Analytics
A camada de analytics IoT que prevê.
Dashboards mostram o que já aconteceu. O analytics da TagoIO lê a telemetria que você já coleta e diz o que vem a seguir: previsões com bandas de confiança, scores de anomalia contra o comportamento normal aprendido e contagens regressivas até o momento em que uma variável cruza um limite. Sem código de ML e sem time de ciência de dados.
Impacto no negócio
Quanto as previsões economizariam na sua operação?
De reagir a prever, em dólares por ano
Escolha um setor, defina seus números e veja o impacto anual de sair de reagir para prever. Estimativas direcionais com premissas ajustáveis, não um orçamento.
$96K economizados por ano
384 entregas de emergência viram rotas programadas por ano. Previsões de nível pedem os grãos dias antes de o silo esvaziar.
Premissa: com previsões de nível com dias de antecedência, 80% dos reabastecimentos de emergência viram entregas programadas. Economia = silos × emergências × custo extra × 80%. Veja o caso de uso do silo de ração inteligente para um exemplo em produção. Baseado na capacidade Previsão abaixo.
Capacidades
O que o analytics IoT pode fazer com os dados dos seus sensores?
Três modelos, um assistente, zero código de ML
Três capacidades, cada uma treinada no histórico que já está nos buckets dos seus dispositivos, cada uma gravando resultados de volta como variáveis comuns. A configuração é um assistente guiado: escolha dispositivos, escolha sinais, defina um comportamento, instale.
Detecção de Anomalias
Capture problemas antes de chegarem ao seu dashboard. Pontue cada dispositivo contra uma linha de base aprendida de comportamento normal. Sinalize deriva, mudanças de modo e dispositivos fora do padrão dos pares.
Veja comoPrevisão
Veja o que a sua telemetria está prestes a fazer. Preveja valores futuros com bandas de confiança. Considere fatores como clima e carga.
Veja comoTempo até o Limite
Saiba quanto tempo você tem, não só o que vem por aí. Preveja uma variável e faça a contagem regressiva até o momento em que ela cruza um limite, com severidade em múltiplos níveis.
Veja comoSua telemetria
Buckets de dispositivos, meses de histórico em qualquer resolução
Modelo treinado
Previsão, anomalia, tempo até o limite, na sua cadência
Variáveis
Previsões, scores, ETAs, bandas de confiança, como variáveis comuns da TagoIO
Sua aplicação
Dashboards, Actions e alertas, portais TagoRUN
Os modelos treinam com dados que já estão na TagoIO e gravam as previsões de volta como variáveis comuns. Nada muda no restante da aplicação.
Interativo
Veja funcionando.
Simulador ao vivo com telemetria sintética
Telemetria sintética, comportamento real. Troque a capacidade e ajuste os controles.
Saída: _ts_forecast para as próximas 48 horas, cada ponto com limites de confiança superior e inferior. Repare como a banda se alarga: o modelo é honesto sobre a distância.
Na sua conta, essas saídas são variáveis: previsões com limites superior e inferior, scores e sinalizadores de anomalia, janelas de anomalia, ETAs e níveis de severidade. Alarmes, dashboards e integrações as usam como usam qualquer leitura de sensor.
Previsão
Do histórico ao que acontece a seguir.
MSTL + AutoETS · Prophet · regressão OLS
Dados de sensores respiram em ciclos diários e semanais, e a previsão da TagoIO é construída em torno desse fato.
Preveja valores. O motor detecta o ciclo dos seus dados, faz a previsão com um modelo sazonal selecionado automaticamente (MSTL + AutoETS) e reaplica o ciclo sobre o horizonte. Sem ciclo, o resultado é uma previsão honesta que segue a tendência, não uma oscilação inventada.
Previsão de demanda. Preveja um alvo a partir de fatores como clima ou carga: cada fator é previsto adiante e depois alimenta um modelo Prophet para o alvo.
Estime a partir de fatores. Uma regressão estima um alvo a partir de variáveis que você já mede, para preencher lacunas e checar a sanidade dos sensores. Ela explica o presente; não faz previsão.
Previsão com banda de confiança
Score de anomalia com janelas sinalizadas
Detecção de Anomalias
Quatro perguntas, quatro modelos.
Isolation Forest · K-Means · DBSCAN · EWMA
"Tem algo errado?" na verdade são quatro perguntas, cada uma com o modelo projetado para ela.
Esta leitura é incomum? (Checagem rápida de saúde.) Um Isolation Forest pontua cada leitura contra o quadro conjunto do normal, capturando combinações que estão individualmente dentro da faixa mas coletivamente erradas.
Qual é o modo de operação atual? (Monitoramento contínuo.) K-Means aprende os modos normais de operação da sua frota e pontua cada leitura pela distância até o modo mais próximo.
Qual dispositivo destoa dos demais? (Comparação entre pares.) O agrupamento por densidade (DBSCAN) reúne dispositivos que se comportam de forma parecida e sinaliza aquele que não pertence a grupo nenhum.
Algo está dando errado aos poucos? (Deriva lenta.) Uma EWMA acompanhada contra a sua linha de base sazonal captura o avanço lento que derrota limites fixos.
Tempo até o Limite
Uma contagem regressiva, não uma surpresa.
ETA e severidade a partir de uma única configuração
Alertas disparam quando o limite é cruzado; a essa altura o tanque já está vazio. O Tempo até o Limite prevê a variável, procura o cruzamento e publica um ETA mais um nível de severidade que você configura uma única vez.
Tempo até o Limite: a contagem regressiva
Integração
Da previsão à ação.
Variáveis entram, todo o resto continua igual
As previsões chegam como variáveis comuns, e tudo o que vem depois já sabe o que fazer com variáveis:
Plote previsões ao lado de leituras ao vivo e sombreie janelas de anomalia, para a frota inteira via Blueprints.
Dispare com previsões como dispara com valores de sensores: "dias até esvaziar abaixo de 4" abre um pedido de reposição.
Scripts em Node.js, Deno ou Python pós-processam as saídas quando você precisa de lógica personalizada por cima.
Resultados
Quanto as previsões valem na sua operação.
Cinco setores, um mecanismo
Veja os problemas enquanto ainda são baratos:
Agricultura
Níveis de silos de ração previstos com dias de antecedência; grãos pedidos por previsão, não por emergência.
Veja o caso de usoEnergia
Anomalias de consumo sinalizadas no dia em que começam, não no fim do mês.
Edifícios
Deriva de HVAC capturada enquanto ainda é uma visita de manutenção, não uma reclamação de inquilino.
Industrial
"A bomba falhou" vira "aqui está a janela para fazer a manutenção".
Logística e cadeia do frio
Horas de aviso antes de um contêiner refrigerado violar a conformidade.
Previsões convertem eventos não planejados em trabalho programado, e trabalho programado é sempre mais barato.
Por dentro
Construído sobre ciência publicada, projetado para telemetria.
Métodos conhecidos, modos de falha documentados
Todo modelo aqui é um método publicado e revisado por pares:
Nosso trabalho é a parte que nenhum artigo cobre: fazer esses métodos se comportarem sem supervisão, em uma frota inteira, com telemetria real.
Perguntas frequentes
Respostas rápidas sobre o analytics da TagoIO
O que é analytics IoT?
A TagoIO consegue prever falha de equipamento?
Preciso de um time de ciência de dados para usar o analytics da TagoIO?
Quais modelos de previsão a TagoIO usa?
Como as previsões aparecem na minha aplicação?
De quanto histórico preciso para treinar um modelo?
Comece agora
Conecte. Preveja. Aja.
Configure sua primeira previsão em minutos. O plano gratuito inclui 5 dispositivos e 5 dashboards.