# Analytics IoT: Previsões, Detecção de Anomalias e Predições | TagoIO > O analytics IoT da TagoIO transforma dados de sensores em previsões, detecção de anomalias e predições de tempo até o limite. Sem código de ML. As saídas chegam como variáveis comuns nos seus dashboards, alertas e apps white-label. 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. ## 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. ## 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. ### Previsão Veja o que a sua telemetria está prestes a fazer. Preveja valores futuros com bandas de confiança. Considere fatores como clima e carga. ### Tempo 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. ### Sua 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. ## Veja funcionando. Simulador ao vivo com telemetria sintética Telemetria sintética, comportamento real. Troque a capacidade e ajuste os controles. ## 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. ## 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. ## 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. ## 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: ### Dashboards Plote previsões ao lado de leituras ao vivo e sombreie janelas de anomalia, para a frota inteira via Blueprints. ### Actions Dispare com previsões como dispara com valores de sensores: "dias até esvaziar abaixo de 4" abre um pedido de reposição. ### TagoRUN Portais expõem as previsões aos seus clientes com a sua marca. ### Analysis Scripts em Node.js, Deno ou Python pós-processam as saídas quando você precisa de lógica personalizada por cima. ## 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. ### Energia 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. ## Construído sobre ciência publicada, projetado para telemetria. Métodos conhecidos, modos de falha documentados Todo modelo aqui é um método publicado e revisado por pares: - Previsão sazonal - Previsão de demanda - Estimativa a partir de fatores - Checagem rápida de saúde - Monitoramento contínuo - Comparação entre pares - Deriva lenta - Tempo até o Limite 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? Analytics IoT é o processamento da telemetria de sensores e dispositivos para produzir informação além das leituras brutas: previsões de valores futuros, detecção de comportamento anômalo e predições como o tempo até um limite ser cruzado. Na TagoIO, os modelos de analytics treinam com os dados existentes dos seus dispositivos e retornam resultados como variáveis comuns para dashboards, alertas e aplicações. ### A TagoIO consegue prever falha de equipamento? A TagoIO detecta as assinaturas que precedem a falha: scores de anomalia contra o comportamento normal aprendido, detecção de deriva para degradação lenta, comparação entre pares para sinalizar o dispositivo que se comporta diferente dos irmãos e contagens regressivas de tempo até o limite para variáveis tendendo aos limites. Isso entrega uma janela de manutenção antes da quebra, sem exigir histórico rotulado de falhas. ### Preciso de um time de ciência de dados para usar o analytics da TagoIO? Não. Os modelos são configurados por um assistente guiado: escolha dispositivos, escolha sinais, defina como o modelo deve se comportar e instale. Os padrões sensatos vêm dos próprios dados. Desenvolvedores que quiserem ir além podem pós-processar as saídas com scripts de Analysis em Node.js, Deno ou Python. ### Quais modelos de previsão a TagoIO usa? A previsão sazonal e de tendência usa decomposição MSTL com modelos ETS (suavização exponencial) selecionados automaticamente; a previsão de demanda multivariada usa Prophet alimentado por previsões dos fatores; a estimativa usa regressão OLS multivariada; e o tempo até o limite usa previsões Holt-Winters ou AutoETS varridas em busca do cruzamento. A seleção do modelo é automática com base nos ciclos e no histórico dos seus dados. ### Como as previsões aparecem na minha aplicação? Como variáveis comuns da TagoIO: valores previstos com limites de confiança superior e inferior, scores e sinalizadores de anomalia, janelas de anomalia com datas de início e fim, ETAs em horas e níveis de severidade. Dashboards, Actions, a API e os portais TagoRUN as consomem como qualquer leitura de sensor. ### De quanto histórico preciso para treinar um modelo? Como regra, treine com 3 a 4 vezes mais histórico do que o intervalo que você quer prever; prever um mês à frente pede três a quatro meses de dados. Modelos sazonais precisam de pelo menos dois ciclos completos do padrão que aprendem. O assistente de configuração verifica isso e avisa quando a sua janela está curta. ## Conecte. Preveja. Aja. Configure sua primeira previsão em minutos. O plano gratuito inclui 5 dispositivos e 5 dashboards. [llms.txt](https://tago.io/llms.txt)