Ogni spostamento, consumo, parcheggio o cestino dei rifiuti lascia una traccia in dati: il vero valore nasce quando una città riesce a collegare quelle informazioni e trasformarle in decisioni.
Esci di casa la mattina.
Accendi la luce, prendi l’auto, attraversi un incrocio, cerchi parcheggio. Oppure sali sulla metropolitana.
Per te sono semplicemente le prime azioni della giornata: per la città, però, sono anche dati.
Il contatore registra un consumo. Un varco attivo o un sistema di controllo rileva il passaggio di un veicolo. Un parcheggio passa da libero a occupato. Un autobus modifica la propria posizione. Un cestino si riempie.
La città continua a produrre informazioni mentre vive, ed è probabilmente questo il modo più semplice per capire cosa sia davvero una smart city: non necessariamente una città futuristica ricoperta di sensori, ma un sistema capace di osservare ciò che sta già accadendo e trasformarlo in informazioni utilizzabili.
Una città produce dati anche quando non sta cercando di farlo
Pensiamo spesso ai dati come a qualcosa che viene raccolto intenzionalmente, come un questionario creato per raccogliere risposte o un censimento.
In realtà, molti dati urbani sono una conseguenza del funzionamento stesso della città: un contatore deve misurare l’elettricità consumata, un autobus segnala dove si trova, un sistema di accesso verifica se un veicolo può entrare in una determinata area.
Sono prima di tutto dati operativi, solo dopo possono diventare dati per l’analisi.
Mobilità: ogni spostamento modifica lo stato della città
La mobilità è probabilmente uno degli esempi più evidenti. Ogni giorno milioni di spostamenti cambiano continuamente la configurazione delle città: automobili, autobus, biciclette, metropolitane, mezzi in sharing, taxi e pedoni si distribuiscono diversamente nello spazio e nel tempo.
Una parte di questi movimenti lascia una traccia digitale. I mezzi pubblici possono trasmettere la propria posizione. I sistemi di car sharing conoscono la disponibilità dei veicoli. Le infrastrutture stradali producono informazioni sul traffico. I parcheggi registrano accessi e pagamenti. I sistemi che regolano le zone a traffico limitato controllano i transiti.
A Milano, per esempio, il portale Open Data del Comune pubblica dataset relativi alla posizione dei parcheggi pubblici, alla rete del trasporto, alle aree di sosta e persino alla collocazione e allo stato dei varchi di controllo di Area B.
Una singola informazione, però, racconta poco: sapere che molti veicoli attraversano una strada in una determinata fascia oraria è solo descrittivo di cosa sta succedendo. Se iniziamo, però, a collegare quel dato con orario, condizioni meteorologiche, disponibilità del trasporto pubblico, incidenti, eventi in programma o qualità dell’aria, possiamo iniziare a chiederci perché stia succedendo… ed eventualmente cosa accadrebbe modificando qualcosa.
La Commissione europea parte da un problema molto simile nello sviluppo del Common European Mobility Data Space: enormi quantità di dati sulla mobilità e sui trasporti vengono già generate, ma sono distribuite tra ecosistemi diversi e spesso difficili da trovare, accedere o combinare. L’obiettivo europeo non è costruire un gigantesco database centrale, ma rendere interoperabili fonti che oggi rimangono frammentate.
Il problema, quindi, non è necessariamente avere più dati, ma riuscire a usare quelli che esistono.
Anche un parcheggio è una fonte di informazioni
Un parcheggio sembra un'infrastruttura molto semplice.
Una macchina arriva, occupa uno spazio, rimane per qualche tempo e poi riparte. Ma osservato come sistema di dati, racconta molto di più: permette di conoscere la pressione sulla sosta nelle diverse zone della città, confrontare giorni lavorativi e weekend, osservare gli effetti di un evento, identificare aree con un'elevata rotazione o studiare la relazione tra disponibilità di parcheggi e utilizzo del trasporto pubblico.
Il dato originario nasce per gestire la sosta, ma può però diventare una proxy dell’affluenza di una zona.
Ed è una caratteristica che ricorre continuamente nella data intelligence: un dato può essere stato raccolto per uno scopo e rivelarsi utile per rispondere a una domanda completamente diversa.
Un cestino può sapere quando deve essere svuotato
Poi ci sono i rifiuti, uno dei settori più sottovalutati.
Nel 2024 in Italia sono stati prodotti poco più di 29,9 milioni di tonnellate di rifiuti urbani. Nello stesso anno la raccolta differenziata nazionale ha raggiunto il 67,7%.
Sono numeri enormi, ma rappresentano solo il livello più aggregato di un sistema estremamente complesso.
Prima di arrivare alla statistica nazionale, ogni rifiuto attraversa infatti una catena fatta di raccolta, trasporto, classificazione, pesatura, selezione, trattamento, recupero o smaltimento. Ognuno di questi passaggi può produrre informazioni e, a volte, lo fa persino il cestino.
A Milano, Amsa utilizza cestini stradali dotati di sensori capaci di comunicare in tempo reale il proprio livello di riempimento. Un sistema di compattazione permette inoltre ai contenitori di raccogliere fino a cinque volte il volume dei cestini tradizionali.
Esempi e case studies
Per noi di Nami - Data Intelligence l’importanza di questi dati è evidente. Lo vediamo anche lavorando con realtà come Ecotrading e Rotambiente, aziende attive nella gestione dei rifiuti: osservare questo settore da vicino permette di cogliere un aspetto che dall’esterno è facile sottovalutare, ovvero che gestire un rifiuto significa anche gestire informazioni. Tipologia del materiale, provenienza, peso, codice, trasporto, destinazione, analisi, trattamento e documentazione descrivono il percorso del rifiuto quasi quanto il rifiuto stesso.
Un altro esempio su cui abbiamo lavorato direttamente in Nami è Vigilantes, una startup che ha sviluppato una community per la segnalazione in tempo reale di eventi legati alla sicurezza urbana, come aggressioni, furti e atti vandalici. Per Vigilantes abbiamo individuato e analizzato open data istituzionali relativi a criminalità, sicurezza urbana e fenomeni di microcriminalità, studiandone distribuzione territoriale ed evoluzione nel tempo, con particolare attenzione alle grandi aree metropolitane e a Milano. I dati hanno permesso di verificare l’esistenza del problema, supportare alcune scelte di sviluppo del prodotto e fornire alla startup evidenze utilizzabili anche nel confronto con investitori e stakeholder.
Il problema non è che ci mancano dati
A questo punto potremmo immaginare una città come un enorme organismo digitale. Il problema è che i suoi organi spesso non comunicano: i dati sul traffico possono appartenere a un ente pubblico, quelli del trasporto pubblico a un'altra organizzazione.
Le informazioni possono utilizzare formati differenti, classificazioni differenti e frequenze di aggiornamento differenti. Possono essere disponibili come open data oppure essere completamente chiuse. Possono essere accessibili attraverso API moderne oppure vivere dentro sistemi costruiti molti anni fa.
E così arriviamo al paradosso: una città può produrre enormi quantità di dati e sapere comunque molto poco di se stessa, perché possedere informazioni non significa automaticamente riuscire a collegarle.
La parola chiave diventa quindi interoperabilità: la capacità di sistemi e fonti diverse di scambiarsi dati mantenendone comprensibile il significato.
