Comment la couche Bronze de Navixy IoT Query alimente les analyses personnalisées

La plupart des équipes de développement gaspillent des ressources précieuses sur les défis d'intégration des données télématiques, luttant contre les limites de taux d'API, construisant des scripts d'exportation fragiles, et se débattant avec les exigences de conformité. La couche Bronze de Navixy IoT Query élimine ces goulots d'étranglement. Lisez pour explorer les capacités que cette plateforme d'analyses télématiques permet pour votre entreprise.

Points clés à retenir

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

Analytiques de flotte de niveau entreprise sans obstacles

Navixy IoT Query fournit aux développeurs, qui travaillent avec des flottes de niveau entreprise, un accès SQL direct aux flux télématiques en temps réel, aux jeux de données historiques et à la conception flexible de schémas de données pour créer des applications d'analytique de flotte personnalisées.

Contactez les ventes pour découvrir les principaux avantages d'une nouvelle approche de l'analytique de flotte disponible avec Navixy IoT Query.

La plateforme Navixy IoT Query élimine les limites de taux d'API et les contraintes d'accès aux données, permettant de construire tout, des tableaux de bord opérationnels en direct aux moteurs d'analytique multidimensionnels complexes. Avec la compatibilité PostgreSQL et le support d'intégration native 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 des données via des interfaces SQL standard :

• ingestion de données en streaming pour les applications temps réel,
• analyse de séries temporelles pour le reporting historique,
• pipelines d'ingénierie des caractéristiques pour l'entraînement de modèles ML,
• jointures inter-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 en Python, R ou d'autres environnements analytiques et outils BI.

Scénarios d'analyse de flotte activés par la couche Bronze

La couche Bronze expose des jeux de données bruts et structurés que vous pouvez interroger directement pour des applications telles que :

• Surveillance en temps réel des lectures de capteurs

Navixy IoT Query prend en charge l'ingestion en temps réel des données télématiques, permettant aux tableaux de bord en direct et aux panneaux opérationnels d'afficher les valeurs des capteurs telles que le GPS, la vitesse, le régime moteur, la température ou les niveaux de carburant avec un délai minimal. Cette capacité de streaming offre aux répartiteurs et aux 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. Navixy IoT Query vous permet de lancer des approches statistiques, permettant des alertes de haute confiance basées sur les écarts par rapport aux normes historiques ou aux seuils comportementaux définis.

• Maintenance prédictive

Anticipez les pannes de composants en analysant les tendances de température, de régime moteur, de codes de défaut et d'historiques de pannes. En entraînant des modèles d'apprentissage automatique sur ces données, vous pouvez passer de réparations réactives à une planification proactive — réduisant les réparations d'urgence, améliorant le temps de fonctionnement des véhicules et optimisant les intervalles de service.

• Intelligence géospatiale

Analysez les données de mouvement à travers le temps et l'espace pour découvrir des géobarrières, 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 de flotte personnalisés en temps réel : précision où chaque minute compte

La couche Bronze de Navixy IoT Query marque le point de départ d'un parcours analytique approfondi capturant des données brutes non filtrées dans un environnement structuré et interrogeable. Elle est indispensable pour créer des tableaux de bord ou applications significatifs et répondre aux défis opérationnels immédiats grâce au monitoring en temps réel et au reporting historique.

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 — en filtrant par actif, type de capteur ou capteurs individuels. Cela a permis de détecter les anomalies précocement, d'éviter les temps d'arrêt et d'améliorer la réponse de maintenance.

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

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 entrées et un outil de visualisation connecté à IoT Query.

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

En logistique, les gestionnaires de flotte ont besoin de tableaux de bord qui vont au-delà des catégories d'événements standard. En utilisant la couche Bronze, ils ont construit un tableau de bord de « statut de mouvement » basé sur une logique personnalisée — comme des seuils de vitesse minimum et le 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, outre les statuts standard, vous pouvez définir vos propres statuts personnalisés, comme le statut « attente » — déclenché uniquement lorsqu'un véhicule se trouve dans un entrepôt géolocalisé 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 à 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 ni dépendance vis-à-vis de modèles prédéfinis.

Exploitez IoT Query comme passerelle vers une analytique avancée de flotte

La couche Bronze d'IoT Query constitue un point de départ solide pour acquérir une véritable compréhension de vos opérations. Une fois cette fondation établie, 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 notation prédictive pour anticiper les comportements de conduite à risque.
• Intégrer les données d'éco-conduite avec les informations 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 IoT Query 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 Navixy IoT Query peut répondre à vos besoins d'analytique et de reporting.