Comment la couche Bronze de Navixy DataHub optimise l'analytique

La plupart des équipes de développement gaspillent des ressources précieuses sur les défis d'intégration des données télématiques, luttant contre les limitations de débit des API, construisant des scripts d'export fragiles et se débattant avec les exigences de conformité. La couche Bronze de Navixy DataHub élimine ces goulots d'étranglement. Découvrez les capacités que cette plateforme d'analytique télématique offre à votre entreprise.

Points clés à retenir

• Accédez aux données télématiques brutes avec du SQL direct, éliminant les goulots d'étranglement des API et accélérant l'analytique d'entreprise.
• Concevez et exécutez des analyses de flotte personnalisées adaptées à vos objectifs opérationnels et indicateurs de performance uniques.
• Activez la surveillance de capteurs en temps réel, la détection d'anomalies, la maintenance prédictive et des insights géospatiaux avancés.
• Transformez la télématique en un moteur évolutif pour l'analytique prédictive d'entreprise et des décisions plus intelligentes.

Analyses de flotte de niveau entreprise sans obstacles

Navixy DataHub fournit aux développeurs travaillant avec des flottes de niveau entreprise un accès SQL direct aux flux de télématique en temps réel, aux jeux de données historiques et à la conception flexible de schémas de données pour créer des applications d'analyse de flotte personnalisées.

Contactez l'équipe commerciale pour découvrir les principaux avantages d'une nouvelle approche des analyses de flotte disponible avec Navixy DataHub.

La plateforme Navixy DataHub élimine les limites de taux d'API et les contraintes d'accès aux données, permettant de créer tout, des tableaux de bord opérationnels en temps réel aux moteurs d'analyse multidimensionnels complexes. Avec la compatibilité PostgreSQL et la prise en charge native de l'intégration pour les outils BI populaires, les frameworks ML et les pipelines de données, les développeurs peuvent exploiter leurs compétences et chaînes d'outils existantes sans verrouillage fournisseur.

L'architecture sous-jacente Private Telematics Lakehouse (PTL) expose quatre modèles clés de traitement de données via des interfaces SQL standard :

• ingestion de données en flux continu pour les applications temps réel,
• analyse de séries temporelles pour les rapports historiques,
• pipelines d'ingénierie de caractéristiques pour l'entraînement de modèles ML,
• jointures entre tables pour l'intelligence d'affaires contextuelle.

Cette architecture donne aux développeurs la flexibilité d'implémenter une logique métier personnalisée directement en SQL ou d'extraire des données pour traitement dans Python, R ou d'autres environnements analytiques et outils BI.

Scénarios d'analytique de flotte activés par la couche Bronze

La couche Bronze expose des jeux de données bruts et structurés que les développeurs peuvent interroger directement pour des applications telles que :

• Surveillance en temps-réel des lectures de capteurs

DataHub prend en charge l'ingestion en temps quasi-réel des données télématiques, permettant aux tableaux de bord en direct et aux panneaux opérationnels d'afficher les valeurs des capteurs tels que GPS, vitesse, régime moteur, température ou niveaux de carburant avec un délai minimal. Cette capacité de streaming offre aux dispatcheurs et gestionnaires une visibilité immédiate sur les statuts de flotte, permettant un dépannage plus rapide, une conscience opérationnelle et une prise de décision éclairée.

• Détection d'anomalies

Identifiez les irrégularités telles que le vol de carburant, les dysfonctionnements de capteurs ou l'utilisation non autorisée de véhicules grâce à des frameworks de détection en temps réel. DataHub permet de lancer des approches statistiques, générant des alertes à haute confiance basées sur les écarts par rapport aux normes historiques ou aux seuils comportementaux définis.

• Maintenance prédictive

Anticipez les défaillances de composants en analysant les modèles de température, régimes moteur, codes de défaut et pannes historiques. En entraînant des modèles d'apprentissage automatique sur ces données, les entreprises peuvent passer de réparations réactives à une planification proactive — réduisant les réparations d'urgence, améliorant la disponibilité des véhicules et optimisant les intervalles de service.

• Intelligence géospatiale

Analysez les données de mouvement dans le temps et l'espace pour découvrir des géofences, optimiser les emplacements de dépôts ou d'entrepôts, et évaluer la couverture de service géographique. Les positions d'actifs peuvent être comparées avec les emplacements en temps quasi-réel, tandis que les données télématiques ajoutent des insights contextuels pour soutenir une meilleure prise de décision.

Tableaux de bord fleet personnalisés en temps réel : une précision où chaque minute compte

La couche Bronze du DataHub Navixy marque le point de départ d'un parcours analytique approfondi qui capture les données brutes non filtrées dans un environnement structuré et interrogeable. Elle est indispensable pour créer des tableaux de bord ou applications significatifs et relever les défis opérationnels immédiats grâce au monitoring en temps réel et aux rapports historiques.

Vous pouvez récupérer et visualiser les données brutes telles quelles, ou appliquer une logique pour créer de nouvelles métriques, KPI et statuts personnalisés. Examinons des exemples pratiques.

Cas d'usage : surveillance des capteurs en temps réel

Dans une usine de fabrication, les opérateurs ont créé un tableau de bord Grafana pour surveiller les données de capteurs en direct — avec filtrage par équipement, type de capteur ou capteurs individuels. Cela leur a permis de détecter les anomalies précocement, d'éviter les arrêts de production et d'améliorer les temps de réponse en maintenance.

Le tableau de bord utilisait des requêtes SQL sur les données brutes, comme celle-ci :

select
	o.object_label,
	lcs.sensor_type,
	lcs.device_time,
   lcs.value as last_measurement_value
FROM business_data.latest_calibrated_sensors lcs
LEFT JOIN raw_business_data.objects o ON o.device_id = lcs.device_id
WHERE 1=1
and lcs.sensor_id is not null
ORDER BY lcs.device_time DESC

Aucune configuration complexe n'était requise — juste un accès direct aux données d'entrée et un outil de visualisation connecté au DataHub.

Cas d'usage : tableau de bord du statut de flotte avec logique personnalisée

Dans le secteur logistique, les gestionnaires de flotte avaient besoin de tableaux de bord dépassant les catégories d'événements standard. En utilisant la couche Bronze de DataHub, ils ont construit un tableau de bord de « statut de mouvement » basé sur une logique personnalisée — comme des seuils de vitesse minimum et des temps d'arrêt. Voici une version simplifiée de la requête utilisée :

WITH tracking_data_core AS (
  SELECT * FROM raw_telematics_data.tracking_data_core tdc
  WHERE tdc.device_time >= NOW() - INTERVAL '15 minutes'
    AND tdc.event_id IN 
(2, 802, 803, 804, 811)
  ORDER BY tdc.device_time, tdc.device_id DESC
)
SELECT DISTINCT ON (tdc.device_id)
  tdc.device_id,
  tdc.event_id,  tdc.platform_time,
  tdc.speed / 100 AS speed,
  tdc.latitude / 1e7 AS latitude,
  tdc.longitude / 1e7 AS longitude,
  tdc.altitude / 1e7 AS altitude,
  tdc.device_time,
  CASE 
    WHEN tdc.speed / 100 > 2 
      AND EXTRACT(EPOCH FROM (NOW() - tdc.device_time)) / 60 < 3 
      THEN 'moving'
    WHEN EXTRACT(EPOCH FROM (NOW() - tdc.device_time)) / 60 < 3 
      THEN 'stopped'
    ELSE 'parked'
  END AS moving_status,
  CASE 
    WHEN EXTRACT(EPOCH FROM (NOW() - tdc.device_time)) / 60 <= 1 THEN 'active'
    WHEN EXTRACT(EPOCH FROM (NOW() - tdc.device_time)) / 60 <= 3 THEN 'idle'
    ELSE 'offline'
  END AS connection_status,
  to_char(tdc.device_time, 'YYYY-MM-DD HH24:MI:SS') as last_connect_formatted
FROM tracking_data_core AS tdc
ORDER BY tdc.device_id, tdc.device_time DESC

La force de ce modèle réside dans sa capacité d'adaptation. Par exemple, en plus des statuts standard, les utilisateurs peuvent définir leurs propres statuts personnalisés, comme le statut « stationnement » — déclenché uniquement lorsqu'un véhicule se trouve dans une zone géographique délimitée d'un entrepôt et que son capteur de porte est actif. La logique est entièrement configurable via SQL, donnant aux équipes opérationnelles un contrôle direct sur la façon dont leur flotte est surveillée et rapportée. Vous pouvez également utiliser Python pour créer une application avec votre propre tableau de bord ou rapport comme illustré sur l'écran ci-dessous.

Cette approche offre aux gestionnaires une supervision en temps réel et la liberté de faire évoluer la logique sans intervention du fournisseur ou dépendance à des modèles prédéfinis.

Exploitez DataHub comme passerelle vers l'analytique avancée de flotte

La couche Bronze de DataHub constitue un excellent point de départ pour acquérir une véritable compréhension de vos opérations. Une fois ces fondations établies, les entreprises peuvent dépasser la détection basée sur des règles pour développer des modèles plus avancés.

À ce niveau, vous pouvez :

• Appliquer l'apprentissage automatique pour identifier les trajets suspects.
• Construire des systèmes de scoring prédictif pour anticiper les comportements à risque des conducteurs.
• Intégrer les insights d'éco-conduite avec les données de maintenance et de conformité pour maximiser l'efficacité de la flotte.

En plaçant le contrôle des données et de la logique directement entre les mains des décideurs, Navixy DataHub transforme la télématique de tableaux de bord statiques en un puissant moteur d'intelligence et d'automatisation.

Contactez l'équipe commerciale pour découvrir comment l'exploitation de la couche Bronze de Navixy DataHub peut répondre à vos besoins d'analytique et de reporting.