En la mayoría de las comunidades, el conocimiento sobre la asistencia a los gimnasios se basa en datos declarativos: hojas de asistencia, comentarios de los agentes e información proporcionada por las asociaciones deportivas. Estos datos permiten estructurar la oferta y asignar las franjas horarias, pero por naturaleza siguen siendo parciales.
Estos sistemas declarativos capturan eficazmente las reservas planificadas, la asistencia declarada por las asociaciones o los agentes de recepción y las franjas horarias ocupadas teóricamente. Por otro lado, no documentan las diferencias entre la reserva y la presencia real, los usos con acceso gratuito o sin supervisión, los períodos de infrautilización real a pesar de la reserva o los flujos fuera del horario oficial de apertura.
Esta brecha entre la planificación y el uso real limita la capacidad de controlar con precisión el equipo. Cada vez es más difícil saber si las franjas horarias están realmente ocupadas, identificar los períodos de infrautilización o detectar los usos no supervisados. Por lo tanto, parte de la asistencia, especialmente con acceso gratuito o en ausencia de un agente, escapa a los sistemas de monitoreo tradicionales. Los gerentes se ven obligados a gestionar equipos costosos con una visibilidad parcial de su ocupación real.
En este contexto, Paris&Co, con el apoyo de la ciudad de París como parte del programa Paris Challenges, llevó a cabo un experimento destinado a objetivar la asistencia a sus instalaciones deportivas.
El experimento tuvo lugar del 14 de noviembre de 2025 al 28 de febrero de 2026 en diez gimnasios municipales de París. Los sensores térmicos estereoscópicos de Kiomda se instalaron en las entradas de cada sitio, lo que permitió recopilar más de 200 000 pasajes en total, es decir, una asistencia media de alrededor de 500 pases por día y por sitio. Los datos, anonimizados y consolidados en intervalos de 15 minutos, ofrecen una lectura detallada de la dinámica de asistencia: distribución por horas, picos de asistencia, tasa real de ocupación de las plazas y diferencias entre los días laborables y los fines de semana.
Más allá del volumen de datos recopilados, el experimento tuvo como objetivo confrontar dos fuentes de información: por un lado, los datos del conteo automático continuo; por otro lado, los datos internos existentes, basados en las declaraciones de los agentes y los cronogramas de reservas.
Esta comparación permitió arrojar nueva luz sobre los usos reales del equipo:
Franjas horarias reservadas poco frecuentadas. En la práctica, algunos espacios reservados teóricamente por asociaciones o grupos parecen ser poco frecuentes o incluso vacíos.
Usos importantes del acceso abierto. Otros nichos, de libre acceso o fuera de las playas supervisadas, revelan una actividad significativa que no estaba documentada en los sistemas de monitoreo convencionales. Estos usos, aunque los agentes los conocían empíricamente, no se midieron de manera sistemática.
Máxima asistencia imprevista. El análisis de flujo permite identificar los períodos de mucho tráfico fuera de las horas tradicionalmente consideradas ajetreadas, especialmente al final del día o durante el fin de semana en ciertos sitios.
Estas diferencias plantean cuestiones operativas concretas:
Los datos objetivos se convierten así en una herramienta de toma de decisiones para ajustar la oferta lo más cerca posible de las prácticas reales.
Una de las principales contribuciones de la experimentación radica en la capacidad de observar situaciones que antes eran difíciles de objetivar. Las ranuras sin marco, en particular, constituyen un punto ciego para los dispositivos de monitoreo tradicionales.
En varios sitios, los sensores revelaron una asistencia significativa fuera de las franjas horarias reservadas o durante las horas libres. Estos usos, a menudo tolerados o alentados en una lógica de apertura de los equipos, no se cuantificaron de manera sistemática.
Ejemplo concreto: un gimnasio registra una asistencia de 80 a 100 veces al día con acceso gratuito los fines de semana, mientras que los datos declarativos solo capturan los espacios reservados. Esta información permite comprender mejor el uso real del equipo y adaptar los servicios en consecuencia (seguridad, mantenimiento, horarios de apertura).
En un caso particular, la detección de pasajes nocturnos planteó dudas. Tras el análisis, se trataba de un uso real que no estaba documentado (intervención de mantenimiento, guardia de seguridad) o de un caso específico que requería una verificación sobre el terreno.
Esta capacidad de revelar situaciones inesperadas ilustra el valor de la medición continua y objetiva: permite hacer preguntas que los sistemas declarativos no permiten formular.
La explotación de los datos también ha puesto de manifiesto la dificultad de consolidar fuentes heterogéneas. La intersección entre los datos de los sensores y los datos declarativos requiere un trabajo de alineación e interpretación.
Diferentes formatos de datos. Los cronogramas de reserva, los comentarios de los agentes y los flujos de sensores no utilizan las mismas unidades de medida ni las mismas granularidades temporales. La armonización de estas fuentes requiere un esfuerzo de estructuración.
Se requiere interpretación contextual. Una discrepancia entre los datos declarativos y los datos reales no significa automáticamente un mal funcionamiento. Puede reflejar prácticas legítimas (retraso en la llegada de un grupo, salida anticipada, uso compartido de un nicho). El análisis debe integrar el contexto de campo.
Habilidades analíticas a desarrollar. La producción de datos fiables no basta por sí sola; debe ir acompañada de capacidades de análisis adecuadas para poder aprovecharlos al máximo. Las comunidades necesitan herramientas de visualización y paneles que crucen automáticamente las fuentes y destaquen las diferencias significativas.
Este punto es una lección importante de la experimentación. La medición de la asistencia es un requisito previo, pero el desafío central es transformar estos datos en palancas de gestión operativa.
A nivel técnico, los resultados obtenidos parecían sólidos, con un tasa de confiabilidad superior al 95% en la mayoría de los sitios.
Los diez gimnasios representaban configuraciones variadas: entradas únicas o múltiples, flujos canalizados o libres, equipos de alta capacidad o pequeñas salas especializadas, presencia de agentes o acceso gratuito automatizado. Las configuraciones más complejas, especialmente las que implicaban entradas múltiples o flujos mal canalizados, permitían identificar los límites operacionales y refinar las condiciones de despliegue.
El entorno interior plantea desafíos específicos en comparación con las instalaciones exteriores: menores variaciones de temperatura (menos contraste térmico), iluminación artificial, superficies reflectantes (espejos, ventanas), proximidad a las paredes.
Los sensores térmicos estereoscópicos de Kiomda han demostrado su capacidad para funcionar de forma fiable en estas condiciones, con una precisión comparable a la observada en instalaciones exteriores (vías verdes, áreas naturales).
El experimento confirmó la facilidad de implementación del dispositivo.
Los sensores se fijaron a mástiles, paredes o soportes existentes, sin necesidad de una conexión eléctrica gracias a su funcionamiento con baterías. La instalación se llevó a cabo en 30 minutos por sitio, y algunos agentes pudieron intervenir directamente en la instalación de los sensores tras el apoyo inicial.
La aceptabilidad sobre el terreno demostró ser, en general, buena. Los equipos percibieron rápidamente las ventajas del sistema, en particular por lo que respecta a:
Para la ciudad de París, este enfoque allana el camino para una mejor comprensión de los usos reales de los equipos deportivos, además de las herramientas existentes. Destaca el valor de un enfoque basado en la medición, en particular para analizar los nichos mal supervisados y ajustar la oferta lo más posible a las prácticas, así como para identificar los equipos infrautilizados o saturados.
Para Kiomda, este experimento es una validación importante de la capacidad de la tecnología para funcionar en ambientes interiores, caracterizados por flujos irregulares y configuraciones variadas.
Más allá del campo deportivo, este experimento abre perspectivas de aplicación en otras instalaciones públicas abiertas al público:
En todos estos casos, la capacidad de medir de forma continua, anónima y fiable constituye una palanca de gestión estratégica.
En términos más generales, esta retroalimentación destaca una evolución en las prácticas de administración de instalaciones públicas. La cuestión ya no es solo planificar los usos, sino observarlos y comprenderlos en función de datos objetivos.
En un contexto de crecientes restricciones presupuestarias, fuertes expectativas de los ciudadanos sobre la accesibilidad de los servicios públicos y la necesidad de optimizar la asignación de los recursos, la capacidad de medir los flujos de manera confiable y continua se convierte en una palanca estructurante.
Las instalaciones públicas ya no son solo infraestructuras planificadas: se están convirtiendo en espacios impulsados por datos, en los que cada decisión de ajuste puede basarse en una observación fáctica de los usos reales.
.svg)
Mida la asistencia de un equipo (estadio, gimnasio, biblioteca multimedia, piscina) por franjas horarias para anticipar los picos, dimensionar la operación y justificar sus decisiones.
