“Dal 2018, insieme a FS Research Center, collaboriamo attivamente con Motion Analytica per offrire ai viaggiatori servizi sempre più in linea con le loro necessità di mobilità, grazie all’analisi dei Big Data di telefonia mobile”. Con queste parole Mauro Capurso, responsabile dei modelli e studi trasportistici di Trenitalia e della statistica ufficiale dell’azienda, ha delineato i contorni di una trasformazione radicale nel settore dei trasporti durante il Use Case Session 2026 degli Osservatori Digital Innovation. La principale compagnia ferroviaria italiana ha progressivamente abbandonato i vecchi sistemi di rilevamento statici per abbracciare un modello predittivo e analitico basato sull’elaborazione delle tracce digitali lasciate dai telefoni cellulari. L’obiettivo strategico, in linea con l’evoluzione della smart mobility, è comprendere esattamente come, quando e dove si muovono le persone sul territorio nazionale per calibrare l’offerta commerciale sui bisogni effettivi della popolazione.
Indice degli argomenti
Come i big data per la mobilità ridefiniscono le strategie di trasporto di trenitalia
La gestione di una rete di trasporto complessa richiede una conoscenza profonda e costantemente aggiornata dei flussi di traffico. Trenitalia muove ogni giorno un volume imponente di mezzi: circa 270 Frecce, 40 Eurocity diretti verso la Svizzera e la Germania, 126 Intercity e oltre 6000 treni Regionali attivi sotto contratto di servizio in quasi tutte le regioni italiane. Pianificare in modo efficiente questa mole di collegamenti senza sprecare risorse è una sfida che i metodi tradizionali non riescono più a supportare adeguatamente.
L’introduzione dei big data per la mobilità all’interno dei processi decisionali ha permesso di capovolgere la logica di pianificazione. Non si tratta più di stimare la domanda basandosi su storici rigidi, ma di osservare le tendenze emergenti e riadattare l’offerta in tempi rapidissimi. Questo approccio consente ai decision maker aziendali di individuare tempestivamente nuove opportunità di business, ottimizzare le tracce orarie esistenti e ridurre i costi di gestione legati alla circolazione di convogli sotto-utilizzati.
Dalle indagini campionarie tradizionali al monitoraggio dei flussi in tempo reale
Il cambiamento metodologico attuato dall’azienda descrive una netta linea di demarcazione rispetto al passato. Prima dell’adozione di queste tecnologie, la valutazione delle nuove iniziative commerciali, come l’inserimento di un nuovo treno o l’aggiunta di una fermata in una stazione secondaria, si basava su strumenti limitati. Venivano utilizzate principalmente delle survey campionarie che venivano somministrate soltanto ai viaggiatori italiani. A queste si affiancavano modelli di calcolo basati su proxy rispetto ai servizi già esistenti e l’analisi di dati storici che spesso non risultavano aggiornati.
Oggi lo scenario è completamente differente. Per ogni singola coppia di origine e destinazione sul territorio, i pianificatori sono in grado di analizzare i flussi di mobilità complessiva e quelli specificamente ferroviari con aggiornamenti a cadenza mensile. L’osservazione sistematica permette di conoscere le abitudini di spostamento in base al giorno della settimana, alle fasce orarie di partenza prescelte e persino alla nazionalità dei viaggiatori. La disponibilità di informazioni fresche e dettagliate si traduce nella capacità di configurare il servizio in modo mirato: se l’analisi evidenzia una concentrazione di cento persone che desiderano spostarsi da Milano a Bolzano in una specifica ora del mattino, l’azienda ha gli elementi concreti per programmare un collegamento esattamente in quella fascia oraria.
Il valore dei dati delle sim telefoniche e la garanzia della privacy by design
Il cuore tecnologico di questo sistema di monitoraggio risiede nell’infrastruttura delle reti radiomobili di Fastweb e Vodafone Italia, i cui dati di ownership vengono elaborati dagli algoritmi specialistici di Motion Analytica. David Volpe, Business Development and Sales di Motion Analytica, ha spiegato l’efficacia di questa fonte descrivendo le SIM telefoniche come un muscolo involontario all’interno dell’ecosistema della mobilità. Una scheda telefonica genera normalmente tra i 1200 e i 1500 ping quotidiani verso le celle della rete, creando una proxy estremamente precisa e fedele degli spostamenti reali delle persone sul territorio.
Il bacino statistico analizzato è imponente: si parla di circa 20 milioni di clienti italiani, una quota che rappresenta il 30-35% della popolazione nazionale, a cui si aggiunge il monitoraggio dei viaggiatori stranieri con una quota di mercato del 40%. Un volume così dettagliato di informazioni richiede una gestione rigorosa della riservatezza dei cittadini. Per questa ragione l’intera architettura software segue i principi della privacy by design. I dati telefonici grezzi vengono aggregati e anonimizzati all’origine, impedendo qualsiasi forma di tracciamento individuale o identificazione dei singoli utenti. L’attenzione si focalizza esclusivamente sui comportamenti collettivi e macroscopici, utili a fini statistici e di pianificazione industriale.
L’importanza della granularità spaziale e temporale per intercettare la domanda
La flessibilità del sistema si esprime nella possibilità di variare la granularità dell’analisi a seconda della tipologia di servizio da monitorare o progettare. A livello spaziale, l’algoritmo consente di osservare i dati su base provinciale oppure di suddividere l’Italia in matrici territoriali molto più fitte, composte da 800 o fino a 3000 zone distinte. Questa flessibilità permette di isolare la mobilità di lunga percorrenza da quella tipica del trasporto regionale. Nelle grandi aree urbane come Roma e Milano, gli analisti riescono a individuare persino il quartiere esatto di partenza e quello di arrivo, valutando l’opportunità di istituire collegamenti diretti tra stazioni specifiche come Roma Tiburtina, Milano Rogoredo o Milano Porta Garibaldi.
Altrettanto determinante è la granularità temporale, che mappa i flussi per giorno della settimana e per singola fascia oraria. “Siamo in grado anche di offrire servizi che non necessariamente viaggiano ogni giorno”, ha precisato Capurso, evidenziando come i treni possano essere programmati esclusivamente nei giorni di picco, come il lunedì e il venerdì, o concentrati nelle fasce orarie a maggiore densità di pendolarismo o viaggio, tipicamente tra le 5:00 e le 9:00 del mattino e tra le 16:00 e le 20:00 del pomeriggio.
I casi d’uso concreti dallo scouting di nuove rotte alla gestione delle crisi
L’applicazione pratica di questi algoritmi ha coperto diverse aree di business del gruppo ferroviario. Uno dei principali casi d’uso riguarda lo scouting per l’attivazione di nuovi collegamenti a mercato operati con la flotta Frecciarossa. L’analisi dei dati stradali e telefonici non assiste solo la pianificazione su rotaia, ma supporta anche i servizi intermodali di ultimo miglio come i bus Freccialink, utilizzati per connettere le località turistiche o i centri urbani non raggiunti dall’infrastruttura ferroviaria, e i collegamenti a lunga percorrenza gestiti da Busitalia. La tecnologia ha permesso inoltre di validare le richieste provenienti dagli enti locali per l’attivazione di nuove fermate e di ottimizzare l’integrazione tra ferro e gomma nei nodi di scambio delle stazioni secondarie.
Un banco di prova cruciale per la solidità di questo modello è stato il periodo dell’emergenza pandemica da Covid-19. Durante i periodi di blocco della mobilità, i modelli storici aziendali erano inutilizzabili e la direzione non disponeva di indicatori chiari su quanti convogli fosse necessario rimettere in servizio. Attraverso il monitoraggio quotidiano e settimanale dei ping telefonici, Trenitalia ha potuto calibrare la riattivazione progressiva dei treni evitando la circolazione di mezzi vuoti, un’operazione che ha garantito un risparmio economico rilevante per le casse della società.
Il supermodello trasportistico alimentato da sessanta miliardi di spostamenti
La collaborazione tra le strutture di ricerca interne e il partner tecnologico ha registrato un’evoluzione costante degli algoritmi dal 2018 a oggi. Nelle prime fasi sperimentali si impiegavano esclusivamente i dati di rete mobile in modalità stand-alone, tracciando gli spostamenti in valore assoluto senza distinguere il mezzo di trasporto utilizzato. Successivamente sono state introdotte tecniche avanzate di data fusion, integrando l’immensa quantità di informazioni interne prodotte dai sistemi di Trenitalia con le fonti esterne. Oggi l’algoritmo separa con precisione i diversi vettori di trasporto e monitora i punti di transito strategici come stazioni, aeroporti e valichi di frontiera.
I volumi di dati gestiti descrivono una crescita esponenziale della capacità di calcolo. Se tra il 2017 e il 2018 la sperimentazione era partita contando circa 600 milioni di spostamenti, nel solo anno 2025 il sistema ha registrato 6,7 miliardi di movimenti, portando il computo totale dall’inizio del progetto a oltre 60 miliardi di spostamenti tracciati. Questa imponente base informativa viene oggi utilizzata per alimentare in modo continuo il supermodello trasportistico di Trenitalia, lo strumento software centrale per le simulazioni di rete. Le frontiere dello sviluppo si stanno ora spostando verso la gestione dei dati cross-border, per seguire i flussi dei viaggiatori oltre i confini nazionali sulle rotte Eurocity, e verso l’implementazione di modelli evoluti di forecasting della domanda.
Partecipa alla community