El documento describe cómo Telefónica utiliza datos de telecomunicaciones de forma anónima y agregada para generar insights que ayudan a abordar desafíos sociales como el cambio climático, la calidad del aire, la pobreza y la respuesta a desastres. Se explica cómo los datos móviles pueden revelar patrones de migración después de desastres naturales como inundaciones e identificar el origen de la ayuda humanitaria. También se detalla el desarrollo de una herramienta basada en datos para revisar indicadores de p
2. Telefónica: una historia de 95 años de anticipación y transformación...
De la voz a los datos
48,7
Mil millones de
euros de ingresos
+120 mil
Empleados
16
Países
365
Millones de accesos
B2B: ingresos de
la Compañía
Servicios digitales
avanzados
21% 35,8% 1924 1971 1990 1995 2011 2018
Servicio
telefónico fijo
Telefonía
Móvil
Internet
Productos y
servicios digitales
(Cloud, Big Data,
IOT, Seguridad)
IA
Blockchain
Multicloud
3. 17 ODS
161 Metas (targets),
241 Indicadores (KPIs)
De los 241 KPI a monitorear**:
• 98 (41%) Datos producidos
regularmente (nivel I)
• 50 (21%) La metodología existe
pero no hay datos (nivel II)
• 78 (32%) No existe metodología
internacional (nivel III)
• 15 (6%) Indicadores actualmente
sin clasificar
Nuestra sociedad enfrenta grandes desafíos…
entre ellos medir el desarrollo sostenible
52%*
de los ODS requieren
compromisos por
parte del sector
privado
*DNP (2016)
**Grupo de expertos en SDGs de Naciones Unidas
4. De conexión
de personas
* GSMA (2019)
**OCDE (2019)
Conexiones SIM*
7,9 9,2
103% 112%
A conexión
de cosas
En 2022 estarán conectados
objetos por persona
alrededor del mundo.**
2018 2025
9,1 25,2
2018 2025
Conexiones IOT*
MILES DE
MILLONES
MILES DE
MILLONES
MILES DE
MILLONES
MILES DE
MILLONES
La conexiones móviles siguen multiplicando el poder de los datos
3
2011
2012
2013
2014
2015
2016
2017
2018
2019
2020
2021
2022
2023
X250
Proyección de tráfico de datos
en dispositivos móviles 2011-
2023 (Petabytes)
5. Cómo encontrar valor en los datos
Iluminación nocturna
Ocupación del terreno
Tipología de
construcción
6. Movilidad
El valor de los CDRs y XDRs
Indicadores por antena
(activity, pop. density…)
Grafo social
7. Generamos ricos “insights” a partir de nuestros 350 millones de clientes
garantizando siempre su privacidad
De los datos a los “insights”
Encontrando valor en los datos para proyectos de bien social
Extracción Anonimización Extrapolación Agregación
8. Casos de uso a partir de la huella de telecomunicaciones
Cambio climático en zonas rurales
• Desplazamientos forzados internos (Colombia)
• Ganaderia Climáticamente Inteligente (Ecuador)
Calidad del Aire en zonas urbanas
• Predicción de la contaminación (España, Brasil)
• Cuantificación de emisiones (Alemania)
Pobreza y métricas de desarrollo
• Mejorando las métricas de los ODS con
datos telco (España y Centroamérica)
Respuesta ante desastres naturales
• Iniciativa Magic Box (Colombia)
• Impacto del terremoto 2017 (Mexico)
Epidemias & predicción
• Análisis de expansión del Zika (Colombia, Brasil)
• Análisis de expansión del sarampión (Brasil)
• Impacto de movilidad asociado a Gripe A (Mexico)
10. ¿Cómo se refleja un desastre natural en los datos de las telecomunicaciones?
1 2 3
La actividad a nivel de
antena permite identificar
el momento del desastre y
la localización por volumen
de personas afectadas.
Cambios en patrones de
presencia y movilidad en la
zona del desastre
Integrando datos de terceros
para mejorar la calidad de la
monitorización (clima, redes
sociales, satélite, etc)
11. Rejilla 500m: Aumento al sur vs. Disminución al norte
Aquí se presentan ambos
patrones uno frente al otro
relativos al río Mulato:
• En el norte, gran disminución
• En el sur: predominio de
aumento de población con
algunos días días que
disminuye.
12. Población afectada durante 2 semanas
Seleccionamos este
grupo de población.
Este gráfico muestra
que se ausentaron
de Mocoa durante
dos semanas
después de la
inundación.
El grupo
seleccionado son
unos 1640
individuos
(extrapolados).
En el mapa se
representan los destinos
a los que se desplazó el
grupo de población
seleccionado.
Color más intenso
representa mayor
cantidad de población
desplazada a esos
municipios.
Aquí se muestra la
evolución
temporal de los
destinos de la
población que emigra
temporalmente fuera
de Mocoa.
Los municipiosmás
elegidos como destino
de esta “migración
temporal” de 2 semanas:
Pasto, Sibundoy,
Bogotá, Pitalito, …
Agrupa los
destinos por
Departamentos.
13. Población que acudió a Mocoa tras la inundación
Este grupo de población
normalmente no está en
Mocoa (ausentes las primeras
semanas) pero el gráfico
muestra que sí estuvieron a
partir de la inundación.
Probablemente son personas
que acudieron a prestar
ayuda.
El grupo
seleccionado son
unos 228
individuos
(extrapolados).
La procedencia de este
“grupo de ayuda” es sobre
todo de Bogotá, Florencia,
Neiva, Rivera y Pasto.
Probablemente hay tanto
fuerzas de ayuda
institucional como individuos
que acuden a ayudar a sus
familias.
Interesante
contrastar datos
oficialesde
procedencia de
ayuda
institucional.
14. Principales insights
1 2 3 4
Dos patrones diferentes de
volumen de población al
norte (disminución) y al sur
(aumento) del río Mulato
Destinos de migración para
afectados durante 2
semanas
(~1600)
Pasto, Sibundoy, Bogotá
Destinos de migración para
afectados durante 4 semanas
(~1200)
Pasto, Puerto Caicedo,
Sibundoy, Puerto Asís
Orígenes de la ayuda que
acude a Mocoa
(~200 sobre todo los
primeros días)
Bogotá, Florencia, Neiva,
Rivera y Pasto.
18. Metodología de medición de pobreza
Metodología tradicional
• Fuentes de datos oficiales:
• INE (Encuesta de condiciones de vida,
desempleo, etc)
• Censo, Hacienda, Catastro, Ayuntamientos
• Urban Audits
• “Ground truth” con una metodología robusta.
• Elevado número de variables socioeconómicas.
• Baja granularidad espacial y temporal.
• Baja tasa de refresco
• No permite identificar fácilmente dinámicas
poblacionales (tampoco digitales).
• Dependencia de encuestas
• Integración y análisis de fuentes de datos oficiales +
datos privados + datos de plataformas pago + redes
sociales
• Aplicación de modelos de Machine Learning e
Inteligencia Artificial
Metodología Big Data
• Elevada granularidad y tasa de refresco
• Permite identificar patrones comportamentales
• Muestras masivas
• Creación de herramienta basada en datos
• Metodología aún necesita validación
• Algunas fuentes son de pago
21. Principios éticos para guiar el desarrollo de la
Inteligencia Artificial de Telefónica
Inteligencia artificial justa
Inteligencia artificial transparente y explicable
Inteligencia artificial centrada en las personas
Privacidad y seguridad desde el diseño
Trabajando con socios y terceros