Como criar relatório de condução econômica no DataHub para frotas

Quando você gerencia centenas de veículos, "pontuações de segurança padrão" não contam a história completa. As operações rastreiam perdas de combustível, a conformidade exige auditorias, e o financeiro quer números defensáveis. Leia como nosso cliente na América Latina criou no Navixy DataHub um relatório personalizado de comportamento do motorista que atendeu às suas necessidades de negócio e entregou resultados mensuráveis.

Principais conclusões

Transforme telemetria em evidência de negócio. Correlacione o comportamento do motorista com custos, manutenção e KPIs de seguro usando dados auditáveis e prontos para SQL.

Construa lógica personalizada de condução econômica. Defina limites e fórmulas de pontuação que correspondam aos seus objetivos.

Entregue análises mais rapidamente. Transmita dados de telemetria diretamente para ferramentas de BI.

Engaje motoristas com feedback transparente. Use pontuação justa para reduzir custos de combustível, acidentes e manutenção.

Estudo de caso: como uma frota de logística transformou dados telemáticos em um motor de melhoria de condutores

Sejamos francos — a maioria dos relatórios de condução ecológica disponíveis no mercado são monótonos. Eles listam violações, atribuem alguns pontos arbitrários e pronto. Mas quando você está gerenciando 1.200 caminhões que consomem milhares de litros de diesel por semana, esse tipo de relatório não faz diferença. Você precisa de análises que expliquem o comportamento, não apenas o punam.

Essa foi a revelação para um provedor de logística regional operando na região da América Latina. Sua equipe de gestão queria receber um sistema que vinculasse o desempenho do condutor diretamente aos custos de combustível, cronogramas de manutenção e exposição ao seguro.

O ponto de partida: Dados demais, clareza de menos

Como a maioria das grandes frotas, essa empresa de logística tinha mais dados do que jamais conseguiria usar — pings de GPS, métricas do barramento CAN, logs de temperatura e IDs de motoristas. No entanto, suas ferramentas de análise mal conseguiam responder a estas questões:

Quais motoristas consistentemente excederam os limites de velocidade em zonas urbanas?
Como os eventos de frenagem brusca se correlacionam com o aumento dos custos de manutenção?
E a grande questão — nossos "scores de direção ecológica" estão realmente ligados à economia, ou são apenas números em um painel?

A equipe de TI tentou juntar as peças por meio de APIs e exportações de CSV. O resultado: maratonas noturnas no Excel, limites inconsistentes e painéis que quebravam toda vez que uma atualização chegava à plataforma de telemetria.

"Tínhamos cinco relatórios 'oficiais' diferentes para economia de combustível, e nenhum deles batia", admitiu o diretor de operações. "Nosso gerente de BI estava se tornando um tradutor."

Apresentando o Navixy DataHub: uma base de dados para análises reais

Ao conectar os feeds de telemetria ao Navixy DataHub, a equipe obteve acesso direto via SQL a todo o conjunto de dados (velocidade, RPM, direção e timestamps), tudo organizado em uma camada Bronze do DataHub estruturada. Sem APIs, sem scripts de polling e sem jobs em lote noturnos.

Esta nova base de dados permitiu que desenvolvessem um modelo personalizado de condução ecológica que refletia suas prioridades corporativas:

Os limites de excesso de velocidade variavam conforme a região e o tipo de via.
Os pesos das penalidades eram baseados no impacto de custos, não em suposições.
As pontuações foram normalizadas por 100 km, permitindo uma comparação justa entre condutores de curta e longa distância.

Finalmente, pararam de forçar seus negócios a se adaptarem ao software e fizeram o software se adaptar aos seus negócios. O primeiro dashboard ao vivo foi implementado em uma semana. Em um mês, tinham tendências de desempenho de todos os 1.200 condutores — não apenas alertas, mas contexto: quais rotas, horários ou condições desencadeavam comportamentos de risco.

O impacto multidimensional nos negócios

A maior conquista não foi apenas o menor consumo de combustível (embora tenham reduzido o consumo em 11% nos primeiros três meses). A mudança real veio do engajamento dos motoristas. Quando os motoristas perceberam que a lógica de pontuação fazia sentido e que as penalidades refletiam riscos e custos reais, começaram a competir para melhorar.

Em termos de números, os custos de manutenção diminuíram 8%, os sinistros de acidentes caíram 15%, e sua seguradora tomou conhecimento. A empresa agora está negociando com sua companhia de seguros um modelo de prêmio baseado no uso, construído sobre essas mesmas pontuações de condução ecológica.

Lista de verificação prática de um provedor de serviços logísticos da LATAM

Este é o algoritmo exato que o cliente da Navixy, o provedor de serviços logísticos da LATAM, seguiu para obter o máximo de seu relatório de condução ecológica e transformar o monitoramento do comportamento dos motoristas em melhoria mensurável dos negócios:

Identifique o KPI principal: controle de custos de combustível, redução de riscos ou conformidade.
Elabore faixas de violação e pesos de penalidade com as equipes operacionais e financeiras.
Construa SQL de detecção de eventos para excesso de velocidade, frenagem/aceleração bruscas e curvas fechadas.
Normalize as pontuações (por 100 km/hora) para comparar situações equivalentes.
Publique tabelas detalhadas e resumidas; conecte-as a uma ferramenta de BI via PostgreSQL.
Programe revisões; ajuste os pesos conforme as políticas e redes evoluem.

Use esta lista de verificação como modelo inicial para construir seu próprio relatório de monitoramento do comportamento dos motoristas que reflita seus dados, suas prioridades e a realidade operacional de sua frota.

Guia prático: como criar um relatório personalizado de direção ecológica no Navixy DataHub

Com o Navixy DataHub, criar um relatório de direção ecológica não se trata de preencher um modelo. É sobre definir sua própria lógica sem limitações de API e exportações noturnas. Vamos ver como isso funciona na prática.

Etapa 1. Definir as entradas

Os dados brutos vêm diretamente dos dispositivos telemáticos: velocidade, localização, direção e timestamps.

Passo 2. Configurar limites e penalidades

Defina limites específicos do negócio e pesos de penalidade para infrações de condução:

Excesso de velocidade: pontos para faixas como +0–20 km/h, +20–40 km/h, etc. (podem ser categorizados por tipo de via/região)
Frenagem brusca: desaceleração além de um limite definido.
Aceleração brusca: aceleração rápida acima de um limite escolhido.
Curvas fechadas: mudanças súbitas de direção em velocidades mais altas.

Cada evento pode receber uma pontuação de penalidade que reflita as prioridades do negócio. Por exemplo, uma seguradora pode atribuir penalidades mais pesadas ao excesso de velocidade, enquanto um operador de frota pode focar mais na frenagem brusca que aumenta os custos de manutenção. Os pesos das penalidades refletem o impacto em custos ou riscos. As áreas financeira e operacional podem compartilhar a responsabilidade pela tabela de penalidades para que ela se alinhe com orçamentos e políticas.

Etapa 3. Lógica de detecção de eventos (nos bastidores)

Uma vez definidas as áreas e seus respectivos limites, crie a lógica que será aplicada. Transformar isso em insights acionáveis requer duas camadas de processamento: detecção de eventos e agregação.

3.1. Coletando os sinais corretos

Da camada Bronze do Navixy DataHub, extraia:

Velocidade (para detectar excesso de velocidade e calcular acelerações).
Timestamps (para medir mudanças ao longo do tempo).
Direção (para detecção de curvas bruscas).
Distância (para normalização da pontuação por 100 km).

3.2. Detectando eventos de condução

Cada tipo de violação é identificado comparando valores em tempo real com limites definidos pelo negócio. Implemente regras de detecção com SQL (ou notebooks Python que leem do SQL):

Detectar eventos de excesso de velocidade
Ao iterar pela série temporal, sempre que a velocidade > limite base, abrimos (ou continuamos) um "evento" de excesso de velocidade. Quando a velocidade cai para/abaixo do limite, fechamos o evento e calculamos:

Duração (rajadas curtas ≤ 60 segundos são ignoradas como tolerância),
Pico acima do limite durante o evento.

A penalidade para esse evento é um valor fixo baseado apenas em quanto o motorista excedeu o limite:

0–20 km/h → pontos speed_range1
20–40 km/h → pontos speed_range2
40–60 km/h → pontos speed_range3
60 km/h → pontos 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 que o pico e não a duração? Isso simplifica a política e facilita a revisão: uma penalidade clara por incidente, em vez de cálculos "por minuto".

Detectar manobras bruscas (a partir da aceleração)

Estime a aceleração comparando velocidades consecutivas:

Converta km/h para m/s e divida a mudança pelo tempo entre os pontos.
Se a desaceleração estiver abaixo do limite de frenagem (ex.: −3,5 m/s²) e o veículo estava em movimento (≥ 10 km/h), adicione pontos harsh_brake.
Se a aceleração estiver acima do limite de aceleração (ex.: +3,0 m/s²) e a velocidade era ≥ 10 km/h, adicione pontos 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]

        # pule se o delta de tempo for muito pequeno ou a velocidade muito baixa
        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 curvas bruscas (a partir de mudanças de direção)

Se houver dois pontos GPS consecutivos, estimamos o rumo (direção). Uma curva brusca ocorre quando a mudança de direção entre os pontos excede seu limite definido (por exemplo, 150°) e o veículo está se movendo a pelo menos uma velocidade mínima (por exemplo, 30 km/h). Cada detecção adiciona pontos 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. Agregação em pontuações

Um único evento de frenagem brusca tem pouco significado isoladamente. Mas quando agregado ao longo do tempo, distância ou motoristas, revela padrões:

Por motorista: para comparar desempenho e identificar necessidades de treinamento.
Por frota: para avaliar exposição ao risco e custos operacionais.
Por 100 km: para normalizar entre diferentes níveis de uso do veículo.

Fórmula da pontuação:

pontos_por_norma = (total_pontos / distancia_km) * distancia_norma # ex.: por 100 km 
pontuacao = max(0, pontuacao_maxima - pontos_por_norma) # limitado a zero

Exemplo:
Se uma van percorreu 250 km e acumulou 8 pontos, com distancia_norma = 100 e pontuacao_maxima = 100, então pontos_por_norma = (8/250)*100 = 3,2 → pontuacao = 96,8. Se uma van percorreu 250 km e acumulou 8 pontos, com distancia_norma = 100 e pontuacao_maxima = 100, então pontos_por_norma = (8/250)*100 = 3,2 → pontuacao = 96,8.

O mecanismo de relatórios resume todas as violações em um modelo de pontuação. Por exemplo, um motorista pode acumular 45 pontos de penalidade por 100 km, enquanto outro tem média de apenas 12. Esses resultados alimentam diretamente os KPIs de negócio: modelos de risco de seguro, previsão de manutenção ou metas de sustentabilidade.

Etapa 4. Gerar o relatório

Agregue as penalidades por motorista/veículo/rota e normalize os dados para comparar de forma justa entre diferentes ciclos de trabalho. O sistema produz dois níveis de resultados:

Tabela resumo: total de violações por tipo, pontos de penalidade cumulativos e pontuações normalizadas (por exemplo, pontos por 100 km).
Tabela detalhada: cada violação com sua marcação de tempo, tipo e penalidade. Esta tabela pode ser usada para auditoria e depois visualizada na ferramenta de BI de sua escolha através de conectores PostgreSQL.

Esta visão dupla permite tanto supervisão tática (quem fez o quê e quando) quanto insight estratégico (pontuações agregadas entre veículos ou períodos de tempo).

Conclusão: transforme o monitoramento do comportamento do motorista em uma estratégia de dados

A direção ecológica frequentemente é tratada como um complemento, um recurso de marcação de caixa. Mas, como o senhor aprendeu com o estudo de caso, quando controla a lógica dos dados com a ajuda do Navixy DataHub, ela se torna uma ferramenta estratégica. Não transformará todos os motoristas em santos da noite para o dia. Mas quando os dados são precisos, transparentes e alinhados aos negócios, a melhoria deixa de ser uma palestra e passa a ser uma cultura. Foi isso que o parceiro da Navixy na América Latina descobriu, e tudo começou com uma ideia clara do que realmente importava.

Deseja explorar a diferença entre dashboards pré-configurados e análises prontas para decisão? Entre em contato com Vendas para habilitar as capacidades do Navixy DataHub para o seu negócio.

Como criar um relatório de condução econômica no DataHub para monitoramento de comportamento da frota

Autor