La mejora de la separación de residuos es prioritaria para las Administraciones públicas por las obligaciones derivadas de la Ley 7/2022 de residuos y suelos contaminados para una economía circular y de los objetivos europeos de reciclaje de residuos municipales, que exigen reforzar la recogida separada y mejorar la planificación territorial del servicio. 

Concretamente, en su artículo 11, la Ley 7/2022  impone establecer tasas de recogida que cubran el coste real del servicio y que permitan implantar sistemas de pago por generación. Estas tasas que deberán establecer los ayuntamientos  son una medida potencialmente polémica e impopular, que necesita:

1. Ser justificada y presentada como justa, y razonable
2. Ser anticipada, con estudios previos a su implantación que puedan hacerse llegar a la ciudadanía

La soluciones de Unica360, basadas en modelización microterritorial, algoritmia, series temporales y sistemas de ecuaciones lineales, permite identificar tanto volúmenes de generación de residuos como tasa de impropios (separación incorrecta) por barrios, distritos, edad, género, renta, etc., habilitando sistemas de información que facilitan la lectura de los indicadores como dashboards, GenAI y LLMs con los que los técnicos municipales pueden hacer consultas, tomar datos precisos, predecir escenarios y tomar decisiones de cara a la implantación futura de una tasa por uso.

• Baja visibilidad sobre generación y calidad de separación en origen: muchos municipios no saben con precisión cuánto residuo se genera ni cómo está separando la ciudadanía, lo que dificulta diagnosticar la situación y prepararse para modelos de tasa por uso.
• Falta de lectura microterritorial del rendimiento de la recogida selectiva: los datos suelen estar agregados por distrito o contrato con la empresa encargada de la recogida, sin detalle suficiente para identificar barrios o zonas con peor desempeño.
• Dificultad para imputar residuos e impropios a ciudadanos y comercios: sin sistemas de identificación individual, la Administración no puede atribuir directamente la generación de residuos ni los impropios a cada tipo de generador.
• Escasa capacidad para diferenciar el peso de residentes y actividad económica: la falta de identificación de usuarios impide separar con claridad qué parte del residuo procede de hogares y cuál de comercios o servicios.
• Baja capacidad para anticipar demanda e impacto de cambios operativos: las Administraciones tienen dificultades para prever la evolución futura de los residuos y para estimar el efecto de cambios en contenedores, rutas, frecuencias o campañas.
• Datos dispersos y difícil acceso al conocimiento para usuarios no técnicos: la información relevante está fragmentada entre sistemas y los modelos avanzados resultan poco accesibles para perfiles de negocio o gestión.

No requiere necesariamente APIs estándar (aunque pueden implementarse), ya que permite integrar datos mediante una solución SaaS que ingesta directamente desde ERP o a través de intercambio de ficheros planos.

La integración es por lo general un desarrollo a medida de conectores para ingesta de datos con una configuración básica de software analítico que requiere poca personalización.

• Analítica avanzada del servicio de residuos: el análisis de los datos generados por el servicio permite estimar volúmenes, calidad de separación y patrones de comportamiento, creando una base objetiva para diagnóstico, seguimiento y comunicación pública.
• Analítica espacial y modelización microterritorial: la combinación de location intelligence, variables sociodemográficas y tipologías urbanas permite estimar resultados a escala microterritorial y localizar con precisión las áreas donde la recogida selectiva funciona peor.
• Modelos de imputación probabilística a generadores: el uso de sistemas de ecuaciones y analítica avanzada permite estimar residuos e impropios atribuibles a ciudadanos y comercios, con resultados segmentados por barrio y perfil sociodemográfico.
• Segmentación analítica por tipología de generador: la modelización permite estimar la contribución relativa de residentes y comercios, mejorando el diagnóstico y apoyando decisiones sobre fiscalidad y diseño del servicio.
• Predicción y simulación de escenarios con IA: el uso de series temporales, machine learning y simulación permite anticipar la producción futura y comparar el efecto esperado de distintas configuraciones del servicio antes de implantarlas.
• Integración de datos y acceso en lenguaje natural: la unificación de fuentes heterogéneas junto con interfaces GenAI-LLM permite consultar datos, generar mapas e informes y acceder a insights de forma más intuitiva para usuarios no técnicos.

Impacto de resultado

• Se han identificado oportunidades de aplicación inmediata y obstáculos respecto a la calidad de datos, relacionados con los sistemas de monitorización / pesado de camiones de recogida.
• Datos que llevarían meses de trabajo o que serían imposibles de recopilar: (datos de población por edad-género-renta, comercios geocodificados y clasificados, tráfico peatonal y atracción turística) son generados e integrados en un solo punto de acceso de usuario no experto.

Indicadores operativos 

• Obtención de estimaciones realistas de separación por barrios:  variaciones del 25% en el comportamiento respecto al volumen de residuos generado por personas
• Estimación de residuos por persona un 40% más precisa
• Imputación específica de residuos a comercios un 40% más precisa
• Imputaciones diferenciales fiable de tasas de impropios: 30% variabilidad en la tasa imputado entre barrios
• La predicción de volumen de recogida con alto grado de explicabilidad (r=0.69)

Sistema de análisis de volumetría y calidad de Residuos Sólidos Urbanos para Ayuntamiento de Madrid (proyecto piloto)

• Cliente: Fomento de Construcciones y Contratas (FCC)
  Link aplicación: Pliego Prescripciones Técnicas Particulares Contrato Contenerización Recogida Transporte Residuos