Analytics
Die IoT-Analytics-Schicht, die vorhersagt.
Dashboards zeigen, was bereits passiert ist. TagoIO Analytics liest die Telemetrie, die Sie ohnehin sammeln, und sagt Ihnen, was als Nächstes passiert: Prognosen mit Konfidenzbändern, Anomalie-Scores gegen gelerntes Normalverhalten und Countdowns bis zu dem Moment, in dem eine Variable einen Grenzwert überschreitet. Ohne ML-Code, ohne Data-Science-Team.
Geschäftlicher Nutzen
Was würden Vorhersagen in Ihrem Betrieb einsparen?
Vom Reagieren zum Vorhersagen, in Dollar pro Jahr
Wählen Sie einen Sektor, tragen Sie Ihre Zahlen ein und sehen Sie, was der Wechsel vom Reagieren zum Vorhersagen pro Jahr bringt. Richtwerte mit anpassbaren Annahmen, kein Angebot.
$96K gespart pro Jahr
384 Notfalllieferungen werden jedes Jahr zu geplanten Touren. Füllstandprognosen bestellen Futter Tage, bevor das Silo leerläuft.
Annahme: Mit Füllstandprognosen Tage im Voraus werden 80% der Notfall-Nachfüllungen zu geplanten Lieferungen. Ersparnis = Silos × Notfälle × Aufpreis × 80%. Ein Produktionsbeispiel zeigt der Use Case zum smarten Futtersilo. Basiert auf der Funktion Prognosen weiter unten.
Funktionen
Was kann IoT-Analytics mit Ihren Sensordaten anfangen?
Drei Modelle, ein Assistent, null ML-Code
Drei Funktionen, jede trainiert auf der Historie, die bereits in Ihren Device-Buckets liegt, jede schreibt Ergebnisse als normale Variablen zurück. Das Setup ist ein geführter Assistent: Geräte wählen, Signale wählen, Verhalten festlegen, installieren.
Anomalieerkennung
Erkennen Sie Probleme, bevor sie Ihr Dashboard erreichen. Jedes Gerät wird gegen eine gelernte Baseline des Normalverhaltens bewertet. Drift, Modus-Wechsel und Ausreißer im Gerätevergleich werden markiert.
So funktioniert esPrognosen
Sehen Sie, was Ihre Telemetrie als Nächstes tut. Zukünftige Werte werden mit Konfidenzbändern vorhergesagt. Einflussgrößen wie Wetter und Last fließen mit ein.
So funktioniert esZeit bis zum Grenzwert
Wissen Sie, wie viel Zeit bleibt, nicht nur, was kommt. Eine Variable wird prognostiziert und bis zum Überschreiten des Grenzwerts heruntergezählt, mit mehrstufigem Schweregrad.
So funktioniert esIhre Telemetrie
Device-Buckets, Monate an Historie in beliebiger Auflösung
Trainiertes Modell
Prognosen, Anomalien, Zeit bis zum Grenzwert, in Ihrem Takt
Variablen
Prognosen, Scores, ETAs, Konfidenzbänder, als ganz normale TagoIO-Variablen
Ihre Anwendung
Dashboards, Actions und Alarme, TagoRUN-Portale
Modelle trainieren auf Daten, die bereits in TagoIO liegen, und schreiben Vorhersagen als normale Variablen zurück. Nachgelagert ändert sich nichts.
Interaktiv
Sehen Sie es arbeiten.
Live-Simulator mit synthetischer Telemetrie
Synthetische Telemetrie, echtes Verhalten. Wechseln Sie die Funktion und verstellen Sie die Regler.
Ausgabe: _ts_forecast für die nächsten 48 Stunden, jeder Punkt mit oberer und unterer Konfidenzgrenze. Beachten Sie, wie sich das Band weitet: Das Modell ist ehrlich, was die Distanz angeht.
In Ihrem Konto sind diese Ausgaben Variablen: Prognosen mit oberen und unteren Grenzen, Anomalie-Scores und -Flags, Anomaliefenster, ETAs und Schweregrade. Alarme, Dashboards und Integrationen nutzen sie wie jeden anderen Sensorwert.
Prognosen
Von der Historie zu dem, was als Nächstes passiert.
MSTL + AutoETS · Prophet · OLS-Regression
Sensordaten atmen in Tages- und Wochenzyklen, und die TagoIO-Prognosen sind genau darum herum gebaut.
Werte prognostizieren. Die Engine erkennt den Zyklus Ihrer Daten, prognostiziert mit einem automatisch gewählten Saisonmodell (MSTL + AutoETS) und legt den Zyklus wieder über den Horizont. Ohne Zyklus gibt es eine ehrliche, dem Drift folgende Prognose, keine erfundene Schwingung.
Bedarfsvorhersage. Prognostizieren Sie eine Zielgröße aus Einflussgrößen wie Wetter oder Last: Jede Einflussgröße wird vorausberechnet und speist dann ein Prophet-Modell für die Zielgröße.
Aus Einflussgrößen schätzen. Eine Regression schätzt eine Zielgröße aus Variablen, die Sie bereits messen, zum Füllen von Lücken und für Plausibilitätschecks der Sensoren. Sie erklärt die Gegenwart; sie prognostiziert nicht.
Prognose mit Konfidenzband
Anomalie-Score mit markierten Fenstern
Anomalieerkennung
Vier Fragen, vier Modelle.
Isolation Forest · K-Means · DBSCAN · EWMA
"Stimmt etwas nicht?" sind in Wahrheit vier Fragen, jede mit dem Modell, das dafür gebaut ist.
Ist dieser Messwert ungewöhnlich? (Schneller Gesundheitscheck.) Ein Isolation Forest bewertet jeden Messwert gegen das Gesamtbild des Normalen und fängt Kombinationen ab, die einzeln im Rahmen liegen, zusammen aber falsch sind.
Welcher Betriebsmodus ist das? (Kontinuierliche Überwachung.) K-Means lernt die normalen Betriebsmodi Ihrer Flotte und bewertet jeden Messwert nach dem Abstand zum nächstgelegenen Modus.
Welches Gerät tanzt aus der Reihe? (Gerätevergleich.) Dichte-Clustering (DBSCAN) gruppiert Geräte mit ähnlichem Verhalten und markiert das Gerät, das zu keiner Gruppe gehört.
Geht etwas langsam schief? (Langsamer Drift.) Ein EWMA, verfolgt gegen Ihre saisonale Baseline, fängt das langsame Kriechen ab, an dem feste Grenzwerte scheitern.
Zeit bis zum Grenzwert
Ein Countdown, keine Überraschung.
ETA und Schweregrad aus einer Konfiguration
Alarme feuern, wenn ein Grenzwert überschritten ist; dann ist der Tank schon leer. Zeit bis zum Grenzwert prognostiziert die Variable, sucht nach der Überschreitung und liefert eine ETA plus einen Schweregrad, den Sie einmal konfigurieren.
Zeit bis zum Grenzwert: der Countdown
Integration
Von der Vorhersage zur Aktion.
Variablen rein, nachgelagert bleibt alles gleich
Vorhersagen landen als normale Variablen, und alles Nachgelagerte weiß bereits, was es mit Variablen anfangen soll:
Zeigen Prognosen neben Live-Messwerten und schattieren Anomaliefenster, flottenweit über Blueprints.
Lösen auf Vorhersagen aus wie auf Sensorwerte: "Tage bis leer unter 4" öffnet eine Nachschubbestellung.
Skripte in Node.js, Deno oder Python verarbeiten Ausgaben nach, wenn Sie eigene Logik obendrauf brauchen.
Ergebnisse
Was Vorhersagen in Ihrem Betrieb wert sind.
Fünf Sektoren, ein Mechanismus
Sehen Sie Probleme, solange sie noch günstig sind:
Landwirtschaft
Futtersilo-Füllstände Tage im Voraus prognostiziert; Futter wird per Prognose bestellt, nicht im Notfall.
Zum Use CaseEnergie
Verbrauchsanomalien werden am ersten Tag gemeldet, nicht am Monatsende.
Gebäude
HLK-Drift erkannt, solange er ein Wartungstermin ist und keine Mieterbeschwerde.
Industrie
"Die Pumpe ist ausgefallen" wird zu "hier ist das Fenster für die Wartung".
Logistik & Kühlkette
Stunden Vorwarnung, bevor ein Kühlcontainer die Compliance verletzt.
Vorhersagen machen aus ungeplanten Ereignissen geplante Arbeit, und geplante Arbeit ist immer günstiger.
Unter der Haube
Gebaut auf publizierter Wissenschaft, ausgelegt für Telemetrie.
Bekannte Methoden, dokumentierte Fehlermodi
Jedes Modell hier ist eine publizierte, begutachtete Methode:
Unsere Arbeit ist der Teil, den kein Paper abdeckt: diese Methoden unbeaufsichtigt, flottenweit und auf echter Telemetrie zum Laufen zu bringen.
Häufig gestellte Fragen
Kurze Antworten zu TagoIO Analytics
Was ist IoT-Analytics?
Kann TagoIO Geräteausfälle vorhersagen?
Brauche ich ein Data-Science-Team für TagoIO Analytics?
Welche Prognosemodelle nutzt TagoIO?
Wie erscheinen Vorhersagen in meiner Anwendung?
Wie viel Historie brauche ich, um ein Modell zu trainieren?
Jetzt starten
Verbinden. Vorhersagen. Handeln.
Richten Sie Ihre erste Prognose in Minuten ein. Der kostenlose Plan enthält 5 Geräte und 5 Dashboards.