Comment créer un rapport d'éco-conduite dans DataHub

Lorsque vous gérez des centaines de véhicules, les « scores de sécurité standard » ne racontent pas toute l'histoire. Les opérations suivent les pertes de carburant, la conformité nécessite des audits, et la finance veut des chiffres justifiables. Découvrez comment notre client en LATAM a créé dans Navixy DataHub un rapport personnalisé de comportement conducteur qui répondait à ses besoins métier et a livré des résultats mesurables.

Points clés à retenir

Transformez la télématique en preuves métier. Corrélez le comportement des conducteurs avec les coûts, la maintenance et les KPI d'assurance en utilisant des données auditables et prêtes pour SQL.

Créez une logique d'éco-conduite personnalisée. Définissez des seuils et des formules de notation qui correspondent à vos objectifs.

Livrez des analyses plus rapidement. Diffusez les données télématiques directement vers les outils BI.

Engagez les conducteurs avec un retour transparent. Utilisez une notation équitable pour réduire les coûts de carburant, d'accidents et de maintenance.

Étude de cas : comment une flotte logistique a transformé les données télématiques en moteur d'amélioration des conducteurs

Soyons francs — la plupart des rapports d'éco-conduite disponibles sur le marché sont ennuyeux. Ils énumèrent les infractions, attribuent quelques points arbitraires, et s'arrêtent là. Mais lorsque vous gérez 1 200 camions qui consomment des milliers de litres de diesel par semaine, ce type de rapport ne fait pas bouger les choses. Vous avez besoin d'analyses qui expliquent les comportements, et non pas qui se contentent de les sanctionner.

Cette révélation s'est imposée à un prestataire logistique régional opérant dans la région LATAM. Son équipe de direction souhaitait recevoir un système qui reliait directement les performances des conducteurs aux coûts de carburant, aux calendriers de maintenance et à l'exposition aux risques d'assurance.

Le point de départ : Trop de données, pas assez de clarté

Comme la plupart des grandes flottes, ce prestataire logistique disposait de plus de données qu'il ne pourrait jamais en utiliser — signaux GPS, métriques CAN-bus, journaux de température et identifiants conducteurs. Pourtant, leurs outils d'analyse parvenaient à peine à répondre à ces questions :

Quels conducteurs dépassent systématiquement les seuils de vitesse en zones urbaines?
Comment les événements de freinage brusque sont-ils corrélés à l'augmentation des coûts de maintenance?
Et la question cruciale — nos « scores d'éco-conduite » sont-ils réellement liés aux économies, ou ne sont-ils que des chiffres sur un tableau de bord?

L'équipe informatique tentait de reconstituer le puzzle via des API et des exports CSV. Le résultat : des marathons Excel nocturnes, des seuils incohérents et des tableaux de bord qui plantaient à chaque mise à jour de la plateforme télématique.

« Nous avions cinq rapports "officiels" différents pour l'économie de carburant, et aucun ne concordait », admettait leur directeur des opérations. « Notre responsable BI devenait un traducteur. »

Découvrez Navixy DataHub : une base de données pour une véritable analytique

En connectant leurs flux télématiques à Navixy DataHub, l'équipe a obtenu un accès SQL direct à l'ensemble de leur jeu de données (vitesse, régime moteur, cap et horodatage), le tout organisé dans une couche Bronze DataHub structurée. Fini les API, les scripts de requête et les traitements par lots nocturnes.

Cette nouvelle base de données leur a permis de créer un modèle d'éco-conduite personnalisé qui reflétait leurs priorités d'entreprise :

Les seuils d'excès de vitesse variaient selon la région et le type de route.
Les pondérations de pénalité étaient basées sur l'impact des coûts, non sur des suppositions.
Les scores étaient normalisés par tranche de 100 km, permettant une comparaison équitable entre les conducteurs de courte et longue distance.

Enfin, ils ont cessé d'adapter leur métier au logiciel et ont fait en sorte que le logiciel s'adapte à leur métier. Le premier tableau de bord en temps réel a été mis en service en une semaine. En un mois, ils disposaient des tendances de performance pour l'ensemble des 1 200 conducteurs — pas seulement des alertes, mais du contexte : quels itinéraires, horaires ou conditions déclenchaient les comportements à risque.

L'impact commercial multidimensionnel

Le plus grand succès ne résidait pas seulement dans la réduction de la consommation de carburant (bien qu'ils aient effectivement diminué la consommation de 11% au cours des trois premiers mois). Le véritable changement est venu de l'engagement des conducteurs. Lorsque les conducteurs ont constaté que la logique de notation était cohérente et que les pénalités reflétaient les risques et coûts réels, ils ont commencé à rivaliser pour s'améliorer.

En termes de chiffres, les coûts de maintenance ont chuté de 8%, les déclarations de sinistre ont diminué de 15%, et leur assureur l'a remarqué. L'entreprise négocie maintenant avec sa compagnie d'assurance un modèle de prime basé sur l'usage, construit sur ces mêmes scores d'éco-conduite.

Liste de contrôle pratique d'un prestataire logistique d'Amérique latine

Voici l'algorithme exact suivi par le client Navixy, prestataire de services logistiques en Amérique latine, pour tirer le meilleur parti de son rapport d'éco-conduite et transformer la surveillance du comportement des conducteurs en amélioration commerciale mesurable :

Identifier l'indicateur clé principal : contrôle des coûts de carburant, réduction des risques ou conformité.
Élaborer les niveaux d'infractions et les coefficients de pénalité avec les équipes opérationnelles et financières.
Créer la détection d'événements SQL pour les excès de vitesse, freinages/accélérations brusques et virages serrés.
Normaliser les scores (par 100 km/heure) pour comparer des éléments comparables.
Publier les tableaux détaillés et de synthèse ; les connecter à un outil de BI via PostgreSQL.
Planifier des révisions ; ajuster les coefficients selon l'évolution des politiques et des réseaux.

Utilisez cette liste de contrôle comme modèle de départ pour créer votre propre rapport de surveillance du comportement des conducteurs qui reflète vos données, vos priorités et la réalité opérationnelle de votre flotte.

Guide pratique : comment créer un rapport d'éco-conduite personnalisé dans Navixy DataHub

Avec Navixy DataHub, créer un rapport d'éco-conduite ne consiste pas à remplir un modèle. Il s'agit de définir votre propre logique sans limitations d'API ni exports nocturnes. Voyons comment cela fonctionne en pratique.

Étape 1. Définir les données d'entrée

Les données brutes proviennent directement des dispositifs télématiques : vitesse, localisation, cap et horodatages.

Étape 2. Configurer les seuils et les pénalités

Définissez des seuils spécifiques à votre activité et des coefficients de pénalité pour les infractions de conduite :

Excès de vitesse : points pour des tranches comme +0–20 km/h, +20–40 km/h, etc. (peuvent être segmentés par type de route/région)
Freinage brusque : décélération au-delà d'un seuil défini.
Accélération brusque : accélération rapide au-dessus d'une limite choisie.
Virages serrés : changements de cap soudains à vitesse élevée.

Chaque événement peut se voir attribuer un score de pénalité qui reflète les priorités métier. Par exemple, un assureur peut appliquer des pénalités plus lourdes aux excès de vitesse, tandis qu'un gestionnaire de flotte peut se concentrer davantage sur les freinages brusques qui augmentent les coûts de maintenance. Les coefficients de pénalité reflètent l'impact en termes de coûts ou de risques. Les services financier et opérationnel peuvent co-gérer le barème des pénalités pour qu'il s'aligne sur les budgets et les politiques.

Étape 3. Logique de détection d'événements (sous le capot)

Une fois les zones et leurs seuils correspondants définis, créez la logique qui sera appliquée. Transformer ces données en informations exploitables nécessite deux niveaux de traitement : la détection d'événements et l'agrégation.

3.1. Collecte des bons signaux

Depuis la couche Bronze de Navixy DataHub, récupérez :

La vitesse (pour détecter les excès de vitesse et calculer les accélérations).
Les horodatages (pour mesurer l'évolution dans le temps).
Le cap (pour la détection des virages serrés).
La distance (pour la normalisation du score par 100 km).

3.2. Détection des événements de conduite

Chaque type d'infraction est identifié en comparant les valeurs en temps réel avec les seuils définis par l'entreprise. Implémentez les règles de détection avec SQL (ou des notebooks Python qui lisent depuis SQL) :

Détection des événements d'excès de vitesse
Lors de l'itération de la série temporelle, chaque fois que la vitesse > limite de base, nous ouvrons (ou continuons) un « événement » d'excès de vitesse. Quand la vitesse redescend à/sous la limite, nous fermons l'événement et calculons :

La durée (les pics courts ≤ 60 secondes sont ignorés comme marge de tolérance),
Le pic de dépassement pendant l'événement.

La pénalité pour cet événement est un montant fixe basé uniquement sur l'ampleur du dépassement de limite par le conducteur :

0–20 km/h → points speed_range1
20–40 km/h → points speed_range2
40–60 km/h → points speed_range3
60 km/h → points 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']

Pourquoi le pic et non la durée ? Cela simplifie la politique et facilite l'examen : une pénalité claire par incident, au lieu de calculs « par minute ».

Détection des manœuvres brusques (à partir de l'accélération)

Estimez l'accélération en comparant les vitesses consécutives :

Convertissez les km/h en m/s et divisez le changement par le temps entre les points.
Si la décélération est en dessous du seuil de freinage (par ex., −3,5 m/s²) et que le véhicule était en mouvement (≥ 10 km/h), ajoutez les points harsh_brake.
Si l'accélération est au-dessus du seuil d'accélération (par ex., +3,0 m/s²) et que la vitesse était ≥ 10 km/h, ajoutez les points 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]

        # skip if time delta is too small or speed is too low
        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

Détecter les virages serrés (à partir des changements de cap)

S'il y a deux points GPS consécutifs, nous estimons le relèvement (cap). Un virage serré se produit lorsque le changement de cap entre les étapes dépasse votre seuil (par exemple, 150°) et que le véhicule se déplace à au moins une vitesse minimale (par exemple, 30 km/h). Chaque détection ajoute des points 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. Agrégation en scores

Un seul événement de freinage brusque ne signifie pas grand-chose en soi. Mais lorsqu'il est agrégé dans le temps, sur la distance ou par conducteur, il révèle des tendances :

Par conducteur : pour comparer les performances et identifier les besoins de formation.
Par flotte : pour évaluer l'exposition aux risques et les coûts d'exploitation.
Par 100 km : pour normaliser selon les différents niveaux d'utilisation des véhicules.

Formule de calcul du score :

points_par_norme = (total_points / distance_km) * distance_norme # ex. par 100 km 
score = max(0, score_max - points_par_norme) # limité à zéro

Exemple :
Si un véhicule utilitaire a parcouru 250 km et collecté 8 points, avec distance_norme = 100 et score_max = 100, alors points_par_norme = (8/250)*100 = 3,2 → score = 96,8. Si un véhicule utilitaire a parcouru 250 km et collecté 8 points, avec distance_norme = 100 et score_max = 100, alors points_par_norme = (8/250)*100 = 3,2 → score = 96,8.

Le moteur de rapport synthétise toutes les infractions dans un modèle de notation. Par exemple, un conducteur peut accumuler 45 points de pénalité par 100 km, tandis qu'un autre n'en totalise que 12 en moyenne. Ces résultats alimentent directement les KPI métier : modèles de risque d'assurance, prévisions de maintenance ou objectifs de durabilité.

Étape 4. Générer le rapport

Agrégez les pénalités par conducteur/véhicule/itinéraire et normalisez les données pour permettre une comparaison équitable entre les cycles de service. Le système produit deux niveaux de résultats :

Tableau de synthèse : nombre total de violations par type, points de pénalité cumulés et scores normalisés (par exemple, points pour 100 km).
Tableau détaillé : chaque violation avec son horodatage, son type et sa pénalité. Ce tableau peut être utilisé à des fins d'audit, puis visualisé dans l'outil de BI de votre choix via des connecteurs PostgreSQL.

Cette double vue permet à la fois une supervision tactique (qui a fait quoi, et quand) et une vision stratégique (scores agrégés par véhicules ou périodes).

Conclusion : transformer la surveillance du comportement des conducteurs en stratégie data

L'éco-conduite est souvent considérée comme un simple complément, une fonctionnalité à cocher. Mais comme vous l'avez appris grâce à l'étude de cas, lorsque vous contrôlez la logique des données avec l'aide de Navixy DataHub, cela devient un outil stratégique. Cela ne transformera pas chaque conducteur en saint du jour au lendemain. Mais lorsque les données sont précises, transparentes et alignées sur l'activité, l'amélioration cesse d'être un sermon et devient une culture. C'est ce qu'a découvert le partenaire de Navixy en Amérique latine, et tout a commencé par une idée claire de ce qui comptait vraiment.

Vous souhaitez explorer la différence entre les tableaux de bord préconçus et les analyses prêtes pour la prise de décision ? Contactez l'équipe commerciale pour activer les capacités de Navixy DataHub pour votre entreprise.

Comment créer un rapport d'éco-conduite dans DataHub pour le suivi des comportements de flotte

Auteur