Skip to main content

A Place to Go: Locating Damaged Regions After Natural Disasters Through Mobile Phone Data

Las catástrofes naturales de gran envergadura plantean problemas presupuestarios a los gobiernos, incluso cuando se dispone de ayuda humanitaria local y extranjera. Para priorizar las inversiones es necesario disponer de información en tiempo casi real sobre el impacto del peligro en diferentes lugares. Sin embargo, esa información no está disponible a través de sensores u otros dispositivos, especialmente en los países en desarrollo que no cuentan con esa infraestructura. Una rica fuente de información son los datos resultantes de la actividad de los teléfonos móviles que los ciudadanos de las zonas afectadas empiezan a utilizar en cuanto están disponibles después de la catástrofe. En este trabajo, explotamos dicha fuente de información para realizar diferentes análisis con el fin de inferir las zonas afectadas en la provincia ecuatoriana de Manabí, tras el terremoto de 2016, con epicentro en la misma. Proponemos una serie de rasgos para caracterizar una zona geográfica, tan granular como un cantón, después de un desastre natural y etiquetar su nivel de daños utilizando datos de telefonía móvil. Nuestros métodos dan como resultado un clasificador basado en el algoritmo K-Nearest Neighbors para detectar las zonas afectadas con un 75% de precisión. Comparamos nuestros resultados con los datos oficiales publicados dos meses después de la catástrofe.

 

The Good, the Bad and the Ugly: Workers Profiling Through Clustering Analysis

Durante los últimos cinco años, la economía colaborativa ha surgido como uno de los principales modelos de negocio para ofrecer bienes y servicios. De hecho, la entrega y el transporte son industrias para las que el "sharing" ha tenido uno de los mayores impactos, con empresas como: Uber, Lyft o Cabify. Sin embargo, como en cualquier empresa tradicional, la gestión de los recursos humanos es un problema para las empresas de la economía colaborativa. Nuestro trabajo pretende inferir patrones sobre el desempeño de los recursos humanos en este contexto. Utilizamos técnicas de clasificación no supervisadas sobre los registros de empleados de una empresa de reparto que utiliza un modelo de negocio de economía colaborativa. Proponemos un marco automático y escalable para descubrir grupos eficientes de trabajadores, utilizando características de información logística, geográfica y temporal. Aunque trabajos similares anteriores han presentado resultados prometedores, a diferencia de ellos, nosotros no utilizamos información demográfica sobre los empleados. Nuestros resultados sugieren que las entregas por día, los kilómetros recorridos por el trabajador y las empresas que ocupan a un repartidor son características importantes para determinar los trabajadores destacados. El marco propuesto puede convertirse en un punto clave para mantener el crecimiento exponencial de este tipo de empresas en el tiempo

 

Digital Transactions Mining to Characterize Temporal Rhythms of a City

La identificación de puntos conflictivos por sus componentes espaciales y temporales se ha convertido en una estrategia muy utilizada por la inteligencia policial para la reducción de la delincuencia. Sin embargo, este tipo de enfoque es posible gracias a la gran cantidad de datos granulares con los que cuentan estas entidades, algo que no siempre está presente en países en desarrollo como Ecuador. Con esto en mente, el siguiente estudio busca implementar los registros de transacciones de la ciudad de Guayaquil en asociación con los registros criminales para definir patrones temporales y espaciales de los puntos calientes del crimen. Primero describimos nuestra métrica de popularidad en función de estas transacciones para cada circuito de la ciudad. Luego, encontramos la correlación entre esta métrica y varios indicadores de delincuencia como el robo y el asesinato. Por último, establecemos relaciones entre la densidad comercial y los registros delictivos para cada circuito. Nuestros resultados muestran que estos registros de transacciones sí pueden ser utilizados para establecer posibles focos de delincuencia, aunque solo para diciembre de 2016. La información adicional sobre los puestos de policía -y la variable de datos abiertos- podría conducir a resultados más precisos.