
La aplicación práctica de big data en el mundo real es tan amplia que aplica a todo tipo de sectores y áreas de actividad, cualquiera de ellos puede beneficiarse de los resultados derivados del análisis masivo de datos. Como muestra, presentamos tres ejemplos de soluciones sectoriales específicas basadas en big data, mostrando cómo son capaces de impactar en su entorno. Estos son tan solo unos ejemplos de la amplia variedad de escenarios de aplicación. De hecho, Fujitsu está desarrollando múltiples proyectos en sectores como defensa, seguridad, seguros, utilities y empresas del sector industrial.
Oficinas inteligentes
Smart ATM by Fujitsu
La banca y entidades financieras, conscientes de la potencia que encierran las tecnologías de big data para este sector económico, están apostando de forma clara por convertir las oficinas y sucursales de las entidades en “oficinas inteligentes”, capaces de anticiparse a los deseos de clientes individuales, estudiando a fondo los datos de cada uno de ellos y extrayendo conclusiones que derivan en servicios más personalizados, algo beneficioso tanto para el negocio como para el cliente final.
Dentro de este contexto desde Fujitsu hemos complementado esta iniciativa de “oficina inteligente” a través de toda una serie de soluciones capaces de ampliar la funcionalidad de los cajeros automáticos que actualmente se utilizan en el sector bancario, y que tradicionalmente tienen un uso relativamente estático y predefinido. El objetivo es ser capaces de determinar la huella digital de los clientes (para identificarlos mejor, con el conjunto de sus datos personales), empleando para ello técnicas de procesamiento de información interna y externa, estructurada y no estructurada.
Esto significa que, una vez que el cliente accede al cajero y se identifica (con su tarjeta, mediante técnicas biométricas, etc.), es posible ofrecerle un tratamiento mucho más personalizado al tener la posibilidad de incorporar no solo sus datos diarios y de históricos, sino también información externa. El objetivo final es el de obtener un perfil de usuario mucho más personalizado, a través del cual sea posible ofrecer los productos y servicios adecuados a cada persona.
Al contar con todos los datos relativos al cliente (incluidos los de redes sociales y otras fuentes digitales abiertas), se puede adaptar la interfaz con los elementos y productos más apropiados. Por ejemplo, mostrando las operaciones más frecuentes realizadas por el cliente y así, a través del trato personalizado, ofrecerle una interfaz adaptada al uso que él hace del sistema, además de a su nivel de vida y a su situación personal en cada momento mediante la sugerencia de productos financieros concretos. Esto no solo crea un espacio de confort e identificación dentro de la oficina, sino que segmenta de manera personalizada a los clientes, adelantándose a solucionar problemas futuros.
Tecnológicamente, integramos técnicas de extracción de datos internos y también obtenemos información procedente de fuentes abiertas, para procesarlas en un cluster Hadoop utilizando los algoritmos propios del negocio, y centralizándolo todo en un único indicador.
Y algo muy importante es que no solo planteamos el análisis de los datos internos de la empresa, sino que incorporamos a las tecnologías de procesamiento de big data la experiencia que el usuario está teniendo durante su interacción con el cajero, para obtener un feedback directo de la efectividad del sistema y mantenerlo en constante mejora.
El objetivo es obtener un perfil de usuario personalizado para ofrecer servicios adecuados a cada persona
Atención más eficiente
HealthCare Analytics
En los centros médicos y hospitales existe una enorme acumulación de información histórica de los pacientes, tanto en un formato digital como, todavía, en soportes físicos.
Todas estas fuentes contienen una increíble cantidad de datos extremadamente relevantes para la atención de los pacientes. Gracias a toda esta información es posible analizar, por ejemplo, los tratamientos recetados, la evolución de los pacientes en función de esos tratamientos, la efectividad de la atención, los cuadros más frecuentes y cómo se podrían prevenir o mitigar, etc.
Pero toda esta información —extremadamente valiosa— no está disponible actualmente para los médicos, una información que podría ayudarles en sus diagnósticos a la hora de elegir las vías de acción más recomendables o que más éxito han tenido en el pasado. La combinación de la experiencia del profesional de la medicina con los patrones que resultan del análisis de los datos históricos permite ofrecer una atención sanitaria más eficiente a nivel económico y, sobre todo, lógicamente, en lo que respecta a los propios pacientes, ya que permitiría acortar estancias en los hospitales, reducir procesos de convalecencia o elegir el tratamiento más efectivo para su cuadro médico.
Teniendo en cuenta todo este contexto, hemos desarrollado una serie de algoritmos de procesamiento en tiempo real, mediante los cuales somos capaces de optimizar la atención primaria y hospitalaria, y reducir la mortalidad y morbilidad (proporción de personas que enferman en un tiempo y lugar determinados) de pacientes con infecciones graves, y así reducir resistencias bacterianas.
Para conseguir este objetivo, procesamos grandes volúmenes de información histórica, que complementamos también con datos no estructurados, que en este caso suelen ser imágenes (como radiografías, resonancias y en general cualquier tipo de análisis por la imagen), además de grabaciones de audio. Tras estructurar y unificar la información, la solución que planteamos nos permite realizar predicciones y analizar la prescripción de los distintos antibióticos, evaluar su efectividad en las distintas dolencias y obtener datos concretos sobre cómo mejorar los tratamientos.
Además, una introducción del SNA (social network analysis) permite, adicionalmente, optimizar la atención en los centros de salud, modificando en tiempo real la forma de atender. En un paso posterior, esta información puede estar disponible para los médicos en el momento de realizar sus diagnósticos, constituyendo un elemento adicional en el que basar la decisión, el diagnóstico y el tratamiento, para poder obtener los más acertados.
El sistema, además, permite analizar el sentimiento (en este caso del grado de satisfacción o insatisfacción del paciente). A partir de los resultados, se obtiene un modelo de segmentación de la población y, además, es posible predecir la eficacia de la aplicación de determinados antibióticos para una patología determinada. Todo ello se realiza en función del análisis histórico de los datos procedentes de sistemas internos (datos demográficos, clínicos, etc.), enriquecido todo ello con la información que se puede capturar desde la red.
La combinación entre la experiencia profesional y el análisis permite ofrecer una atención sanitaria más eficiente
Optimización del transporte
Smart cities
En la Administración pública, la gestión eficiente de los recursos —tanto los monetarios como los humanos, de material y de infraestructuras— es una de las preocupaciones fundamentales. Las razones principales son dos: en primer lugar, porque se trata de recursos públicos y, en segundo lugar, porque su gestión afecta directamente al ciudadano. El transporte, por ejemplo, es uno de estos elementos, que afecta a los ciudadanos tanto de forma directa como indirecta. De hecho, las soluciones que mejoran el transporte suelen estar en la zona más alta cuando hablamos de la lista de las principales tareas que gestionan la mayoría de los ayuntamientos.
Conscientes de esta necesidad, en Fujitsu hemos creado un servicio especialmente pensado para llevar a cabo la gestión integrada de distintos tipos de datos relacionados con el transporte, que emplean técnicas analíticas de big data junto al uso de un modelo cloud computing.
Esta solución, que se ofrece en modalidad de servicio, permite tratar grandes cantidades de datos procedentes de múltiples fuentes:
- Vehículos de transporte público (autobuses, metro, tranvía, etc.).
- Vehículos privados (afluencia, horas, calles preferidas, etc.).
- Teléfonos inteligentes de los peatones en las zonas urbanas.
Toda esta información se recoge a través de distintos sensores colocados en el espacio urbano. Tras agregarla y analizarla a través de varias capas de datos, este servicio es capaz de proporcionar nuevos patrones de comportamiento a partir de los datos analizados, así como realizar una serie de predicciones acerca de cómo se comportará el tráfico al día siguiente.
Pero el sistema no solo proporciona datos de granularidad gruesa sobre el conjunto del tráfico, sino que, añadiendo el contexto del usuario (como su posición actual obtenida por geolocalización), puede ofrecer un cálculo de la ruta óptima basada en el punto de partida actual y el punto de destino deseado.
Lógicamente, este no es un sistema adecuado para autobuses, que deben seguir una ruta fija con independencia de las circunstancias del tráfico, pero sí resulta muy útil para transporte de mercancías, taxistas o para el ciudadano en general. Y como el sistema conoce todos los datos, no desviará ciegamente a todo el mundo, sino que tendrá en cuenta la capacidad de las rutas que sugiere como alternativa y las variará conforme se vayan saturando.
En el caso de los autobuses, metro o tranvías, sin embargo, puede sugerir una intensificación del número de vehículos en una misma ruta, en el caso de que el sistema detecte una gran afluencia de viajeros en una zona determinada, reduciendo así los tiempos de espera y previniendo saturaciones puntuales del sistema de transporte en cuestión.