Análises históricas e análises preditivas com dados do Waze

Apesar de ter um sistema próprio capaz de fazer diversos tipos de cruzamentos de dados, o COR mantém parceria com o “PENSA – Sala de Ideias” (“escritório de inteligência de dados da Prefeitura da cidade do Rio de Janeiro80) visando obter informações e análise aprofundadas dos dados que coleta e detém. Estes dados, entre eles os fornecidos pelo Waze, são usados para minerações históricas e preditivas.

Antes de prosseguir, vamos nos deter um pouco sobre o termo “análises preditivas” – de fundamental importância para compreender o significado da parceria COR-PENSA.

Segundo o pesquisador de dados e estatísticas Eric Siegel (2013), análises preditivas surgem de capacidades de concatenar dados e informações (do agora e do passado), quer sejam coletadas, rastreadas, cedidas ou compartilhadas, para antever ou predizer situações ou ações no futuro81_{. Por sua vez, predições podem ser feitas por}

meio de “machine learning”. Este termo remete à ideia de que “computadores desenvolveram capacidades automáticas de produção de conhecimento alimentando furiosamente o maior e mais potente recurso não-natural da sociedade moderna: dados”82 (SIEGEL, 2013). Contudo, ainda segundo Siegel, dados não podem ser considerados como “minas de ouro” tecnológicas. O que é possível extrair deles, no entanto, são as verdadeiras riquezas: informações.

No caso da parceria entre COR e PENSA, é possível listar alguns exemplos de extração de dados em informações úteis ao CCCU e aos órgãos instalados. Por exemplo:

80 _{Mais informações: < http://pensa.rio/main/pensa/ >}

81 _{Planejamentos urbanos têm como base predizer situações e ações possíveis para impactar espaços} urbanos.

82 _{Computers automatically developing new knowledge and capabilities by furiously feeding on modern}

O PENSA fez uma análise mostrando quais lugares da cidade que mais engarrafam e correlacionou isso com os pontos de alagamentos mais registrados. E, a partir disso chegou a uma lista de prioridade para o governo: no caso de criar um projeto para os pontos de alagamento, se ter uma prioridade sobre certos alagamentos que são mais impactantes. (BISMARQUES, 2016)

Em outro exemplo, o PENSA cruzou informações e faz análises preditivas para determinar quais seriam os pontos, nas vias urbanas do Rio de Janeiro, que mais poderiam sofrer com chuvas e precisavam de intervenções prévias do poder público. Além disso, o órgão também pode fazer outros tipos de predições:

Tem outro caso [envolvendo dados do Waze], uma correlação de quanto, em um determinando congestionamento, aquilo ali representa para a cidade em termos de dinheiro. Quanto que custaria aquele engarrafamento para a cidade, gasto anual e se fosse resolvido, quando que representaria de economia. (BISMARQUES, 2016)

Neste exemplo, as informações obtidas mostraram que o Rio de Janeiro deixa de arrecadar 5,2 bilhões de reais, valores referentes às horas úteis perdidas no trânsito83. Em outro exemplo, o PENSA também analisou, com ajuda de dados do Waze, a quantidade de pessoas que seriam impactadas no trânsito pelos jogos Olímpicos no Rio de Janeiro de 2016, e quais vias deveriam receber atenção especial dos órgãos de trânsito da cidade.

Identificamos quais os principais pontos de engarrafamentos utilizando dados do Waze, tanto no período da manhã como no período da tarde. O objetivo dessa análise é auxiliar a Empresa Olímpica Municipal a definir melhor suas ações em parceria com a CET-RIO, causando a menor quantidade de transtornos possível para a população carioca.

Também fizemos uma avaliação da população diretamente afetada no entorno dos sites Olímpicos. Mapeamos aonde estão as maiores concentrações, bem como quais as classes sociais pertencentes. Com isso, esperamos auxiliar a EOM a identificar o número de pessoas afetadas que se locomovem na região e a estimar os modais de transporte utilizados. (PENSA)

Figura 20 – Índice de previsão das vias mais engarrafadas durante os Jogos Olímpicos

Fonte: COR / PENSA

As análises preditivas produzidas pelo PENSA, com ajuda de dados do Waze e dados históricos do trânsito, fornece informações que podem ser usadas no planejamento urbano – neste caso, dos transportes, mas não se restringindo a isso. Com efeito, essas informações são predições que tentam antever o futuro, além de vigilância e controle sobre o espaço urbano.

Neste contexto, dados sobre espaços e camadas urbanas podem se transformar em verdadeiras “máquinas do tempo”: levar ao que está diante e /ou revelar o que está escondido. Neste sentido, ter noção do que pode acontecer no futuro é uma forma de controle desejado pelos CCCUs. Esse controle seria, mais precisamente, preditivo e lúdico84. Quanto maior o controle sobre os espaços urbanos melhor. E, como muitos cenários podem ser levantados nessas análises, ainda mais quando se cruzam inúmeras fontes de dados de uma única vez, como faz o COR, é possível que não haja, em primeira análise, limites sobre como dados urbanos podem ser usados.

Por fim, uma das bases para a ampla integração entre COR e Waze está galgada

84 _{“Predições” sempre foram encaradas como fatos mágicos (biscoitos da sorte, leitura de mãos por uma} cigana ou vidente, por exemplo) ou algo reservado aos Deuses (“o futuro só Deus Sabe”, diz o jargão popular). Ou, ainda, reservado à ficção, como no filme “Minority Report” (2002). Nesta obra a polícia é capaz de prever crimes (com ajuda de tecnologias) e trabalhar para “evita-los”. No campo da magia, dos Deuses (fé) e da ficção - os três ligados a partir do lúdico - a predição do futuro, de uma forma ou de outra, é encontrada como uma ideia de “vigilância e controle”. Vigilância e controle do futuro, para ser mais exato. O “temor” ou “desejo” da capacidade de conhecer o futuro é poder alterá-lo, ou agenciá-lo conforme interesses particulares.

no fato do CCCU não se preocupar com a origem crowdsourcing dos dados do app. Na verdade, dados de crowdsourcing são entendidos como importantes para a complementaridade do trabalho dos agentes do órgão. “As informações (compartilhadas) complementam as informações que os operadores dos órgãos [...] já forneciam para a cidade”, afirma Oliveira (2016b). Dessa forma, o COR trabalha apenas com “perspectivas positivas” sobre os dados colaborativos cedidos pelo aplicativo. Mesmo assim, quando um relato sobre um acidente de trânsito chega pelo Waze, o COR faz uma rápida análise antes de tomar qualquer ação sobre o ocorrido.

Toda informação vinda a partir da população precisa ser validada pelo agente público. Conseguimos cruzar informações com outros órgãos operacionais e também enviar operadores para confirmar o informe e acionar a solução do incidente. (OLIVEIRA, 2016b)

Quando os alertas enviados pelos Wazers não são acompanhados de imagens, o Centro usa câmeras ou agentes próximos para verificações. As validações das informações visam maximizar o potencial operacional do COR e dos órgãos instalados. Verificar informações, seja qual for a fonte, aumentaria a efetividade de suas operações. Dessa forma, haveria maior velocidade de atendimento aos Wazers e melhor uso da inteligência coletiva para mudanças rápidas no trânsito, que visam acabar com pontos de estrangulamentos, bem como evitar mais problemas aos cidadãos.