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

Quando você gerencia centenas de veículos, os "índices de segurança padrão" não contam toda a história. As operações rastreiam perdas de combustível, a conformidade precisa de auditorias e o financeiro quer números defensáveis. Leia como nosso cliente na América Latina construiu no Navixy IoT Query 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 eco-condução. 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 logística transformou dados telemáticos em uma ferramenta de aprimoramento de condutores

Sejamos honestos — a maioria dos relatórios de eco-direção disponíveis no mercado são monótonos. Eles listam violações, atribuem alguns pontos arbitrários e consideram o trabalho concluído. Mas quando você está gerenciando 1.200 caminhões que consomem milhares de litros de diesel por semana, esse tipo de relatório não gera impacto significativo. Você precisa de análises que expliquem o comportamento, não apenas o punam.

Essa foi a percepção de uma empresa de logística regional que opera na América Latina. A equipe de gestão desejava receber um sistema que vinculasse diretamente o desempenho do condutor aos custos de combustível, cronogramas de manutenção e exposição ao risco de seguros.

O ponto de partida: Dados demais, clareza de menos

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

• 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 "índices de direção econômica" estão realmente vinculados à economia, ou são apenas números em um painel?

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

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

Apresentamos o Navixy IoT Query: uma base de dados para análises reais

Ao conectar os feeds de telemetria ao Navixy IoT Query, a equipe obteve acesso SQL direto a todo o seu conjunto de dados (velocidade, RPM, direção e timestamps), tudo organizado em uma camada Bronze do IoT Query estruturada. Sem APIs, sem scripts de consulta e sem tarefas de processamento em lote noturno.

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

• Os limites de excesso de velocidade variavam por região e tipo de via.
• Os pesos das penalidades baseavam-se no impacto de custos, não em suposições.
• As pontuações foram normalizadas por 100 km, permitindo comparar de forma justa motoristas de curta e longa distância.

Finalmente, pararam de adaptar seu negócio ao software e fizeram o software se adequar ao seu negócio. O primeiro painel ao vivo foi implementado em uma semana. Em um mês, tinham tendências de desempenho de todos os 1.200 motoristas — não apenas alertas, mas contexto: quais rotas, horários ou condições desencadeavam comportamentos de risco.

O impacto empresarial multidimensional

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

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

---

Lista de ações práticas de um provedor de serviços logísticos da América Latina

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

1. Identifique o KPI primário: controle de custos de combustível, redução de riscos ou conformidade.
2. Elabore faixas de violação e pesos de penalidades com as equipes de operações e finanças.
3. Construa SQL de detecção de eventos para excesso de velocidade, frenagem/aceleração bruscas e curvas fechadas.
4. Normalize as pontuações (por 100 km/hora) para comparar situações equivalentes.
5. Publique tabelas detalhadas e de resumo; conecte-as a uma ferramenta de BI via PostgreSQL.
6. Agende revisões; ajuste os pesos conforme as políticas e redes evoluem.

Use esta lista 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 eco-condução no Navixy IoT Query

Com o Navixy IoT Query, criar um relatório de eco-condução não se trata de preencher um modelo. Trata-se de definir sua própria lógica sem limitações de API e exportações noturnas. Vamos ver como isso funciona na prática.

Passo 1. Defina as entradas

Os dados brutos vêm diretamente dos dispositivos telemáticos: velocidade, localização, direção e carimbos de tempo.

Passo 2. Configure limites e penalidades

Defina limites específicos para o negócio e pesos de penalidade para violações de condução:

• Excesso de velocidade: pontos para faixas como +0–20 km/h, +20–40 km/h, etc. (podem ser segmentados por tipo de via/região)
• Frenagem brusca: desaceleração além de um limite estabelecido.
• 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 de custo ou risco. 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 que as áreas e seus limites correspondentes estejam definidos, 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 IoT Query, extraia:

• Velocidade (para detectar excesso de velocidade e calcular acelerações).
• Carimbos de tempo (para medir mudanças ao longo do tempo).
• Direção (para detecção de curvas bruscas).
• Distância (para normalização de 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 a série temporal, sempre que velocidade > limite base, abrimos (ou continuamos) um "evento" de excesso de velocidade. Quando a velocidade volta ao/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 acima do limite o condutor chegou:

• 0–20 km/h → speed_range1 pontos
• 20–40 km/h → speed_range2 pontos
• 40–60 km/h → speed_range3 pontos
• 60 km/h → speed_range4 pontos

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 pico e não duração? Isso simplifica a política e facilita a revisão: uma penalidade clara por incidente, em vez de matemática "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 estiver em movimento (≥ 10 km/h), adicione pontos de harsh_brake.
• Se a aceleração estiver acima do limite de aceleração (ex: +3,0 m/s²) e a velocidade for ≥ 10 km/h, adicione pontos de 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]

        # pular se o delta de tempo for muito pequeno ou 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 acentuadas (a partir de mudanças de direção)

Se há dois pontos GPS consecutivos, estimamos o rumo (direção). Uma curva acentuada ocorre quando a mudança de direção entre os passos está acima do seu limite (ex.: 150°) e o veículo está se movendo a pelo menos uma velocidade mínima (ex.: 30 km/h). Cada detecção adiciona pontos de curva_brusca.

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)  # implemente esta função
            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 significa pouco por si só. Mas quando agregado ao longo do tempo, distância ou motoristas, revela padrões:

• Por motorista: para comparar desempenho e destacar 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 = (pontos_totais / distancia_km) * distancia_norma # ex.: por 100 km 
pontuacao = max(0, pontuacao_maxima - pontos_por_norma) # limitar a zero

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

O motor 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 do negócio: modelos de risco de seguro, previsão de manutenção ou metas de sustentabilidade.

Passo 4. Gerar o relatório

Agrupe as penalizações 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 penalização acumulados e pontuações normalizadas (ex: pontos por 100 km).
• Tabela detalhada: cada violação com seu registro de data e hora, tipo e penalização. Esta tabela pode ser usada para auditabilidade e depois visualizada em sua ferramenta de BI preferida via conectores PostgreSQL.

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

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

A condução ecológica é frequentemente tratada como um complemento, uma funcionalidade de checklist. Mas como você aprendeu no estudo de caso, quando você controla a lógica dos dados com a ajuda do Navixy IoT Query, isso 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 se torna uma cultura. Foi isso que o parceiro da Navixy na América Latina descobriu, e tudo começou com uma ideia clara do que realmente importava.

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