La experiencia de un evento masivo, el aforo y la medición en Rock al Parque 2026

“Con esa primera prueba pudimos inferir, por ejemplo, el interés del público por un artista a cierta hora: la densidad frente a su tarima y la capacidad de ese artista de retener a la gente. Es como tener la métrica de retención de YouTube, pero en vivo.”

En Rock al Parque, al cierre del domingo, Mon Laferte, El Tiempo, El Espectador y Publimetro reportaron: aglomeración en las salidas, gente trepando rejas para salir, una valla que cedió cerca de la tarima Plaza, y cuatro personas atendidas por dificultad para respirar.

Para mí el punto no es desacreditar el excelente trabajo del gobierno distrital, al contrario, es de aplaudir todo lo que se hizo, y resaltar que en la diversa Bogotá exista tanto interés por eventos masivos gratuitos como este. Pero hay que ajustar la medición y la planeación. Entre sábado y domingo el festival ya había reunido más de 465.000 personas, por encima de lo que la propia Alcaldía había proyectado. Cuando un festival gratuito crece así de rápido, la logística y la planeación deben crecer a la misma velocidad. Saber cuánta gente cabe no sirve de nada si no se sabe, en tiempo real, el momento en el que se debe empezar a controlar.

Una de las mediciones más importantes es conocer el movimiento de la gente dentro del parque, cómo se mueve la densidad de las personas en el espacio, y eso, únicamente con personal de logística en terreno, es imposible de medir y mucho menos predecir.

En 2023, cuando dirigía el Observatorio de Cultura, volamos drones sobre el festival, uno por cada tarima. Las imágenes se procesaban cada hora y armaban un mapa de calor en tiempo real: dónde se concentraba la gente, cómo se movía el flujo frente a cada escenario, en qué momento se llenaba cada uno. No era para contar personas. Era para entender comportamiento.

Con eso vimos qué artista en cuál tarima llenaba más, en qué momentos del día se movía la gente entre tarimas, cómo se comportaba el público alrededor de la zona de emprendimiento. Información que con contadores en las entradas, nunca van a poder ser calculado, porque un contómetro solo ve el instante en que alguien entra, no lo que sucede durante el evento o la experiencia.

Ese año junto al equipo, desarrollé una metodología propia, compuesta de muchas otras, la llamé: Metodología de Modelación de Densidad de Eventos Masivos, o MMDEM (C. Tiria, 2026). No es un estándar ni una norma certificada (aunque estoy escribiendo un artículo más riguroso para ello). Es una forma ordenada de reconstruir lo que hicimos en 2023, la he venido trabajando en diferentes espacios y mediciones actuales. Hoy está en versión 0.5 (por ponerle cualquier número de versión) falta trabajar validaciones y precisión, pero quiero compartirles el proceso de lo que va en este 2026.

MMDEM v 0.5 2026.

La idea es sencilla. Se toma una imagen aérea del lugar del evento, con su fecha y su procedencia registradas, y se parte el espacio en una cuadrícula de celdas. A cada celda se le asigna una densidad: cuántas personas hay por metro cuadrado. Con eso se calcula cuánta gente hay en ella, y al sumar todas las celdas se estima cuánta gente había en la zona analizada en ese instante.

Previo a todo esto, es necesario hacer un levantamiento físico del espacio, como cuando realizamos cartografía tradicional, luego sobre una imagen aérea del lugar se marcan los polígonos de cada zona, se hacen las guías y la proyección del evento: escenario, público, tránsito, servicios y lo que la gente no puede ocupar. Los caminos, las gradas, las escaleras y los árboles se respetan tal como están, y cada área se mide en metros cuadrados. De ahí sale el área útil, que es la que la gente puede ocupar, se cruza con la visibilidad del escenario y las pantallas.

Así se ve en esta reconstrucción virtual del escenario 1, la plaza principal:

Cada escenario tiene su propia forma, y la cuadrícula se adapta a ella. Este es el escenario 3 en la ilustración, un recorrido de senderos con pradera y zonas verdes:

La cuadrícula sirve para delimitar y poder contar. A cada celda se le mira la imagen, se la clasifica en un nivel de ocupación con una escala documentada y se le asigna una densidad en personas por metro cuadrado. Esa densidad se contrasta con conteos manuales en una muestra de celdas, cuando la imagen lo permite. Después viene una multiplicación y una suma. Para un momento t:

N(t) = Σ A(i) × ρ(i, t), con i = 1, 2, …, k

N(t) es el total estimado de personas en el momento t. A(i) es el área útil de la celda i, en metros cuadrados. ρ(i, t) es la densidad estimada de esa celda, en personas por metro cuadrado. Y k es el número de celdas. La gente estimada en una sola celda es N(i, t) = A(i) × ρ(i, t). Un ejemplo ilustrativo: en una celda con 80 metros cuadrados útiles a la que se le asignan 2 personas por metro cuadrado, se estiman 160 personas. Esa cifra no es una medición del Simón Bolívar, solo muestra la cuenta.

Se estima sobre la imagen la densidad a partir del modelo realizado, donde hay más fallas es en árboles, estructuras o ángulos que tapan a la gente. Por eso el resultado es un estimado con margen de error, no un conteo. Realmente sirve para predecir densidad, no para un número de asistencia.

Con la densidad de cada celda se dibuja el mapa. Primero uno por celdas y después, se suaviza con interpolación o con estimación de densidad por kernel (KDE) para obtener el mapa de calor continuo.

El mapa se puede repetir en el tiempo. Con imágenes de dos momentos, t1 y t2, tomadas en condiciones comparables, una resta dice cuánto cambió la ocupación de cada celda:

ΔN(i) = N(i, t2) - N(i, t1)

Eso mide el cambio neto: cuánta gente ganó o perdió una celda entre una imagen y la otra. Quien entró y salió entre las dos no aparece. Tampoco dice por dónde llegó, a qué velocidad se movió ni cuánta gente cruzó. Para medir flujos hace falta video con seguimiento, conteos de cruce en un punto o registros de acceso.

El último paso es rectificar y validar calidad del dato. Al menos dos personas revisan las asignaciones por separado y se prueba cuánto cambia el total si las densidades varían dentro de rangos razonables. Se calculan los errores posibles, como la perspectiva, los árboles y las gradas que tapan a la gente y la ocupación desigual. Y se reporta aparte lo observado, lo estimado y lo simulado.

La MMDEM tiene su base conceptual y teórica en:

• El método de Jacobs (1967) estima asistentes a partir del área ocupada y una densidad aproximada. Es la base del conteo por sectores, y depende de que la densidad supuesta sea confiable y de dejar por fuera lo que la gente no puede ocupar.
• El enfoque de Fruin (1971) describe los niveles de ocupación y circulación peatonal, y sirve para interpretar las densidades en los contextos que corresponden.
• El conteo de personas en imágenes (crowd counting), manual o automático (por ejemplo, Zhang et al., 2016; Li et al., 2018), sirve para calibrar y validar las densidades que se asignan.
• La estimación de densidad por kernel, KDE (Silverman, 1986), suaviza las observaciones para pasar de celdas a una superficie continua.
• El modelo de fuerzas sociales de Helbing y Molnár (1995) simula el desplazamiento de las personas y sirve para explorar hipótesis de movimiento y de cuellos de botella. Sus resultados son simulaciones.

Con esa primera prueba pudimos inferir, por ejemplo, el interés del público por un artista a cierta hora: la densidad frente a su tarima y la capacidad de ese artista de retener a la gente. Es como tener la métrica de retención de YouTube, pero en vivo.

En YouTube, la gráfica de retención muestra qué porcentaje de la audiencia sigue viendo el video en cada minuto, y así se sabe en qué momento se va la gente y qué momentos la enganchan. En vivo la lógica es la misma, pero con personas en un espacio: para una presentación de una hora, cuántas personas se quedaron durante esa hora. Así se ven las dos métricas, una al lado de la otra:

Valdría la pena hablar del nivel atencional y de retención que tienen los eventos en vivo vs. el que tiene un video de YouTube, que no se mida la experiencia en vivo, hace que no sea comparable. A mi modo de ver, tiene un nivel de retención y atención muy superior a lo digital, (esa puede ser una conversación para otro post).

Esta es una de mis obsesiones: usar tecnología para entender la experiencia en vivo de un evento, no después, con una encuesta. Los drones son solo un ejemplo. Hoy hay mucha más tecnología para esto: visión por computador, sensores IoT, hasta datos de redes de celulares.

Con esos modelos se puede avisar que una zona se acerca a un nivel peligroso, mientras todavía hay tiempo de abrir una salida o cerrar un ingreso. Ya hay casos concretos. En el maratón de Viena, con unos 300.000 espectadores, el GPS y el bluetooth de los celulares de voluntarios sirvieron para predecir la densidad con doce minutos de anticipación (Anzengruber et al., 2013). En la peregrinación anual a La Meca, que mueve más de un millón y medio de personas, usan drones, avionetas y más de 15.000 cámaras con inteligencia artificial para detectar cuellos de botella y redirigir a la gente en tiempo real. El metro de Hong Kong tiene 58 cámaras con analítica de video en las estaciones que sirven a sus estadios, y proyecta los tiempos de espera en las pantallas del andén. En Amberes, Bélgica, la alcaldía usa datos de operadores de telefonía móvil para ver la densidad de público en tiempo real durante eventos masivos en la ciudad.

Casi todos esos casos son de eventos con boletería: tiquete, chip, torniquete. Ahí contar es relativamente fácil. El problema de verdad sin resolver es medir un evento de entrada libre, como Rock al Parque, donde nadie pasa por un punto único y controlado. Ahí es donde drones, cámaras y sensores dejan de ser un lujo y empiezan a ser necesidad de apoyarnos en la tecnología.

Referencias

Anzengruber, B., Pianini, D., Nieminen, J., & Ferscha, A. (2013). Predicting social density in mass events to prevent crowd disasters. En Social Informatics: SocInfo 2013 (Lecture Notes in Computer Science, vol. 8238, pp. 206-215). Springer. https://doi.org/10.1007/978-3-319-03260-3_18

Fruin, J. J. (1971). Pedestrian planning and design. Metropolitan Association of Urban Designers and Environmental Planners.

Helbing, D., & Molnár, P. (1995). Social force model for pedestrian dynamics. Physical Review E, 51(5), 4282-4286. https://doi.org/10.1103/PhysRevE.51.4282

Jacobs, H. A. (1967). To count a crowd. Columbia Journalism Review, 6(1), 37-40.

Li, Y., Zhang, X., & Chen, D. (2018). CSRNet: Dilated convolutional neural networks for understanding the highly congested scenes. En Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 1091-1100). https://doi.org/10.1109/CVPR.2018.00120

Silverman, B. W. (1986). Density estimation for statistics and data analysis. Chapman and Hall.

Tiria, C. (2026). Metodología de Modelación de Densidad de Eventos Masivos (MMDEM), versión 0.5 [documento de trabajo].

Zhang, Y., Zhou, D., Chen, S., Gao, S., & Ma, Y. (2016). Single-image crowd counting via multi-column convolutional neural network. En Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 589-597). https://doi.org/10.1109/CVPR.2016.70