O Big Data é útil para o setor de frotas?
O uso de big data para melhorar a eficiência é a palavra de ordem que o setor de frotas tem ouvido falar há algum tempo.
O Big Data é útil para o setor de frotas?
Usar o big data para melhorar a eficiência é a palavra de ordem que o setor de frotas tem ouvido falar há algum tempo. Quais são as áreas do setor de frotas que o Big Data realmente impactou? Roteamento e navegação é um dos campos em que as pessoas afirmam ter encontrado o impacto máximo, seguido pelo gerenciamento da cadeia de suprimentos. Mas será que essa alegação de impacto é realmente verdadeira? Uma empresa de telemática de médio porte que atenda a cerca de dez mil veículos ainda não terá a massa crítica necessária para fazer roteamento e navegação de forma eficiente, pois precisaria de milhões de veículos. Como resultado, as empresas precisam usar APIs essenciais de empresas de mapeamento, como Google e HERE, e fornecer serviços de valor agregado sobre elas. No caso do gerenciamento da cadeia de suprimentos, as barreiras ao compartilhamento de dados entre diferentes empresas na cadeia de suprimentos fizeram com que isso fosse impactante apenas para grandes corporações que atendem a diferentes partes da cadeia de suprimentos. A busca pelo big data é, então, inútil para o setor de frotas?
Quando se trata de obter benefícios por meio de insights de dados, os dados de vídeo ou a análise visual oferecem o valor mais tangível sem a necessidade de quantidades colossais de dados. Não é necessário que uma grande massa crítica de veículos esteja continuamente fornecendo dados para que isso gere impacto. As percepções podem ser obtidas no nível do motorista, da frota e entre frotas. O comportamento e a segurança do motorista é o primeiro nível de análise que engloba soluções como aviso de colisão frontal, manutenção de faixa, cumprimento do limite de velocidade etc. A análise em nível de frota trará à tona parâmetros de eficiência, como economia de combustível e custos de manutenção. Esses parâmetros terão uma relação direta com o comportamento do motorista. A partir da agregação da análise no nível do motorista, surgirá a saúde geral da frota em termos de padrões de direção, que podem ser diretamente traduzidos para os principais indicadores de desempenho. Por exemplo, mais eventos de violação da distância de seguimento em toda a frota indicarão não apenas um maior consumo de combustível, mas também um maior risco de um incidente de colisão traseira. A próxima escala seria a agregação de dados entre frotas para fornecer análises de vídeo muito mais avançadas, por exemplo, algoritmos avançados de aprendizado de máquina que podem prever acidentes a partir de dados de vídeo com base no histórico anterior e avisar o motorista antes que o acidente aconteça.
Em conclusão, a obtenção de insights a partir de dados de vídeo seria muito mais acionável, cujos frutos podem ser colhidos sem a necessidade de atingir uma massa crítica muito maior de veículos.
