Para corregir ese desajuste, los planificadores necesitan conocer la cuota modal de las ciudades o, en otras palabras, qu\u00e9 parte de los desplazamientos totales de la poblaci\u00f3n capta el transporte p\u00fablico zona a zona. Es el mismo indicador que usan cadenas como Inditex o Amazon para saber qu\u00e9 parte de los clientes potenciales consiguen atraer. La diferencia es que, mientras el comercio lleva a\u00f1os perfeccionando esa medici\u00f3n, el transporte p\u00fablico ha tenido que conformarse con encuestas de movilidad: caras, poco frecuentes y con escasa resoluci\u00f3n geogr\u00e1fica y temporal. Por ese motivo, en Nommon nos propusimos resolver esta carencia con una metodolog\u00eda basada en el cruce de datos con actualizaci\u00f3n constante y gran detalle espacial y temporal: telefon\u00eda m\u00f3vil y billetaje.<\/p>\n\n\n\n
La soluci\u00f3n: big data e inteligencia artificial para obtener la cuota modal<\/h2>\n\n\n\n
La metodolog\u00eda propuesta combina dos fuentes masivas de datos, telefon\u00eda m\u00f3vil y billetaje. Ambas fuentes son explotadas a trav\u00e9s de los motores anal\u00edticos de dos productos propios de Nommon. Por un lado, utilizamos los datos anonimizados de telefon\u00eda m\u00f3vil y la herramienta Mobility Insights<\/a> para reconstruir la movilidad total de la poblaci\u00f3n. Por otro lado, con WiseTransit<\/a>, convertimos la informaci\u00f3n que nos brindan las validaciones del transporte p\u00fablico en viajes reales, revelando c\u00f3mo los pasajeros se desplazan a trav\u00e9s del sistema. <\/p>\n\n\n\n Por separado, cada una de estas fuentes cuenta solo una parte de la historia. Sin embargo, juntas, permiten calcular qu\u00e9 fracci\u00f3n de todos los desplazamientos de una zona se realiza en transporte p\u00fablico. El reto no es trivial: los datos de telefon\u00eda y los de billetaje no \u00abhablan el mismo idioma\u00bb. Los viajes de telefon\u00eda van de puerta a puerta, pero con una precisi\u00f3n de localizaci\u00f3n que var\u00eda seg\u00fan la densidad de la red de antenas de cada zona. Los viajes de transporte p\u00fablico, en cambio, quedan anclados con exactitud a la parada de subida y bajada, pero no recogen el trayecto a pie hasta ella ni desde ella. Antes de poder comparar ambas fuentes, hay que traducirlas a un lenguaje com\u00fan y, en Nommon, lo hacemos en ambas direcciones. <\/p>\n\n\n\n Mientras que, para el transporte p\u00fablico, delimitamos el \u00e1rea de influencia de cada parada y usamos la distribuci\u00f3n de los viajes de telefon\u00eda en esa \u00e1rea para completar el trayecto puerta a puerta, para la movilidad general asignamos a cada viaje un margen de desplazamiento admisible, coherente con la precisi\u00f3n del dato en esa zona, que acota el abanico de ubicaciones plausibles sin decidir todav\u00eda cu\u00e1l es la correcta.<\/p>\n\n\n\n Con ambas fuentes armonizadas, el n\u00facleo de la metodolog\u00eda es un modelo de optimizaci\u00f3n que trabaja viaje a viaje, no sobre matrices ya agregadas por zona. Se trata de una decisi\u00f3n deliberada: ajustar vol\u00famenes agregados mover\u00eda bloques enteros de viajes sin dejar rastro de por qu\u00e9, mientras que operar a nivel individual hace que cada peque\u00f1o ajuste quede justificado y sea reversible. <\/p>\n\n\n\n El modelo sigue una heur\u00edstica iterativa que busca suavizar saltos bruscos e injustificados en la cuota modal entre zonas vecinas, normalmente s\u00edntoma de inconsistencias entre fuentes y no de una realidad de movilidad. Para ello, reasigna el origen o el destino de un viaje solo cuando esa reasignaci\u00f3n es geogr\u00e1ficamente plausible, respeta los m\u00e1rgenes de desplazamiento admisibles y mejora la coherencia del conjunto sin generar nuevos desequilibrios en otras zonas. <\/p>\n\n\n\n Solo al final de este proceso, una vez ajustados los viajes individuales, se agregan por zona y periodo para construir las matrices definitivas: la de movilidad total, la de demanda de transporte p\u00fablico y, por divisi\u00f3n de ambas, la de cuota modal. Hacer el ajuste antes de agregar, y no despu\u00e9s, es lo que da a estas matrices una coherencia muy superior a la que se obtendr\u00eda cruzando directamente los datos agregados de cada fuente.<\/p>\n\n\n\n En Nommon pusimos a prueba esta metodolog\u00eda en varios proyectos. Como ejemplo, presentamos el caso de una ciudad espa\u00f1ola de tama\u00f1o medio, con una red de autobuses organizada de forma radial alrededor del centro urbano, un dise\u00f1o urbano muy habitual. El cruce de datos produjo tres capas de informaci\u00f3n: la movilidad total de cada par origen-destino (OD) de zonas, la demanda de transporte p\u00fablico que capta cada par y su cuota modal.<\/p>\n\n\n\n Con estos tres datos construimos un indicador de impacto muy sencillo de interpretar: un par OD de zonas es prioritario cuando existe mucha movilidad y, aun as\u00ed, pocos viajes eligen el transporte p\u00fablico. As\u00ed distinguimos entre pares OD con mucho tr\u00e1fico de viajeros que ya est\u00e1n bien servidas y pares OD donde el transporte p\u00fablico se est\u00e1 dejando pasajeros por el camino: la verdadera oportunidad de crecimiento. Esta distinci\u00f3n se muestra en la Figura 1, donde cada punto representa un par OD en funci\u00f3n de su movilidad total y su cuota modal. En el gr\u00e1fico, los pares prioritarios se destacan en rojo bajo la etiqueta de \u201cimpacto alto\u201d.<\/p>\n\n\n\n Al llevar estos resultados a un mapa, el patr\u00f3n result\u00f3 muy claro: los pares OD de mayor oportunidad, es decir: aquellos con alta movilidad y baja cuota modal del transporte p\u00fablico, se concentran en el arco sur de la ciudad (ver Figura 2), precisamente donde la red de autobuses ofrece menos conexiones directas. Es la consecuencia l\u00f3gica de un dise\u00f1o radial: los trayectos entre el centro y la periferia est\u00e1n bien cubiertos, pero moverse de un barrio perif\u00e9rico a otro obliga, muchas veces, a transbordar antes en el centro. El diagn\u00f3stico tiene una lectura importante para cualquier planificador: esa cuota modal inferior no significa por s\u00ed misma que los vecinos prefieran el coche, sino que, posiblemente, no se les est\u00e1 ofreciendo una alternativa competitiva en tiempo de viaje y n\u00famero de transbordos. Y esa diferencia cambia por completo la estrategia a seguir, desde ajustar horarios y recorridos hasta introducir l\u00edneas de transporte a demanda en las zonas perif\u00e9ricas donde la oferta convencional no resulta rentable.<\/p>\n\n\n\n Este caso de estudio confirma que fusionar datos de telefon\u00eda y de billetaje aporta algo que las encuestas tradicionales no pueden ofrecer: alta resoluci\u00f3n espacial y temporal y, adem\u00e1s, una actualizaci\u00f3n continua que permite ir m\u00e1s all\u00e1 de los promedios anuales o estacionales y estudiar d\u00edas concretos para ver c\u00f3mo evoluciona la cuota modal en cada uno de ellos. Por ejemplo, un laborable frente a un festivo, una jornada con una incidencia en la red o un evento singular en la ciudad. Eso permite que podamos, no solo hacer una foto puntual, sino repetir el c\u00e1lculo con el tiempo para comprobar si una nueva l\u00ednea, un cambio en la frecuencia o una obra de infraestructura logran verdaderamente aumentar la cuota modal. <\/p>\n\n\n\n De cara al futuro, esta capacidad abre la puerta a construir valores de referencia de cuota modal seg\u00fan el tipo de ciudad (tama\u00f1o, densidad, forma de la red). De esta manera, autoridades y operadores podr\u00edan comparar los resultados de sus sistemas con los de ciudades similares y fijar objetivos de mejora realistas.<\/p>\n\n\n\n En un momento en el que la movilidad urbana cambia m\u00e1s r\u00e1pido que nunca, medir bien de d\u00f3nde partimos es el primer paso para dise\u00f1ar un sistema de transporte p\u00fablico que responda mejor a las necesidades tanto de quienes lo usan como de quienes todav\u00eda no lo hacen.<\/p>\n\n\n\n <\/p>\n","protected":false},"featured_media":13663,"template":"","nommon_category":[23,21],"class_list":["post-13661","case_studies","type-case_studies","status-publish","has-post-thumbnail","hentry","nommon_category-ciudades-inteligentes","nommon_category-transporte-y-movilidad"],"acf":[],"yoast_head":"\nLa metodolog\u00eda a prueba en un entorno urbano<\/strong><\/h2>\n\n\n\n
![\"Figura](\"https:\/\/www.nommon.es\/wp-content\/uploads\/2026\/07\/3.png\")
<\/p>\n\n\n\n![\"Figura](\"https:\/\/www.nommon.es\/wp-content\/uploads\/2026\/07\/2.png\")
La nueva era de la planificaci\u00f3n: precisi\u00f3n y actualizaci\u00f3n constante<\/h2>\n\n\n\n