La mayor parte de los expertos y actores claves siguen utilizando métodos tradicionales para la obtención de los datos necesarios en estudios y análisis de movilidad, dado que son capacidades instaladas con las que cuentan las instituciones, organismos públicos y la academia. Sin embargo, la obtención de este tipo de datos es cada vez más compleja por la dificultad de su producción, lo que implica grandes costos y tiempos prolongados para su procesamiento. Si bien estas técnicas siguen siendo una pieza fundamental en muchas ciudades, es imprescindible conocer cuáles son las fuentes de datos no tradicionales que están disponibles, cómo se almacenan, analizan y cuál es su marco de implementación. El futuro presenta un desafío: los recursos humanos deberán estar formados en las nuevas tecnologías para hacer un uso eficiente de las fuentes de datos alternativas y su utilización en planeamiento, gestión y diseño de políticas de transporte y movilidad.

Los datos de cualquier medio de transporte, tanto mercancías como personas, hay que registrarlos, almacenarlos, analizarlos y extraer decisiones de negocio. Tener acceso al big data de una multinacional para no sacar conclusiones empresariales es un error. Por estos motivos, las iniciativas encaminadas en sacar el máximo provecho al big data son dignas de mención. Destaco un resumen publicado por “esmartcity.es” sobre unas soluciones predictivas de Indra en el ferrocarril y carreteras, dentro del proyecto Transforming Transport. Este piloto ha avanzado en la recopilación de datos con las actividades de mantenimiento y la circulación de los trenes, la topología o la meteorología, revelándose como fuentes de datos de mayor calidad para el mantenimiento predictivo las inspecciones dinámicas, que proporcionan información sobre la interacción entre el tren y la vía, y las inspecciones geométricas, que informan sobre el ancho de vía, su alineación, deformación y desviación.

Los cuerpos policiales suelen utilizar métodos reactivos para frenar los daños generados al producirse un crimen. Sin embargo, gracias al desarrollo de los algoritmos de Big Data e IoT, las medidas de seguridad se están transformando en acciones más preventivas, con las que poder predecir dónde y cómo se van a cometer los delitos. La principal novedad que aportan estos métodos, basados en software IoT, es la objetividad; estas soluciones tecnológicas determinan qué hechos han sucedido, pero no cómo se deben afrontar.
Decidir el modo de actuar ante los delitos corresponde a las instituciones policiales y judiciales, que recogen todo tipo de datos sobre los crímenes que se desarrollan, desde quién ha sido la víctima, dónde han ocurrido o qué tipo de delito se ha cometido. A través de la digitalización de los datos (los algoritmos de Inteligencia Artificial y la nube)  se están creando bases de datos que recogen toda esta información.

La recogida y posterior análisis de datos procedentes de dispositivos interconectados entre sí permiten planificar de manera más eficiente la movilidad de las ciudades, especialmente en aquellos tramos donde se concentra un mayor volumen de tráfico. Y no solo eso, ya que el Big Data también permite anticiparse a los retos del futuro e implementar soluciones de movilidad cada vez más sostenibles e inteligentes.
En un contexto globalizado e interconectado como el actual, millones de dispositivos que operan en la nube registran un sinfín de datos que cada uno de nosotros emitimos consciente o inconscientemente a diario.