Blog
Einblicke, Tutorials und Neuigkeiten vom TagoIO-Team.
LoRaWAN Network Server vs IoT-Anwendungsplattform: was jede Schicht wirklich tut
Ein LoRaWAN Network Server bewegt Pakete; eine IoT-Anwendungsplattform macht daraus Dashboards, Alarme, Prognosen und Anwendungen. Was jede Schicht leistet, warum Sie beide brauchen und wie sie zusammenspielen.
Wie sich Preismodelle von IoT-Plattformen unterscheiden, und welches am besten planbar ist
Preismodelle von IoT-Plattformen nach Gerät, Verbrauch, Stufe und Pauschale, verglichen auf einer einzigen Achse: wie planbar die Rechnung bei zehnmal so vielen Geräten bleibt. Welches Modell zu welchem Rollout passt und welche Fragen Überraschungen aufdecken.
Die größten Fehler von Systemintegratoren beim Aufbau auf IoT-Plattformen
Die teuersten Fehler von Systemintegratoren auf IoT-Plattformen: nachbauen, was die Plattform schon mitbringt, Support zu günstig anbieten, Dashboards ohne Intelligenz ausliefern und Multi-Tenancy überspringen.
Was ist Predictive Analytics für IoT und wie fangen Sie damit an?
Ein klarer Leitfaden zu Predictive Analytics für IoT: was der Begriff bedeutet, wo es sich auszahlt, welche Voraussetzungen wirklich nötig sind und ein erstes Projekt, das Sie auf TagoIO umsetzen können.
So wird aus IoT-Daten eine Bedarfsprognose
IoT-Daten messen den realen Verbrauch und bilden damit eine starke Grundlage für die Bedarfsprognose. So erstellen und nutzen Sie eine mit TagoIO.
Füllstände von Tanks und Silos prognostizieren, bevor sie leer sind
Füllstandsensoren zeigen, was noch da ist. Prognosen zeigen, wann es leer ist. So sagen Sie die Entleerung von Tanks und Silos voraus und lösen Nachbestellungen mit Vorlauf auf TagoIO aus.
Von reaktiv zu vorausschauend: Prognosebasierte Alarme für IoT aufbauen
Schwellenwert-Alarme schlagen an, wenn das Problem schon begonnen hat. Prognosebasierte Alarme schlagen vorher an. So bauen Sie vorausschauende Alarmierung auf IoT-Daten mit TagoIO.
So prognostizieren Sie den Energieverbrauch mit IoT-Daten
Ein praxisnaher Ansatz zur Prognose des Energieverbrauchs aus IoT-Zählerdaten: die Saisonalität, die die Last bestimmt, die Einflussgrößen, die Sie ergänzen sollten, und wie Sie das Ganze auf TagoIO umsetzen.
Anomalieerkennung vs. Prognose: Was braucht Ihr IoT-Projekt?
Anomalieerkennung und Prognose lösen unterschiedliche IoT-Probleme. Wie Sie sie unterscheiden, wann Sie welche brauchen und wie sie auf TagoIO zusammenspielen.
Wie viele historische Daten brauchen Sie, um IoT-Kennzahlen vorherzusagen?
Wie viele historische IoT-Daten eine Prognose wirklich braucht: die Regel, die an Ihren saisonalen Zyklus gekoppelt ist, warum mehr nicht immer besser ist und wie Sie starten, bevor Sie jahrelange Daten haben.
So führen Sie Machine-Learning-Modelle mit TagoIO Analysis auf Ihren IoT-Daten aus
Ein praxisnaher Weg zum Machine Learning auf IoT-Daten in TagoIO Analysis: wo trainiert wird, wie Vorhersagen bereitgestellt werden und wie Modelle aktuell bleiben.
Welches Prognosemodell eignet sich für IoT-Zeitreihendaten?
ARIMA, Prophet und LSTM im Vergleich für die IoT-Zeitreihenprognose: wie sie funktionieren, wann sie passen und wie Sie den Sieger auf TagoIO betreiben.