Roberto Moreno Díaz
Prof. Ciencias de la Computación e Inteligencia Artificial en ULPGC
(En Servicios Especiales en Ayto. de Las Palmas de Gran Canaria)
Cuando se escriba, dentro de un tiempo, la Historia del Turismo en Canarias, vamos a tener que distinguir entre un AC (Antes del Cero) y un DC (Después del Cero). Los dramáticos momentos que estamos viviendo mientras escribo este artículo, con ser económicamente nefastos y socialmente trágicos, deberían también ser una oportunidad para poner en marcha nuevas herramientas de análisis turístico en cuanto vayamos saliendo del Cero al que nos ha abocado una zoonosis pandémica. Y el uso de técnicas de tratamiento masivo de datos, o Big Data, es una de ellas.
Big Data y turismo
Canarias ha atesorado desde principios de los 90 una ingente masa de información sobre los turistas que nos visitan, clasificada en función de muchos parámetros de procedencia, socioeconómicos, de interés personal, etc. Ahí siguen las bases de datos de AENA, del ISTAC, de los Ayuntamientos, todas ellas de acceso público y la mayoría con megas y megas de datos crudos reutilizables. Pero Antes del Cero, en la época de bonanza sin parangón, rara era la vez que las usábamos para obtener inteligencia para el negocio de las PYMES –salvo algunas tan honrosas como particulares excepciones. Pero claro, esa información ya solo tiene valor histórico–. Después del Cero habrá que empezar a recolectar, clasificar, tratar y analizar la nueva información y, lo más importante, hacerlo de otra manera, extrayendo conocimiento de ella para planificar, optimizar, crear nuevos productos, adaptar dinámicamente la oferta de los existentes y, en fin, crear más riqueza a partir del bit. Veamos un ejemplo simple de lo que hacíamos y un atisbo de lo que podríamos hacer en el futuro.
Ejemplo de Big data en el turismo
Gráfica 1: Antes del Cero sabíamos contar turistas. Se nos daba bien, especialmente aquellos que se portan estupendamente con nuestro destino y eran fieles.
Otra cosa es que sacáramos partido de ello. Datos de AENA.
En la Gráfica 1 puede verse la representación de la serie temporal de llegada de pasajeros desde los cuatro países nórdicos (de arriba abajo, Noruega, Suecia, Finlandia, Dinamarca) a una isla canaria mes a mes desde el 1 de enero de 2000 hasta el 30 de mayo de 2011. Como puede apreciarse, la regularidad constante y la estacionalidad son las dos características básicas, y ya conocidas en el sector, del flujo turístico de estas nacionalidades, con muy pocas diferencias entre ellos salvo el número mensual y total de visitantes. La forma de la señal de llegada, una señal de reloj que marca la diferencia entre verano e invierno, ha permanecido invariable en este primer tramo del siglo XXI, no pudiéndose a simple vista detectar cambios en periodos de bonanza ni de crisis. Son clientes fieles, que repiten y nos quieren contra viento y marea.
Gráfica 2: Antes del Cero ya había señales tempranas que nos hubieran podido alertar y adaptarnos a la crisis de dos mercados fundamentales: los anglófonos.
Y no las analizamos cuando debimos. Datos de AENA
En la Gráfica 2 superior tenemos el flujo desde UK a la misma isla canaria entre 2000 y 2011: presenta cuatro primeros años de clara periodicidad en su comportamiento, seguido de cuatro años de señal más complicada antes de entrar, hacia finales de 2007, en un tiempo de degradación de la señal de flujo en el que se encuentra a finales del periodo estudiado. En el caso de la Gráfica 2 inferior, el mercado irlandés, se ve una componente de periodicidad con mayor duración que la británica hasta 2008 para, a continuación, caer en un comportamiento similar al británico. La existencia de estas dos fases muy claras en las señales de flujo turístico nos hubiese debido empujar a fijarnos con mayor detenimiento en la última fase temporal cuyo comienzo corresponde históricamente al momento de inicio de la crisis económica conocida como la Gran Recesión con la quiebra de Lehman Brothers en Estados Unidos como punto de partida. Los primeros países que se vieron afectados fueron precisamente Reino Unido (de manera casi inmediata) e Irlanda (si bien ésta algo más tarde) por lo que en el análisis de la serie temporal de ambos mercados no es de extrañar comprobar que las irregularidades de la señal de flujo de turistas comiencen en ese momento, con un cierto retraso en el caso de la República de Irlanda con respecto a Reino Unido. Teníamos que haber prestado algo de atención a señales que ya estaban ahí.
«Es muy necesario que Después del Cero tengamos ya pensado qué tipo de datos nos va a interesar medir de manera masiva (…), hacerlos accesibles a pymes y pequeños negocios para poder ser reactivos y (…) hacer del entramado turístico un colectivo adaptable a los cambios»
Puede argumentarse que la crisis en la que estamos envueltos ahora es de una naturaleza muy distinta: global (no regional), de larga duración (no circunstancial), sistémica (no solo de un mercado emisor). Bien, pero, en cualquier caso, creo que por un lado se puede mostrar que las señales de fortaleza de los mercados estables no sirvieron para hacer evolucionar, reforzar ni adaptar los productos turísticos y que las señales de debilidad de algunos mercados tampoco desembocaron en el mismo tipo de acciones correctivas. Creo además que la información contenida en los datos debe llegar a toda la cadena de producción, especialmente a las PYMES. Es muy necesario que en la época que se nos acerca, la de Después del Cero, tengamos ya pensado qué tipo de datos nos va a interesar medir de manera masiva de nuestros visitantes, tratarlos con técnicas de Big Data e Inteligencia Artificial, hacerlos accesibles a PYMES y pequeños negocios para poder ser reactivos y adaptar oferta a variaciones de demanda en tiempo casi real, y hacer del entramado turístico un colectivo adaptable a los cambios (casi en el sentido Darwinista de la expresión, si se me permite). Las herramientas tecnológicas están ahí, muchas de libre acceso, y los perfiles profesionales para llevarlo a cabo con éxito ya están saliendo de nuestras Universidades. Excusas nos quedan pocas.
Termino con una curiosidad. A mediados de 2017 el Prof. Abraham Rodríguez y yo mismo hicimos una predicción de varios meses sobre la llegada de turistas británicos a Gran Canaria usando métodos de Big Data basados en Redes Neuronales y tomando los datos del comportamiento de llegadas posteriores a la crisis de Lehman Brothers.
En la Gráfica 3 se muestra la representación del flujo turístico desde 1999 en adelante, el efecto de la crisis entre 2008 y 2012, la recuperación de la señal periódica de llegada de turistas hasta 2017, y sobre ella, superpusimos la predicción de 10 meses posteriores al último con el que se contaban datos (febrero de 2017). La predicción Big Data está representada por puntos rojos unidos con línea discontinua, y sobre ella en azul los datos reales tomados de la base de datos de AENA. Vemos, pues, que se produce una predicción casi perfecta a lo largo de un periodo de 10 meses en la llegada de turistas desde Reino Unido a Gran Canaria en las condiciones del modelo de Big Data. Falló, no obstante (es fácil de ver) en los últimos tres meses de 2017, en los que el número de turistas británicos fue mucho menor que el esperado. ¿Qué ocurrió? Que el modelo matemático no pudo predecir la quiebra de la línea aérea Monarch. Nobody is perfect… but almost.
Gráfica 3: El historial del flujo turístico de dos décadas de británicos en Gran Canaria y la predicción Big Data de un año (2017) en azul al final. La predicción coincide con el comportamiento… pero la quiebra de una línea aérea la hizo fallar justo al final.
NOTA: Las herramientas matemáticas empleadas para el tratamiento de grandes datos
expuesto en este artículo han sido MatLabTM y WEKA©The University of Waikato.
