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

operaciones rastrean pérdidas de combustible, el cumplimiento requiere auditorías, y las finanzas necesitan números defendibles. Lea cómo nuestro cliente en LATAM construyó en Navixy IoT Query un reporte personalizado de comportamiento del conductor que satisfizo sus necesidades comerciales y entregó resultados medibles.

Puntos clave

• Convierta la telemática en evidencia comercial. Correlacione el comportamiento del conductor con costos, mantenimiento e indicadores de seguros usando datos auditables listos para SQL.
• Construya lógica personalizada de ecoconducción. Defina umbrales y fórmulas de puntuación que coincidan con sus objetivos.
• Entregue análisis 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 para conductores

Seamos honestos: la mayoría de los reportes de eco-conducción que existen son aburridos. Enlistan violaciones, asignan algunos puntos arbitrarios y ahí terminan. Pero cuando usted está administrando 1,200 camiones que consumen miles de litros de diésel a la semana, ese tipo de reportes no genera cambios significativos. Usted necesita análisis que expliquen el comportamiento, no solo lo castiguen.

Esa fue la revelación para un proveedor logístico regional que opera en la región de LATAM. Su equipo directivo quería recibir un sistema que vinculara directamente el desempeño del conductor con los costos de combustible, los programas 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 jamás podría utilizar: señales GPS, métricas del bus CAN, registros de temperatura e identificaciones de conductores. Sin embargo, sus herramientas de análisis apenas podían responder estas preguntas:

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

El equipo de TI intentó conectar las piezas a través de APIs y exportaciones CSV. El resultado: maratones nocturnos en Excel, umbrales inconsistentes y tableros que se descomponían cada vez que llegaba una actualización a la plataforma de 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 un traductor".

Navixy IoT Query: una base de datos para análisis reales

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

Esta nueva base de datos les permitió construir un modelo personalizado de conducción ecológica que reflejaba sus prioridades corporativas:

• Los umbrales de exceso de velocidad variaban según la región y el tipo de carretera.
• Los pesos de penalización se basaron en el impacto de costos, no en conjeturas.
• Los puntajes se normalizaron por 100 km, para poder comparar de manera justa a conductores de rutas cortas y largas.

Finalmente, dejaron de adaptar su negocio al software y adaptaron el software a su negocio. El primer tablero en vivo estuvo funcionando 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

El mayor logro no fue solo la reducción en el consumo de combustible (aunque sí lograron reducir el consumo un 11% en 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 riesgos y costos reales, comenzaron a competir para mejorar.

En términos de cifras, los costos de mantenimiento se redujeron 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 primas basado en el uso, construido sobre esas mismas puntuaciones de conducción ecológica.

---

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

Estos son los pasos exactos del algoritmo que siguió el cliente de Navixy, el proveedor de servicios logísticos en LATAM, para obtener el máximo provecho de su reporte de conducción ecológica y convertir el monitoreo del comportamiento del conductor en mejoras empresariales medibles:

1. Identifique el KPI principal: control de costos de combustible, reducción de riesgos o cumplimiento normativo.
2. Establezca bandas de infracciones y ponderaciones de penalización con los equipos de operaciones y finanzas.
3. Construya SQL de detección de eventos para exceso de velocidad, frenado/aceleración bruscos y giros cerrados.
4. Normalice las puntuaciones (por cada 100 km/hora) para comparar elementos equivalentes.
5. Publique tablas detalladas y de resumen; conéctelas a una herramienta de BI mediante PostgreSQL.
6. Programe revisiones; ajuste las ponderaciones 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 operacional de su flota.

---

Guía práctica: cómo crear un reporte personalizado de eco-conducción en Navixy IoT Query

Con Navixy IoT Query, crear un reporte de eco-conducción 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 infracciones de conducción:

• Exceso de velocidad: puntos para rangos como +0–20 km/h, +20–40 km/h, etc. (se pueden segmentar por tipo de vía/región)
• Frenado brusco: desaceleración que supera un umbral establecido.
• Aceleración brusca: aceleración rápida por encima de un límite seleccionado.
• Curvas cerradas: cambios súbitos de dirección a velocidades altas.

Cada evento puede tener asignada 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 en costos o riesgos. Las áreas de finanzas y operaciones pueden ser corresponsables de la tabla de penalizaciones para que se alinee con presupuestos y políticas.

Paso 3. Lógica de detección de eventos (funcionamiento interno)

Una vez definidas las áreas y sus umbrales correspondientes, 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 IoT Query, extraiga:

• Velocidad (para detectar excesos de velocidad y calcular aceleraciones).
• Marcas de tiempo (para medir cambios a través del tiempo).
• Rumbo (para detección de giros bruscos).
• Distancia (para normalización de puntuación por cada 100 km).

3.2. Detección de eventos de conducción

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 de Python que lean desde SQL):

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

• Duración (ráfagas cortas ≤ 60 segundos se ignoran 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 tan por encima del límite alcanzó el conductor:

• 0–20 km/h → puntos speed_range1
• 20–40 km/h → puntos speed_range2
• 40–60 km/h → puntos speed_range3
• 60 km/h → puntos 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 el pico y no la duración? Simplifica la política y facilita la revisión: una penalización clara por incidente, en lugar de cálculos "por minuto".

Detectar maniobras bruscas (a partir de 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 estaba moviendo (≥ 10 km/h), agregue puntos 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 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 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 ocurre cuando el cambio de rumbo entre pasos supera su umbral (por ejemplo, 150°) y el vehículo se mueve a una velocidad mínima (por ejemplo, 30 km/h). Cada detección suma puntos de giro_brusco.

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 mismo. 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 de puntaje:

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

Ejemplo:
Si una camioneta recorrió 250 km y acumuló 8 puntos, con distancia_norma = 100 y puntaje_máximo = 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_máximo = 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 sustentabilidad.

Paso 4. Generar 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 produce dos capas de resultados:

• Tabla resumen: total de violaciones por tipo, puntos de penalización acumulados y puntajes normalizados (ej., puntos por 100 km).
• Tabla detallada: cada violación con su marca de tiempo, tipo y penalización. Esta tabla puede utilizarse para auditabilidad y después visualizarse en su herramienta de BI preferida mediante conectores de PostgreSQL.

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

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

La conducción ecológica a menudo se trata como un complemento, una característica opcional. Pero como aprendió del caso de estudio, cuando usted controla la lógica de datos con la ayuda de Navixy IoT Query, se convierte en una herramienta estratégica. No convertirá a todos los conductores en santos de la noche a la mañana. Pero cuando los datos son precisos, transparentes y 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 prediseñados y análisis listos para la toma de decisiones? Contacte a Ventas para habilitar las capacidades de Navixy IoT Query para su negocio.