas, Booking.com puede proporcionar recomendaciones más relevantes y útiles a los viajeros, ayudándolos a planificar y disfrutar de sus viajes de manera más efectiva.

• Moody’s Analytics

Moody’s tiene varios casos de uso de datos de ubicación en bienes raíces comerciales, incluido el análisis de mercado, la selección de sitios y la evaluación de riesgos. Por ejemplo, Moody’s Analytics utiliza datos de ubicación para identificar tendencias emergentes en los mercados de bienes raíces comerciales, como el crecimiento de industrias específicas o la expansión de ciertos negocios. Esta información luego se puede utilizar para ayudar a los inversores a tomar decisiones más informadas sobre dónde invertir en bienes raíces comerciales.

Moody’s Analytics también utiliza datos de ubicación para la selección de sitios, ayudando a las empresas a identificar los lugares más prometedores para nuevas tiendas o instalaciones. Al analizar factores como el tráfico peatonal, la demografía y la competencia, Moody’s Analytics puede ayudar a las empresas a optimizar su selección de sitios y mejorar su rendimiento. Para respaldar estos casos de uso, Moody’s Analytics utiliza una variedad de herramientas y conjuntos de datos, incluidos sistemas de información geográfica (GIS), datos demográficos y listados de negocios (locales en arriendo o venta). Explican cómo se utilizan estos conjuntos de datos para construir modelos predictivos, generar informes personalizados y proporcionar un análisis detallado de los mercados de bienes raíces comerciales. En general, destacan la importancia de los datos de ubicación en la investigación de bienes raíces comerciales y demuestran cómo las empresas pueden utilizar técnicas avanzadas de análisis y modelado para tomar decisiones más informadas sobre las inversiones inmobiliarias. Al aprovechar los datos de ubicación y otras fuentes de datos, las empresas pueden mejorar su rendimiento, optimizar su selección de sitios y mitigar el riesgo en un mercado cada vez más competitivo.

• The Shopping Center Group por Gregg Katz

Katz habla sobre cómo los avances en tecnología han cambiado la forma en que los profesionales de bienes raíces y minoristas (retailers) recopilan y analizan datos para tomar decisiones informadas sobre la selección de sitios. Una de las principales herramientas que menciona los datos de movilidad humana, que se recopilan de dispositivos móviles como teléfonos inteligentes y tabletas. Estos datos proporcionan información sobre el comportamiento del consumidor y los patrones de tráfico en tiempo real. The Shopping Center Group utiliza estos datos para analizar el tráfico peatonal, identificar los momentos más populares para ir de compras y rastrear el comportamiento del consumidor a lo largo del tiempo.

Katz también menciona el uso de la tecnología de sistemas de información geográfica (GIS) que permite a las empresas mapear y analizar datos espaciales. La tecnología GIS proporciona una representación visual de los datos, lo que permite una identificación más fácil de patrones y tendencias.

El Shopping Center Group también utiliza datos demográficos, que proporcionan información sobre las características de las personas que viven en una zona particular. Estos datos incluyen información sobre edad, género, ingresos, nivel educativo y otros factores que pueden afectar el comportamiento del consumidor.

Además, Katz menciona el uso de conjuntos de datos como datos de tráfico, datos meteorológicos y datos de punto de venta (POS). Los datos de tráfico proporcionan información sobre el volumen y el flujo de tráfico en una zona particular, mientras que los datos meteorológicos pueden ayudar a identificar cómo los patrones climáticos afectan el comportamiento del consumidor. Los datos POS proporcionan información sobre las ventas y las transacciones en tiendas individuales, lo que permite a las empresas rastrear las tendencias de ventas e identificar ubicaciones con un alto rendimiento.

• Sainsbury’s por Tim Rains

El retailer británico Sainsbury’s tiene una gran y diversa cartera de tiendas, desde grandes supermercados hasta pequeñas tiendas de conveniencia. Rains enfatiza la importancia de entender los diferentes tipos de tiendas y sus características únicas para optimizar su rendimiento y mejorar la experiencia del cliente.

Para hacer esto, Sainsbury’s está utilizando una combinación de datos geoespaciales, datos de clientes y otras fuentes de datos para desarrollar una serie de tipologías de tiendas. Rains explica cómo están utilizando algoritmos de aprendizaje automático y otras técnicas avanzadas de análisis para identificar patrones y relaciones en los datos y desarrollar modelos predictivos para el rendimiento de las tiendas.

Uno de los casos de uso clave para las tipologías de tienda, es la optimización de los diseños de tienda y las gamas de productos. Rains describe cómo Sainsbury’s está utilizando las tipologías de tiendas para comprender mejor las necesidades y preferencias de los clientes en diferentes tipos de tiendas, y para adaptar la gama de productos y la disposición a esas necesidades.

Otro caso de uso para las tipologías de tiendas es la mejora de la eficiencia operativa. Rains explica cómo Sainsbury’s está utilizando las tipologías de tiendas para identificar oportunidades de mejora de procesos y para optimizar los niveles de personal y otros factores operativos.

Realmente puedo decir que estas charlas fueron bastante inspiradoras e enriquecedoras. Con la tecnología actual podemos hacer cosas que antes solo podíamos soñar. Del mismo modo nos permite hacer grandes cantidades de análisis de datos que antes tendría que generar alguien por semanas o meses, lo que hacía la tarea inviable. En Estratego todavía estamos en proceso continuo de aprendizaje, pero nos enorgullecemos de poder decir en este momento que podemos desarrollar la gran mayoría de análisis en los casos de uso expuestos en este artículo. Siempre trabajamos con la idea de adaptarnos, no solo al cambiante entorno tecnológico, sino también a las necesidades específicas de cada cliente.