Optimizando la planificación de despliegues FTTH a través de modelos predictivos de Machine Learning.

La fibra óptica hasta el hogar (FTTH) es una tecnología fundamental para la transformación digital y el desarrollo económico de nuestras sociedades. Su alta velocidad, capacidad y fiabilidad permiten mejorar la experiencia de usuario y habilitan una amplia gama de servicios digitales, y contribuyen a la reducción de la brecha digital y a la mejora de la cohesión social. No obstante, la elevada inversión en el despliegue de esta infraestructura supone un enorme desafío para los operadores de telecomunicaciones, por lo que una correcta planificación de la actividad resulta crítica.

En este contexto, berocam fue contratado por un operador de un país europeo con objetivos comprometidos muy ambiciosos de despliegue de fibra en todo el territorio nacional, incluyendo tanto zonas urbanas, donde el operador contaba con más experiencia, como en zonas rurales y con baja densidad de población.

El objetivo del proyecto era precisamente proporcionar a este operador herramientas para llevar a cabo un proceso de planificación y presupuestación del coste de despliegues de FTTH de una manera mucho más ágil, precisa y detallada de lo que era capaz hasta el momento.

Para lograr el objetivo planteamos un enfoque analítico basado en Machine Learning, que pusiera en valor tanto la información histórica interna del cliente relativa a despliegues pasados como fuentes externas y datos relativos a los municipios y zonas de despliegue, especialmente factores sociodemográficos, geográficos, topológicos y urbanísticos. Con todo ello el desafío era activar ese gran volumen de datos a través de la construcción de un modelo predictivo que fuera capaz de inferir el coste de los despliegues futuros.

Uno de los principales focos del proyecto fue el cálculo de la distancia en metros de un trazado que pudiera asimilarse a la ruta real de los cables de fibra en el despliegue en un municipio. Es decir, un trazado que consiguiera conectar cada uno de los edificios a la central de comunicaciones más cercana respetando los detalles urbanísticos de cada municipio. Abordamos este cálculo como un problema de grafos, y para obtener el resultado aplicamos algoritmos de MST (Minimum Spanning Tree), los cuales permiten encontrar el árbol de conexión mínimo que conecte los vértices de un grafo.

En nuestro caso el inicio del grafo sería la central de telecomunicaciones y los vértices serían los edificios por conectar. Una vez procesada toda la información geolocalizada de central y edificios, y después de integrar en el propio algoritmo fuentes externas con el detalle de la configuración urbanística y topológica de cada proyecto, conseguimos llevar a cabo el cálculo detallado de esa distancia proyecto a proyecto.

Integramos este resultado con decenas de variables adicionales tanto externas como internas e iniciamos un proceso iterativo en el que probamos enfoques tanto lineales como no lineales, aplicando en todas las fases del análisis ejercicios de validación cruzada que aseguraran la representatividad, robustez y precisión del modelo

Como culminación del proceso conseguimos generar un modelo de regresión lineal multivariable con niveles muy altos de correlación (R2 > 0,8) y cuyos resultados de predicción de metros de fibra y costes asociados de despliegue resultaron ser muy precisos cuando los comparábamos con casos reales.

Aplicando esta herramienta predictiva basada en Machine Learning nuestro cliente es capaz de predecir ahora, de forma automatizada, y con un rango de error inferior al +/-5%, el coste de todo tipo de despliegues de FTTH independientemente de la tipología y región, lo cual supone una mejor muy relevante sobre las desviaciones registradas en procesos de presupuestación y planificación anteriores.