Cómo crear un reporte de manejo ecológico en DataHub

Cuando usted administra cientos de vehículos, las "puntuaciones estándar de seguridad" no cuentan toda la historia. Las operaciones rastrean pérdidas de combustible, el cumplimiento requiere auditorías, y finanzas quiere números defendibles. Lea cómo nuestro cliente en LATAM construyó en Navixy DataHub un reporte personalizado de comportamiento del conductor que cumplió con sus necesidades de negocio y entregó resultados medibles.

Puntos clave

Convierta la telemática en evidencia de negocio. Correlacione el comportamiento del conductor con costos, mantenimiento y KPIs de seguros usando datos auditables y listos para SQL.

Construya lógica personalizada de manejo ecológico. Defina umbrales y fórmulas de puntuación que coincidan con sus objetivos.

Entregue analítica más rápido. Transmita datos de telemática directamente a herramientas de BI.

Involucre a los conductores con retroalimentación transparente. Use puntuación justa para reducir combustible, accidentes y costos de mantenimiento.

Caso de estudio: cómo una flota logística convirtió los datos telemáticos en un motor de mejora de conductores

Seamos honestos: la mayoría de los reportes de manejo ecológico disponibles son aburridos. Enumeran infracciones, asignan algunos puntos arbitrarios y dan el tema por cerrado. Pero cuando usted está gestionando 1,200 camiones que consumen miles de litros de diésel por semana, ese tipo de reportes no genera impacto real. Necesita análisis que expliquen el comportamiento, no solo lo castiguen.

Esa fue la revelación para un proveedor de logística regional que opera en la región de LATAM. Su equipo directivo quería recibir un sistema que vinculara directamente el rendimiento del conductor con los costos de combustible, los cronogramas de mantenimiento y la exposición de seguros.

El punto de partida: Demasiados datos, muy poca claridad

Como la mayoría de las flotas grandes, este proveedor logístico tenía más datos de los que podría usar jamás: pings de GPS, métricas del bus CAN, registros de temperatura e identificadores de conductores. Sin embargo, sus herramientas de análisis apenas podían responder estas preguntas:

¿Qué conductores excedían consistentemente los límites de velocidad en zonas urbanas?
¿Cómo se correlacionan los eventos de frenado brusco con el aumento de los costos de mantenimiento?
Y la pregunta clave: ¿nuestros "puntajes de manejo ecológico" están realmente vinculados a ahorros, o son solo números en un tablero?

El equipo de TI intentó unir las piezas a través de APIs y exportaciones de CSV. El resultado: maratones nocturnos en Excel, límites inconsistentes y tableros que se rompían cada vez que llegaba una actualización a la plataforma telemática.

"Teníamos cinco reportes 'oficiales' diferentes para economía de combustible, y ninguno coincidía", admitió su director de operaciones. "Nuestro gerente de BI se estaba convirtiendo en traductor".

Presentamos Navixy DataHub: una base de datos para análisis reales

Al conectar las fuentes de datos telemáticos a Navixy DataHub, el equipo obtuvo acceso directo por SQL a todo su conjunto de datos (velocidad, RPM, rumbo y marcas de tiempo), todo organizado en una capa Bronze de DataHub estructurada. Sin APIs, sin scripts de consulta y sin trabajos nocturnos por lotes.

Esta nueva base de datos les permitió construir un modelo personalizado de manejo ecológico que reflejara sus prioridades corporativas:

Los umbrales de exceso de velocidad variaban según la región y el tipo de carretera.
Los pesos de penalización se basaban en el impacto de costos, no en conjeturas.
Las puntuaciones se normalizaron por cada 100 km, para que los conductores de rutas cortas y largas pudieran compararse de manera justa.

Finalmente, dejaron de adaptar su negocio al software e hicieron que el software se adaptara a su negocio. El primer panel de control en vivo estuvo listo en una semana. En un mes, tenían tendencias de rendimiento de los 1,200 conductores — no solo alertas, sino contexto: qué rutas, horarios o condiciones desencadenaban comportamientos riesgosos.

El impacto empresarial multidimensional

La mayor victoria no fue solo el menor consumo de combustible (aunque sí lograron reducir el consumo en un 11% durante los primeros tres meses). El verdadero cambio surgió del compromiso de los conductores. Cuando los conductores vieron que la lógica de puntuación tenía sentido y que las penalizaciones reflejaban riesgo y costo reales, comenzaron a competir para mejorar.

En términos de cifras, los costos de mantenimiento se redujeron en un 8%, las reclamaciones por accidentes disminuyeron un 15%, y su aseguradora tomó nota. La empresa ahora está negociando con su compañía de seguros un modelo de prima basado en el uso construido sobre esos mismos puntajes de manejo ecológico.

Lista de verificación práctica de un proveedor de servicios logísticos de LATAM

Este es el algoritmo exacto que siguió el cliente de Navixy, el proveedor de servicios logísticos en LATAM, para aprovechar al máximo su reporte de manejo ecológico y convertir el monitoreo del comportamiento del conductor en mejoras empresariales medibles:

Identificar el KPI principal: control de costos de combustible, reducción de riesgos o cumplimiento normativo.
Elaborar bandas de infracciones y pesos de penalización con operaciones y finanzas.
Construir SQL de detección de eventos para exceso de velocidad, frenado/aceleración brusca y giros cerrados.
Normalizar puntuaciones (por 100 km/hora) para comparar elementos equivalentes.
Publicar tablas detalladas y de resumen; conectarlas a una herramienta de BI vía PostgreSQL.
Programar revisiones; ajustar pesos conforme evolucionen las políticas y redes.

Utilice esta lista de verificación como plantilla inicial para construir su propio reporte de monitoreo del comportamiento del conductor que refleje sus datos, sus prioridades y la realidad operativa de su flota.

Guía práctica: cómo crear un reporte personalizado de manejo ecológico en Navixy DataHub

Con Navixy DataHub, crear un reporte de manejo ecológico no se trata de llenar una plantilla. Se trata de definir su propia lógica sin limitaciones de API ni exportaciones nocturnas. Veamos cómo funciona esto en la práctica.

Paso 1. Definir las entradas

Los datos en bruto provienen directamente de los dispositivos telemáticos: velocidad, ubicación, rumbo y marcas de tiempo.

Paso 2. Configure umbrales y penalizaciones

Establezca umbrales específicos del negocio y pesos de penalización para las infracciones de manejo:

Exceso de velocidad: puntos para rangos como +0–20 km/h, +20–40 km/h, etc. (pueden segmentarse por tipo de vía/región)
Frenado brusco: desaceleración que supere un umbral establecido.
Aceleración brusca: aceleración rápida por encima de un límite elegido.
Giros cerrados: cambios súbitos de dirección a velocidades elevadas.

Cada evento puede asignarse una puntuación de penalización que refleje las prioridades del negocio. Por ejemplo, una aseguradora puede asignar penalizaciones más severas al exceso de velocidad, mientras que un operador de flotillas puede enfocarse más en el frenado brusco que incrementa los costos de mantenimiento. Los pesos de penalización reflejan el impacto de costo o riesgo. Las áreas de finanzas y operaciones pueden ser propietarias conjuntas de la tabla de penalizaciones para que se alinee con presupuestos y políticas.

Paso 3. Lógica de detección de eventos (bajo el capó)

Una vez que las áreas y sus umbrales correspondientes estén definidos, cree la lógica que se aplicará. Convertir esto en información procesable requiere dos capas de procesamiento: detección de eventos y agregación.

3.1. Recopilación de las señales correctas

Desde la capa Bronze de Navixy DataHub, extraiga:

Velocidad (para detectar exceso de velocidad y calcular aceleraciones).
Marcas temporales (para medir el cambio a lo largo del tiempo).
Rumbo (para la detección de giros bruscos).
Distancia (para la normalización de puntuación por 100 km).

3.2. Detección de eventos de manejo

Cada tipo de infracción se identifica comparando los valores en tiempo real con los umbrales definidos por la empresa. Implemente reglas de detección con SQL (o cuadernos Python que lean desde SQL):

Detectar eventos de exceso de velocidad
Al iterar la serie temporal, cada vez que velocidad > límite base, abrimos (o continuamos) un "evento" de exceso de velocidad. Cuando la velocidad baja de regreso al límite o por debajo, cerramos el evento y calculamos:

Duración (ráfagas cortas ≤ 60 segundos son ignoradas como margen de tolerancia),
Pico por encima del límite durante el evento.

La penalización para ese evento es una cantidad fija basada únicamente en qué tanto el conductor excedió el límite:

0–20 km/h → puntos de speed_range1
20–40 km/h → puntos de speed_range2
40–60 km/h → puntos de speed_range3
60 km/h → puntos de speed_range4

def speeding_points(max_over, penalties):
if max_over < 20: return penalties['speed_range1']
if max_over < 40: return penalties['speed_range2']
if max_over < 60: return penalties['speed_range3']
return penalties['speed_range4']

¿Por qué pico y no duración? Simplifica la política y facilita la revisión: una penalización clara por incidente, en lugar de matemáticas "por minuto".

Detectar maniobras bruscas (desde la aceleración)

Estime la aceleración comparando velocidades consecutivas:

Convierta km/h a m/s y divida el cambio por el tiempo entre puntos.
Si la desaceleración está por debajo del umbral de frenado (ej., −3.5 m/s²) y el vehículo se movía (≥ 10 km/h), agregue puntos de harsh_brake.
Si la aceleración está por encima del umbral de aceleración (ej., +3.0 m/s²) y la velocidad era ≥ 10 km/h, agregue puntos de harsh_accel.

def mps(kmh):
    return kmh / 3.6

def detect_harsh_maneuvers(speeds, timestamps, decel_threshold=-3.5, accel_threshold=3.0, min_speed=10):
    points = {'harsh_brake': 0, 'harsh_accel': 0}
    for i in range(1, len(speeds)):
        prev_speed, curr_speed = speeds[i-1], speeds[i]
        dt_seconds = timestamps[i] - timestamps[i-1]

        # omitir si el delta de tiempo es muy pequeño o la velocidad es muy baja
        if dt_seconds <= 0.1 or prev_speed < min_speed:
            continue

        acc = (mps(curr_speed) - mps(prev_speed)) / dt_seconds

        if acc < decel_threshold:
            points['harsh_brake'] += 1
        elif acc > accel_threshold:
            points['harsh_accel'] += 1

    return points

Detectar giros bruscos (a partir de cambios de rumbo)

Si hay dos puntos GPS consecutivos, estimamos el rumbo (dirección). Un giro brusco es cuando el cambio de rumbo entre pasos supera su umbral (por ejemplo, 150°) y el vehículo se desplaza a una velocidad mínima (por ejemplo, 30 km/h). Cada detección añade puntos de harsh_turn.

from math import sin, cos, radians, atan2, degrees

def bearing_deg(lat1, lon1, lat2, lon2):
    phi1, phi2 = radians(lat1), radians(lat2)
    d_lon = radians(lon2 - lon1)
    y = sin(d_lon) * cos(phi2)
    x = cos(phi1) * sin(phi2) - sin(phi1) * cos(phi2) * cos(d_lon)
    return (degrees(atan2(y, x)) + 360) % 360

def delta_heading(h1, h2):
    return abs((h2 - h1 + 180) % 360 - 180)

def detect_sharp_turns(gps_points, speed_threshold=30, heading_threshold=150):
    sharp_turns = []
    for i in range(1, len(gps_points)):
        lat1, lon1, t1 = gps_points[i-1]
        lat2, lon2, t2 = gps_points[i]
        h1 = bearing_deg(lat1, lon1, lat2, lon2)
        if i < len(gps_points) - 1:
            lat3, lon3, t3 = gps_points[i+1]
            h2 = bearing_deg(lat2, lon2, lat3, lon3)
            delta_h = delta_heading(h1, h2)
            speed = calculate_speed(lat1, lon1, lat2, lon2, t1, t2)  # implement this
            if delta_h > heading_threshold and speed >= speed_threshold:
                sharp_turns.append((lat2, lon2, t2, delta_h))
    return sharp_turns

3.3. Agregación en puntajes

Un solo evento de frenado brusco significa poco por sí solo. Pero cuando se agrega a través del tiempo, distancia o conductores, revela patrones:

Por conductor: para comparar rendimiento y destacar necesidades de capacitación.
Por flota: para evaluar exposición al riesgo y costos operativos.
Por 100 km: para normalizar entre diferentes niveles de uso de vehículos.

Fórmula del puntaje:

puntos_por_norma = (puntos_totales / distancia_km) * distancia_norma # ej., por 100 km 
puntaje = max(0, puntaje_maximo - puntos_por_norma) # limitar a cero

Ejemplo:
Si una camioneta recorrió 250 km y acumuló 8 puntos, con distancia_norma = 100 y puntaje_maximo = 100, entonces puntos_por_norma = (8/250)*100 = 3.2 → puntaje = 96.8. Si una camioneta recorrió 250 km y acumuló 8 puntos, con distancia_norma = 100 y puntaje_maximo = 100, entonces puntos_por_norma = (8/250)*100 = 3.2 → puntaje = 96.8.

El motor de reportes resume todas las violaciones en un modelo de puntuación. Por ejemplo, un conductor puede acumular 45 puntos de penalización por 100 km, mientras que otro promedia solo 12. Estos resultados alimentan directamente los KPI del negocio: modelos de riesgo de seguros, pronósticos de mantenimiento o metas de sostenibilidad.

Paso 4. Genere el reporte

Agregue las penalizaciones por conductor/vehículo/ruta y normalice los datos para comparar de manera justa entre diferentes ciclos de trabajo. El sistema genera dos niveles de resultados:

Tabla resumen: total de infracciones por tipo, puntos de penalización acumulativos y puntajes normalizados (ej. puntos por 100 km).
Tabla detallada: cada infracción con su marca de tiempo, tipo y penalización. Esta tabla puede utilizarse para auditoría y luego visualizarse en su herramienta de BI preferida mediante conectores PostgreSQL.

Esta vista dual permite tanto supervisión táctica (quién hizo qué y cuándo) como perspectiva estratégica (puntajes agregados por vehículos o períodos de tiempo).

Resumen: convierta el monitoreo del comportamiento del conductor en una estrategia de datos

El manejo ecológico a menudo se trata como un complemento, una funcionalidad de verificación. Pero como usted aprendió del caso de estudio, cuando controla la lógica de datos con la ayuda de Navixy DataHub, se convierte en una herramienta estratégica. No convertirá a cada conductor en un santo de la noche a la mañana. Pero cuando los datos son precisos, transparentes y están alineados con el negocio, la mejora deja de ser una conferencia y comienza a ser una cultura. Eso es lo que descubrió el socio de Navixy en LATAM, y todo comenzó con una idea clara de lo que realmente importaba.

¿Desea explorar la diferencia entre tableros preconfigurados y análisis listos para la toma de decisiones? Contacte a Ventas para habilitar las capacidades de Navixy DataHub para su negocio.

Cómo crear un reporte de hábitos de manejo en DataHub para monitorear el comportamiento de flotas

Autor