Teoría de grafos para analistas de datos: lo que realmente necesitas saber

No necesitas una carrera en informática para usar análisis de redes sobre datos operativos. En el trabajo de Mobi Vancouver modelé 264 estaciones como nodos y los viajes como aristas ponderadas, y pregunté cuáles estaciones sostienen la red y cuáles salen caras en silencio. El caso de estudio publicado usa el extracto de septiembre 2024 — más de 150 mil viajes a través de un ETL en R hacia igraph. Las tres ideas que de verdad cambiaron la recomendación no fueron teoría de grafos de libro. Fueron clustering, centralidad y el ratio de grado.

Clustering primero: invertir pesos de arista para que las rutas frecuentes se lean como cercanas, y dejar que el método de Ward parta la red. Salieron cuatro comunidades (84, 80, 74 y 26 estaciones). Eso es un mapa de operaciones — dónde la cohesión es alta, dónde es débil — no un dendrograma bonito por sí mismo.

Centralidad segundo, y con más de un lente. Betweenness (media 239.2) nombró los puentes por los que el tráfico tiene que pasar — estaciones 222, 76 y 223 en este extracto. Eigenvector señaló hubs cableados a otros nodos ocupados (209, 105, 103). Closeness (media 0.566) ordenó la alcanzabilidad. Juntas son una lista de prioridad: mantener los puentes abastecidos, no tratar cada punto del mapa como igual.

Ratio de grado tercero. No hubo nodos sumidero — cada estación envió y recibió — pero el nodo 982 absorbió mucho más de lo que despachó (ratio 3.5). Esa es la estación a la que mandas el camión antes de que el dock se llene. Los dashboards que solo muestran conteos actuales nunca dicen por qué. El grafo sí.

Esos tres bastan para pasar de "la red se siente desigual" a un plan de rebalanceo por zona. El resto de la teoría puede esperar hasta que el operador haga una pregunta que el grafo no haya contestado ya.