A carga vale mais do que valia, e está sendo atacada com mais força. A Verisk CargoNet estimou as perdas com roubo de carga em 2025 em cerca de US$ 725 milhões, 60 por cento acima de 2024, com o valor médio por roubo subindo 36 por cento, para US$ 273.990. O volume total de crimes na cadeia de suprimentos quase não mudou. Os ladrões apenas ficaram mais seletivos sobre quais carretas abrem.
Os embarcadores responderam comprando visibilidade, e a maior parte do que compraram foi um mapa. Rastreadores, um dashboard, uma linha no mapa. Isso funciona até a carga entrar em uma caixa de aço, onde as coordenadas param de chegar e o mapa deixa de ser útil. E responde a uma pergunta que raramente importa quando algo dá errado. Ninguém abre um sinistro por causa de onde o embarque estava. Abre por causa do que aconteceu com ele.
A oportunidade está nos dados que a maioria das operações já coleta e quase sempre ignora. Um embarque deixa uma impressão digital do início ao fim: quanto esquentou e com que velocidade, se o contêiner foi exposto à luz em algum momento, quantas horas passou em movimento e quantas parado em um pátio. Esse registro sobrevive às falhas de conectividade. Lido corretamente, ele diz quando o problema começou, o que o causou e qual embarque no seu painel merece atenção primeiro.
Este post é sobre como ler esse registro: reconstruir uma viagem, prever uma chegada e sinalizar fraude a partir de dados de condição, não de coordenadas.
O aço bloqueia o GPS, e nenhum firmware resolve isso
Um contêiner de aço carregado é uma gaiola de Faraday parcial, e o GPS já é um sinal fraco por natureza. Os sinais de satélite chegam ao nível do solo perto do piso de ruído, e alguns milímetros de aço corrugado bastam para matá-los. Empilhe esse contêiner três de altura no porão de um navio e o receptor não tem com o que trabalhar.
O posicionamento ajuda na margem. Borrachas de vedação e aberturas de ventilação deixam escapar energia de rádio, então um rastreador montado no alto do recuo da porta mantém o sinal melhor do que um enterrado no meio da carga. Isso não resolve o problema. Em um trecho marítimo ou multimodal, conte com falhas medidas em horas ou dias.
Nenhuma atualização de firmware resolve o aço. A questão de projeto é o que você faz com os sinais que continuam funcionando.
Os sinais que continuam funcionando dentro da caixa
Temperatura, luz ambiente e movimento não precisam de satélite. Eles seguem reportando de dentro do contêiner e, juntos, carregam a maior parte da história operacional.
| Sinal | O que ele diz | O que ele não diz |
|---|---|---|
| Temperatura | Quando o desvio começou, com que velocidade evoluiu, se a causa foi uma porta ou uma unidade com defeito | Onde o embarque estava |
| Luz ambiente | Um contêiner lacrado é escuro. Luz significa que ele foi aberto, ou que o lacre está comprometido | Quem abriu, ou se havia autorização |
| Movimento e inclinação | Em movimento ou parado, tempo de permanência em cada parada, manuseio brusco, mudanças de orientação | Em qual pátio ele está parado |
O Minew MTB04 reúne todos esses sensores em uma única etiqueta adesiva, com armazenamento interno para que as leituras sobrevivam às falhas de conectividade em vez de desaparecerem nelas. Esse último detalhe importa mais do que parece: um dispositivo com buffer entrega um registro contínuo de condição mesmo quando o registro de localização está cheio de lacunas.
Como saber se um contêiner foi aberto sem ter sinal de GPS?
Correlacionando sinais, em vez de confiar em um só. Um evento de luz isolado é evidência fraca. Um evento de luz enquanto o movimento indica “parado”, fora de qualquer janela de parada programada, com um degrau de temperatura começando minutos depois, é uma afirmação específica sobre a qual você pode agir.
Isso importa porque lacres físicos não são o controle que as pessoas imaginam. Ladrões arrancam os pinos das dobradiças e abrem a porta pelo lado da dobradiça, deixando o lacre de trava intacto. O documento diz que está tudo certo. O sensor de luz diz o contrário.
O padrão a codificar é uma regra, não um limite: luz acima da linha de base, movimento abaixo do limite de deslocamento, horário fora das janelas de parada previstas para aquela rota. Cada um deles isolado gera ruído. Juntos, geram uma lista curta que vale investigar.
Estimar o ETA pelo progresso, não pela posição
A chegada é prevista a partir do progresso, o que significa que uma trilha de posição pouco confiável atrapalha menos do que parece. As entradas que carregam o sinal de ETA sobrevivem às lacunas:
- Ciclo de atividade do movimento, ou seja, a razão entre horas em movimento e horas paradas neste trecho, comparada com o histórico da rota
- Tempo de permanência em cada nó, que é onde os cronogramas costumam falhar
- Durações históricas do trecho para a mesma origem, destino, transportadora e estação do ano
- Os pontos de localização que você consegue obter: entrada e saída de portão, chegada ao porto e qualquer trecho a céu aberto
O TagoIO Analytics transforma isso em previsão sem escrever código de ML. A previsão sazonal usa decomposição MSTL com um modelo ETS selecionado automaticamente, de modo que ciclos semanais e diários do comportamento de trânsito sejam modelados em vez de diluídos em médias. A previsão multivariada de demanda roda o Prophet alimentado por previsões de variáveis explicativas quando você quer clima ou congestionamento portuário no modelo. O Tempo até o Limite roda a própria previsão Holt-Winters ou AutoETS, procura o cruzamento nela e publica um ETA em horas mais um nível de severidade que você configura uma única vez.
As saídas chegam como variáveis comuns da TagoIO: valores de previsão com limites superior e inferior, ETAs, níveis de severidade. Nada muda depois disso. Dashboards plotam esses valores, Actions disparam a partir deles e portais TagoRUN mostram tudo aos seus clientes com a sua marca. Um ETA que se revisa a cada execução do modelo vale mais para quem planeja do que um pino no mapa que ficou desatualizado catorze horas atrás.
Como a detecção de anomalias identifica fraude de carga?
Comparando um embarque com o comportamento normal aprendido, em vez de com um limite fixo. Fraude raramente produz uma única leitura obviamente ruim. Ela produz um padrão que não combina com o jeito como aquela rota normalmente se comporta.
Esse é o único ângulo que funciona na categoria de perda que cresce mais rápido. A CargoNet aponta o roubo por fraude, em que cargas contratadas com transportadoras legítimas acabam desviadas, contornando os controles construídos em torno do próprio processo de contratação. A fraude não rompe lacre nem estoura limite. Ela move a carga. Os incidentes confirmados de roubo de carga cresceram 18 por cento em 2025 mesmo com o volume total de crimes estável, que é exatamente como uma migração para esse tipo de esquema aparece nos números.
O TagoIO Analytics divide “há algo errado” em perguntas, cada uma com um modelo próprio:
- Esta leitura é incomum? Um Isolation Forest pontua cada leitura contra o retrato conjunto do que é normal. Temperatura na faixa, luz na faixa, movimento na faixa, mas essa combinação às 03:00 em uma rota que nunca para ali: individualmente aceitável, coletivamente errado.
- Qual é o modo de operação? O K-Means aprende os modos normais de operação da sua frota e pontua cada leitura pela distância até o mais próximo. Um trecho que não corresponde a nenhum modo conhecido merece atenção.
- Qual unidade é a fora de série? O agrupamento por densidade DBSCAN junta embarques que se comportam de forma parecida e sinaliza aquele que não pertence a nenhum grupo. Quarenta etiquetas na mesma rota, uma com assinatura de movimento diferente: é assim que desvios e trocas de unidade aparecem.
- Algo está piorando devagar? Um gráfico de controle EWMA acompanhado contra uma linha de base sazonal detecta a deriva lenta que derrota limites fixos. É esse que encontra um reefer sendo levado na marra por semanas antes de qualquer coisa estourar um limite de compliance.
Você não precisa de histórico de fraudes rotulado para nada disso. Os modelos treinam com a telemetria que já está nos buckets dos seus dispositivos.
A análise pós-evento entrega a causa, não só o alarme
Um alerta em tempo real diz que a temperatura passou de 8°C. A análise pós-evento diz qual de duas falhas muito diferentes aconteceu.
Uma porta aberta produz um degrau: subida acentuada e depois recuperação exponencial quando a porta fecha. Uma unidade de refrigeração com defeito produz deriva: lenta, monotônica, sem recuperação. As duas disparam o mesmo alarme de compliance. Só uma é culpa da transportadora, e a forma da janela de anomalia diz qual. Essa distinção é a diferença entre absorver o prejuízo e recuperá-lo.
A mesma reconstrução alimenta a documentação de sinistros com evidência datada, registros de cadeia de custódia para produtos regulados, scorecards de transportadora e de rota construídos com histórico de permanência e desvios, e uma análise de causa raiz que fecha com uma correção específica em vez de um encolher de ombros.
Os mesmos modelos em ativos que nunca se movem
Armários de venda automática, equipamentos fixos e instalações estacionárias são o caso mais fácil. A localização já é conhecida, então todo o valor está nos dados de condição.
Movimento onde não deveria haver nenhum indica remoção ou violação. Luz dentro de um armário fechado indica acesso. Uma tendência de temperatura em uma unidade de refrigeração indica a saúde do compressor, e o Tempo até o Limite converte essa tendência em dias até o rompimento do limite, o que é uma janela de manutenção em vez de uma ligação de cliente irritado. Mesmos modelos, mesmo assistente, sem precisar de localização.
O que é preciso para construir
O Minew MTB04 cuida do sensoriamento e do envio. A TagoIO recebe o payload, guarda o histórico e roda os modelos. A configuração do Analytics é um assistente guiado: escolha os dispositivos, escolha os sinais, defina como o modelo deve se comportar, instale. Tudo depois disso é a plataforma que você já tem, porque dashboards, Actions, a API e portais white-label consomem previsões do mesmo jeito que consomem leituras de sensor.
Comece pelo TagoIO Analytics para os modelos e pela TagoIO para logística para os dashboards, geofencing e integrações em volta deles. O plano gratuito dá 5 dispositivos e 5 dashboards, o suficiente para ligar uma etiqueta e ver a primeira previsão aparecer.
Perguntas frequentes
Rastreadores de GPS funcionam dentro de contêineres marítimos?
Não de forma confiável. Um contêiner de aço carregado age como uma gaiola de Faraday parcial e bloqueia o sinal fraco do GPS. Rastreadores montados no alto do recuo da porta, perto das borrachas de vedação ou das aberturas de ventilação, mantêm o sinal melhor do que unidades enterradas na carga, mas lacunas de vários dias em trechos marítimos e multimodais são normais. Sensores de condição como temperatura, luz e movimento continuam reportando de qualquer maneira.
Como saber se um contêiner marítimo foi aberto durante o transporte?
Um contêiner lacrado é escuro por dentro, então qualquer leitura de luz ambiente acima da linha de base indica que ele foi aberto ou que o lacre está comprometido. Só a luz é evidência fraca. Correlacione com o estado de movimento e com as janelas de parada programadas daquela rota. Luz com o contêiner parado e fora de uma parada prevista é o padrão que vale investigar, e ele também pega a entrada pelas dobradiças, que deixa o lacre de trava intacto.
É possível prever o ETA de um embarque sem rastreamento contínuo por GPS?
Sim. O ETA vem do progresso, não da posição: ciclo de atividade do movimento, tempo de permanência em cada nó, durações históricas do trecho naquela rota e as posições que você consegue obter em portões e portos. O TagoIO Analytics prevê a tendência com MSTL mais AutoETS, e o Tempo até o Limite procura o cruzamento de chegada em uma previsão Holt-Winters ou AutoETS, publicando um ETA e um nível de severidade como variáveis.
O que é detecção de anomalias no monitoramento de cargas?
É pontuar um embarque contra o comportamento normal aprendido, em vez de contra limites fixos. A TagoIO usa Isolation Forest para leituras conjuntas incomuns, K-Means para desvio de modo de operação, DBSCAN para comparação entre embarques da mesma rota e um gráfico de controle EWMA para deriva lenta. As saídas são uma pontuação de anomalia, um sinalizador que você pode alarmar e janelas de anomalia com início e fim.
Como detectar fraude de carga com sensores IoT?
Procurando padrões, não leituras ruins isoladas. O desvio aparece como uma assinatura de movimento e permanência diferente da dos embarques vizinhos na mesma rota. A violação aparece como eventos de luz fora das paradas programadas. A degradação lenta que fica abaixo de todos os limites fixos aparece como deriva contra uma linha de base sazonal. Comparação entre pares e detecção de deriva pegam esses casos sem nenhum histórico de fraude rotulado.
Quanto histórico de sensores é preciso antes de os modelos serem úteis?
Treine com três a quatro vezes mais histórico do que o intervalo que você quer prever, então uma previsão de um mês pede três a quatro meses de dados. Modelos sazonais precisam de pelo menos dois ciclos completos do padrão que aprendem. O assistente de configuração da TagoIO confere a sua janela e avisa quando ela está curta.
Isso serve para monitorar ativos fixos, como armários de venda automática?
Sim, e a localização deixa de importar. Movimento onde nada é esperado indica remoção ou violação, luz dentro de um armário fechado indica acesso e a tendência de temperatura indica a saúde da unidade de refrigeração. O Tempo até o Limite transforma essa tendência em dias até o rompimento do limite, o que converte uma parada em manutenção programada.
A Minew constrói a camada de sensoriamento. A TagoIO é a camada de aplicação que conecta, armazena, modela e mostra. Veja a etiqueta MTB04 no site da Minew e o TagoIO Analytics para os modelos descritos aqui.
