Ma vediamo nella brevità di questo post come i big data e gli attuali già esistenti livelli di digitalizzazione potevano ma soprattutto potrebbero evitare disastri futuri.

Dunque big data dal punto di vista tecnologico e soprattutto crowdsourcing dal punto di vista organizzativo.

L’idea alla base, che potrebbe ispirare una start up, è quella di sfruttare in tempo reale le informazioni di localizzazione e spostamento in primis del personale addetto al treno e in seconda istanza degli stessi passeggeri del treno al fine di generare sistemi ridondati di sensing e di allerting in tempo reale a vari livelli locali e globali.

La domanda che nasce spontanea è: “Già ora utilizziamo in tempo quasi reale informazioni massive aggregate per pianificare e ottimizzare i nostri spostamenti (google maps ma non solo questo). Perché allora non proviamo ad usare gli stessi dati per garantirci la sicurezza del percorso stesso?”

Nel caso generale il problema è complesso e per lo più infattibile allo stato attuale della tecnologia. Ad esempio per le auto il tempismo fra rilevazione dell’informazione critica, allerting oppure acting (frenare o cambiare direzione) è molto ridotto e talvolta sotto il secondo. Vi sono applicazioni su alcuni modelli ma i sistemi sono locali al mezzo e hanno costi non affatto trascurabili nella attuale fase iniziale.

Per le navi già il vincolo dei tempi è meno stringente e ricordando la tragedia della nave da crociera  sicuramente poteva esser fatto qualcosa anche se li il tema critico sembra sia stato non tanto l errore quanto la sfida legata al fattore umano. Viene, inoltre, alla memoria il caso estremo e sempre recente di una compagnia di volo low costdove il pilota dopo aver provato la manovra varie volte in voli precedenti ha mandato volontariamente allo schianto il veicolo sul lato di una montagna inducendo la morte di tutti i passeggeri e della stessa compagnia.

Questi ultimi due episodi della nave concordia e dell’aereo  evidenziano l esigenza di un sistema di controllo e prevenzione che vada “oltre” il controllo delegato ai sistemi e alle persone preposte “locali” e lo ridondi.

Ma entriamo nel caso specifico ferroviario. Qui la rotta o la traiettoria dei mezzi è per costruzione predefinita, vincolata e nota “a priori” con buon anticipo. Un treno che si discosta anche di pochi centimetri dalla sua traiettoria è un treno deragliato. Qualcuno dirà che non tutti i percorsi ferroviari sono coperti dalla rete dati oppure voce. Soprattutto in campagna e in periferia. D’altra parte è sufficiente un punto del percorso per definire tutta la evoluzione visto la fissità dello stesso legato ai suoi binari. Anche, ad esempio, il punto di partenza dalla stazione. Se non c’è basta metterlo ad opera degli operatori radiomobili con beneficio reciproco degli utenti e dello stesso operatore che può rivendersi anche a livello di immagine questa azione in primis meritoria e di sicurezza e poi di servizio al traffico mobile.

Con il vantaggio che ogni passeggero può diventare dinamicamente un sensore (per il tramite del suo telefonino), un controllore e un attuatore (frenando il treno con il freno d’emergenza) con doppia efficacia operativa e psicologica soprattutto dopo queste tragedie dalla forte risonanza mediatica.

A livello applicativo la funzionalità di rilevazione è de facto già esistente sia a livello TELCO degli operatori radiomobili locali sia a livello OVER the TOP per soggetti globali tipo Google. Nei TELCO solitamente questi dati di localizzazione e movimento sembrano gestiti solo per casi specifici, tipicamente legati a reati “ex post”.

La funzione di determinazione dell’evento rischioso può esser delegato ad un operatore terzo o startup che incrocia i dati di movimento con quelli di rete fissa ferroviaria identificata dai dati stesso con una approccio a big data e machin learning. Se infatti abbiamo 150 persona che si muovono alla stessa identica velocità lungo un percorso è con altissima probabilità un treno lungo una rotaia. Se poi sulla stessa traiettoria abbiamo due direzioni opposte in momenti diversi sicuramente con ciò si identifica una binario unico. Se poi abbiamo direzioni opposte in specifiche finestre temporali un disastro potenziale in fieri.

Il vantaggio di questo approccio a Big Data e machine Learning è nel suo grado illimitato di ridondanza ed indipendenza dai sistemi “locali” che anche se sabotati da terzi oppure volutamente ignorati dalle figure preposte al “controllo” non “possono da soli” generare il disastro considerando, inoltre che avuta l’allerta dal sistema ogni viaggiatore è in grado di fermare il treno con il “freno di emergenza” già esistente su ogni convoglio.

Sostenibilità economica e fattibilità della soluzione

Le considerazioni fatte in questo post hanno una valenza universale indipendentemente dal paese e dalla specifica rete ferroviaria.

La flessibilità del sistema ottenuta grazie all’approccio a machine learning è tale da renderlo operativo in breve tempo in ogni paese del mondo su ogni tipo di rete ferroviaria.

Non servono le tipiche e tradizionali fasi di alimentazione della base dati con i dati della specifica rete che spesso implicano costi anche di manutenzione ed aggiornamento e tempi non trascurabili oltre a potenziali errori per incompletezza dei dati.

L’infrastruttura digitale necessaria, invece, è già esistente e standard essendo basata sui protocolli delle reti radiomobili e su quelle internet già parti di un mercato globale.

Al più gli sforzi possono esser duplicati per coprire tutte le piattaforme principali ma già le due principali, Android ed Apple, permettono di coinvolgere la maggior parte degli utenti.

L’apprendimento automatico è permesso dall’adozione di un approccio a Big Data che se, in generale, potrebbe nascondere costi “pay per use” non scontati per la mole dei dati e le necessità computazionali, in vero, nello specifico caso, sono drasticamente contenuti per il significato locale dei dati aggregati gestiti. In altri termini i dati di movimento relativi alla Puglia, ad esempio, sicuramente non rilevano con quelli relativi alla Lombardia e neanche con il Lazio se volessimo ipotizzare dei database a livello regionale. Di poi, per i convogli interregionali è ipotizzabile un archivio specifico che tiene conto di queste situazioni di frontiera. Pertanto sebbene in assoluto le moli di dati sono significative queste hanno un alto grado di parallelismo e possono essere distribuite su più server con bassa o quasi nulla interrelazione.  Tale caratteristica del modello dati di questa specifica applicazione è da ritenersi ottimale perché da una parte tiene limitati i costi al crescere degli utilizzi e delle applicazioni dall’altra permette una facile e rapida scalabilità del modello di business sovrastante.

La scalabilità, infatti, è una delle prime caratteristiche valutate da un investitore per decidere se investire su una idea di business. Un’altra caratteristica principale è la cosiddetta possibilità di una exit in tempi rapidi, finanche prima ancora che la realtà inizi a fatturare ma sicuramente dopo aver dimostrato una grande capacità di raccolta di adesione dell’utenza finale o passeggeri. Per exit è da intendersi l’uscita dell’investitore dall’investimento per realizzazione un congruo profitto in grado di ripagarlo dei rischi sostenuti.

La exit più canonica è quella della quotazione in borsa della società che, soprattutto nel contesto italiano, non può darsi mai per scontata anche nei casi di maggior successo ma ve ne sono anche altre che possono conseguire lo stesso risultato. Ad esempio, la società Nest è stata acquisita da Google per circa 3 miliardi di dollari perché i dati aggregati e raccolti erano funzionali al suo modello di business ed ogni giorno, soprattutto nell’ecosistema americano, aziende appena nate vengono acquistate a cifre esorbitanti prima ancora di realizzare un fatturato significativo.

Nella storia economica il tempo necessario per una azienda per diventare “unicorno”, cioè esser valutata un miliardo di dollari è diminuito sempre di più fino a raggiungere periodi inferiori all’anno solare.

Per coloro che vogliano approfondire e capire bene il fenomeno si segnala la pagina web attiva al momento https://fleximize.com/unicorns/ .

Tale fenomeno testimonia quanto, ormai, il valore di una startup e dunque di un suo servizio sia correlato principalmente ai due seguenti fattori: la capacità di diffondersi ed esser usato ed apprezzato indipendentemente dalla sua fatturazione, il secondo dalla capacità del servizio di costituire e coprire un tassello mancante, significativo e sinergico con il modello complessivo di business del potenziale acquirente. Da questo punto di vista, per il caso specifico, possono esser identificati almeno due tipologie di destinatari per una exit veloce. La prima è data dagli operatori e/o proprietari delle reti ferroviarie o delle concessioni che possono far propria la soluzione sia a livello tecnico che comunicativo e mediatico. La seconda è data dagli operatori globali già presenti sulle tematiche del traffico delle persone e cose, e delle mappe, quali ad esempio Google, che grazie a questa applicazione possono integrare e completare la loro offerta generale.

Dal punto di vista, invece, dello start della start up stanno maturando anche sul mercato italiano tutta una serie di nuove opportunità ed iniziative spesso classificate sotto il nome di crowdfounding che tendono a permetterne il finanziamento dell’idea o dell’iniziativa da parte di un bacino esteso di soggetti: si va dal singolo utente che, di fatto, preacquista il servizio, ai cosiddetti business angels fino ad arrivare ad investitori seriali od istituzionali. Vi sono ancora significative differenze rispetto agli ecosistemi della Silicon Valley od altri europei ma sicuramente il quadro è migliorato drasticamente negli ultimi 5 anni e questo fa ben sperare.

Approfondimenti

Per chi fosse interessato ad approfondire la potenza dell’approccio suddetto dei Big Data si consiglia il testo appena pubblicato “Basi di dati e Big Data” che è gratis per tutti i clienti Amazon unlimited.