En lo digital todo deja ‘huella’........... Y esto genera datos que pueden mejorar la eficiencia de las empresas de Transporte y Logística Big Data es una de las tecnologías más disruptivas e importantes del momento, que toda empresa que pretenda ser competitiva deberá abordar tarde o temprano. Harán falta herramientas para manejar ingentes volúmenes de datos, para predecir comportamientos, tomar decisiones con anticipación y lograr así la máxima eficiencia. Con nuestra solución IB Logistic Analytics for IoT podemos convertir en datos procesos y actividades que no podían ser medidos ni cualificados, y entre otras mejoras permite a las empresas de Transporte y Logística: • Aprovechamiento más rentable de cada litro de carburante adquirido con una reducción del consumo de combustible de hasta un 10%, pudiendo revertir en un aumento de los beneficios del 25-30%. • Mejora de la eficiencia de cada vehículo, gracias al control y seguimiento individualizado de cada uno. • Compromiso y sostenibilidad, gracias a la mayor eficiencia energética que podrá contribuir a la mejora de la imagen de la empresa y a la ampliación de la cartera de clientes. • Mejora de la seguridad de cada conductor. La monitorización en tiempo real de la actividad de los conductores alerta al sistema de maniobras peligrosas, pudiendo así establecer pautas para prevenir accidentes en carretera. Mas Info. www.ibermatica365.com

1. Diciembre 2016/ 0
El potencial de la
analítica avanzada y el
BigData en el sector de
Transporte y Logística
Webinar:

2. Diciembre 2016/ 1
En lo digital todo deja ‘huella’
Y esto genera datos que pueden ser explotados
Digitalización
Contexto para Analytics y BigData

3. Diciembre 2016/ 2
¿Qué entendemos por BigData?
BigData es la Datificación de “todo”
Pensamientos Cosas Actividades

4. Diciembre 2016/ 3
¿Qué entendemos por BigData?
Si pudiésemos hacer una
captura de lo que sucede cada
minuto en internet
obtendríamos una imagen como
esta …
 Desde 2013, el número de Tweets
ha aumentado un 25% hasta más
de 350.000 Tweets/minuto
 El uso de Youtube se ha
triplicado en los dos últimos
años: los usuarios suben 400h de
vídeo cada minuto!
 Los usuarios de Instagram hacen
Like a 2,5M de posts cada minuto.
 Desde 2013, el número de post
compartidos en Facebook ha
crecido un 22%, desde 2,5M hasta
3M por minuto
 4M de búsquedas se hacen en
Google cada minuto!
BigData es el resultado
de la “Explosión de los
Datos”
Fuente: Internet Live Stats

5. Diciembre 2016/ 4
Por qué BigData ahora
Drivers que impulsan su adopción
 Era del Internet of Things, donde
sensores y sistemas recogen datos
con estructuras múltiples e interactúan
automáticamente.
 Era Digital y Social, las webs y
aplicaciones móviles recogen y
exponen nuestro comportamiento.
 ‘Mercados’ de datos, apertura de los
datos por parte de las
administraciones públicas y el fomento
de los data markets.
 Cloud, tecnología y modelos XaaS.
 Aumento de la capacidad de
computación de los procesadores y
el ‘in-memory’ computing.
 Reducción del precio de
almacenamiento de datos.
Decisiones y
acciones basadas
más en el análisis
de datos y menos en
la experiencia e
intuición.
Drivers del BigData

6. Diciembre 2016/ 5
Qué es BigData – Las V’s
Más fuentes de datos y de mayor volumen
provenientes de humanos y de máquinas:
 Móviles
 Analítica web
 Logs de aplicaciones
 Sensores (en coches, casas, trenes,
instalaciones, etc.)
 Social media
 OpenData
 Históricos de aplicaciones
Gran incremento en el
volumen de los datos
disponibles
“Velocidad”: Los datos
en real time como fuente
de ventaja competitiva
El disponer de datos sobre lo ocurrido y lo
que puede ocurrir lo antes posible es una
fuente de ventaja competitiva. Por ejemplo:
 Proporcionando “insights” al negocio
sobre el comportamiento de clientes
en tiempo real
 Posibilitando nuevas estrategias de
negocio inspiradas por los datos
 Ofreciendo recomendaciones a
clientes en tiempo real
 Predicciones más efectivas, ya que se
cuenta con más datos
Mayor variedad de
formatos en los datos
disponibles
 Estructurados (logs, históricos, sensores, etc.)
 No-estructurados (textos, documentos, vídeos,
imágenes, etc.) provenientes de dispositivos
móviles, sensores y otros dispositivos
Cambio de
paradigma en el
tratamiento de la
información

7. Diciembre 2016/ 6
alor
La V principal del BigData

8. Diciembre 2016/ 8
¿Analizar más datos para qué?
● Conocer mejor la realidad en la que actuamos
● Ofrecer mejores servicios y funcionalidades
basados en la analítica
● Exponer-Monetizar ese conocimiento
Clientes-Ciudadanos
Procesos internos
Competencia
Personalización
Recomendación
Predicción
Economía API
OpenData

9. Diciembre 2016/ 9
Tendencias en la industria de la Transporte
Tendencias en Transporte
Aumento de la colaboración. Búsqueda permanente de
sinergias en transporte, almacenamiento, información,
inversión y uso de tecnología
Industry 4.0 – Transporte 4.0: Los mundos de la
automatización y de las TIC están convergiendo
Responsabilidad Social Corporativa y Sostenibilidad
Visibilidad en la cadena de suministro
Monitorización de recursos

10. Diciembre 2016/ 10
¿Cambiará el BigData la industria del Transporte?
Fuente: KPMG “The future of Logistics”

11. Diciembre 2016/ 11
Mejorar productos
y servicios
Mejorar la capacidad
operativa y la eficiencia
Optimizar la ruta y
los kilómetros en vacío
Optimización del
inventario
Controlar riesgos
El Análisis de Datos proporciona nuevos métodos para
abordar estos desafíos
¿Cambiará el BigData la industria del Transporte?

12. Diciembre 2016/ 12
Evolución de los
procesos y los
productos
Mejor trazabilidad de
los productos
Mejor control de la
flota de vehículos,
actividad de los
almacenes, de los
pallets…etc
Valor del BigData en la gestión del Transporte
Mejor gestión de
los activos
Permite ajustar la
oferta de un producto
concreto a cada
cliente.
Previsión más
segmentada y ajustada
De la demanda
Información de los
dispositivos constate
y en tiempo real
Mantenimiento
preventivo,
ligado al IoT
Parámetros de
negocio para adaptar
los precios a la
demanda de
productos y costes
logísticos
Fijación dinámica
de precios Permite la reducción
de los niveles de
inventario
Optimización de
inventarios
Estudio de diferentes
variables para
escoger la ruta más
óptima
Optimización de
rutas Permite reducir los
niveles de
contaminación
Sostenibilidad –
contaminación
Reducción de los
kilómetros en vacío.
Optimización de la
Red de Transporte
Optimización de la
carga en base a
diversas variables.
Mejor planificación
de cargas

13. Diciembre 2016/ 13
Cambios gracias al Big Data en el Sector Transporte
 Gracias al BigData, las empresas de
Transporte han conseguido:
1. Mejorar el servicio al cliente y los
niveles de cumplimiento de la
demanda.
2. Permite generar tiempos de
reacción más rápidos y eficientes
ante cualquier problema en la
cadena logística.
3. Un aumento en la eficiencia de la
cadena logística.
4. Una mejor integración de todo el
sistema logístico
5. La optimización del inventario y una
mejor productividad con el uso de
activos.
Fuente: Accenture 2015

14. Diciembre 2016/ 14
Disección de un proyecto de BigData

15. Diciembre 2016/ 15
Gasto en combustible
Amortización del vehículo
Reparaciones y mantenimiento
Costes fiscales
Seguros
Dietas
Neumáticos
Financiación
Personal de conducción
El gasto en combustible supone
aproximadamente el 1/3 del gasto total
Se desconoce el gasto por consumo de
combustible de forma anticipada y no se hace
un consumo eficiente de dicho combustible
Disección de un proyecto de BigData en Transporte
Situación y problemáticas en las empresas del sector
Principales partidas en la
cuenta de resultados
25-35%

16. Diciembre 2016/ 16
Disección de un proyecto de BigData en Transporte
Aspectos Tecnológicos a tener en cuenta
Analítica
avanzada
Almacenamiento y
procesamiento de
datos
BigData
Visualización
Real-time

17. Diciembre 2016/ 17
Disección de un proyecto de BigData en Transporte
Diseño conceptual de la solución
Datos
 Datos vehículo
 Tacógrafo
 Comportamiento conductor
 Características de la ruta
 Combustible
 Datos meteorológicos
Plataforma de Big Data
Variables influyentes en
el consumo
de combustible
Ahorro en el consumo
de combustibleAlmacenamiento
Analítica Avanzada
 Modelos predictivos
 Correlaciones
 Regresión Logística
 Árboles de decisión
Objetivos
Visualización y
Análisis
Fuentes de datos

18. Diciembre 2016/ 18
Matriz
de datos
Vehículo
Carga
Conductor
Rutas
Fijos Histórico Snapshot
Largo / Alto / Ancho
Capacidad
Marca
Fecha mantenimiento
Peso
Ocupación
Origen
Destino
Educación
Prácticas
Desnivel
Rugosidad de la vía
Vías urbanas/autopista
Estaciones de servicio
Emisiones CO2
Consumo combustible
Ruta
Temperatura
Otras variables
Velocidad
Agenda descansos
Comportamiento tráfico
Uso de cinturón
Histórico de tráfico
Histórico de accidentes
Velocidad
Posición
Dirección
Temperatura
Otras variables
Estado de la agenda
Tiempo hasta la
próxima parada
Tráfico actual
Colas
Disponibilidad
Meteo Mapas meteorológicos
Histórico temperatura
Probabilidad de lluvia
Condiciones actuales
Temperatura actual
Disección de un proyecto de BigData en Transporte
Evaluación de las fuentes de datos

19. Diciembre 2016/ 19
Disección de un proyecto de BigData en Transporte
Fuentes de Datos
Navision
 Peso de la carga
 Tipo de la carga
 Temperatura carga
 Entradas de gasoil
 Cantidad,
lugar, fecha
e importe
Ficha del
vehículo
Continental
 Marca
 Antigüedad
 Motor
 Fecha último
mantenimiento
 Emisiones CO2
 Tacógrafo
 Vel. Media
 RPM
 Origen
 Destino
 Descansos
 Tiempo de
conducción
Otras
Fuentes
 Datos Meteorológicos
 Histórico
Temperatura
 Histórico lluvia
 Calendario
 Características de la ruta
 Desnivel promedio
 Rugosidad
 % vías urbanas
 Histórico de tráfico
 Histórico accidentes
 Precio del carburante
 Peajes
Detalle datos
Fuente
Formato de datos  Base de datos  Fichero csv  Varios

20. Diciembre 2016/ 20
Disección de un proyecto de BigData en Transporte
Plataforma BigData – Diseño conceptual
MeteoOpen
Data
Calendario
Geoloca-
lizaciónNavisionFicheros Sensores TacógrafoFuentes
Almacen-
amiento Nodo 1 Nodo 2 Nodo 3 Nodo n…………………………………..
Cuadros de mando Informes
Data Discovery
Data
Visualization
 Asociaciones
 Modelos predictivos
 Correlaciones
 Regresión Logística
 Árboles de decisión
 Redes Neuronales
 Detección de anomalías
Visualiza-
ción
Anal.
Avanzada

21. Diciembre 2016/ 21
MeteoOpen
Data
Calendario
Geoloca-
lizaciónNavisionFicheros Sensores TacógrafoFuentes
Almacen-
amiento
Visualiza-
ción
Analítica
Avanzada
Tecnologías de almacenamiento distribuido
Disección de un proyecto de BigData en Transporte
Plataforma BigData – Herramientas

22. Diciembre 2016/ 23
Detección de las variables que tienen más influencia en el consumo
de combustible
Recomendaciones para el consumo eficiente de combustible
Ahorro en gastos de mantenimiento (ruedas, etc…)
Mejora en la seguridad de los conductores
Disección de un proyecto de BigData en Transporte
Beneficios

23. Diciembre 2016/ 24
Demo BigData

24. Diciembre 2016/ 25
Empresa de
transportes
Flota de camiones
Sensores
1 2 3 …. 100

25. Diciembre 2016/ 27
Dato estructurado
procedente de BD Relacional
(características del camión y
del conductor)
Datos semi - estructurados
procedentes del tacógrafo o
sensores del camión
Fuentes de datos Plataforma de Big Data
Almacenamiento
Procesamiento
Visualización
Apache Zeppelin
Microsoft Power View
Demo BigData
Empresa de Transportes

26. Diciembre 2016/ 28
Analytics y BigData
Carlos Antón García
Consultor Big Data
c.anton@ibermatica.com
(+34) 628 698 598
¡Muchas gracias!