O Big Data é útil para o setor de frotas?
Utilizar big data para melhorar a eficiência é a palavra de ordem que o setor de frotas tem ouvido há algum tempo.
O Big Data é útil para o setor de frotas?
Utilizar big data para melhorar a eficiência é a palavra de ordem que o setor de frotas tem ouvido há algum tempo. Quais são as áreas do setor de frotas em que o big data realmente causou impacto? Roteirização e navegação é uma dessas áreas onde se afirma ter encontrado o maior impacto, seguida pela gestão da cadeia de suprimentos. Mas será que essa afirmação de impacto é realmente verdadeira? Uma empresa de telemática de médio porte que atende cerca de dez mil veículos ainda não terá a massa crítica necessária para realizar roteirização e navegação de forma eficiente, já que precisaria de milhões de veículos. Como resultado, as empresas precisam usar APIs principais de empresas de mapeamento como Google e HERE e fornecer serviços de valor agregado sobre elas. No caso da gestão da cadeia de suprimentos, as barreiras para o compartilhamento de dados entre diferentes empresas na cadeia resultaram em um impacto apenas para grandes corporações que atendem a diferentes partes da cadeia. A busca pelo big data seria, então, inútil para o setor de frotas?
Quando se trata de obter benefícios por meio de insights de dados, a análise de vídeo ou a análise visual oferece o valor mais tangível sem a necessidade de quantidades colossais de dados. Não há necessidade de uma enorme massa crítica de veículos fornecendo dados continuamente para que isso gere impacto. Os insights podem ser obtidos no nível do motorista, no nível da frota e entre frotas. O comportamento e a segurança do motorista são o primeiro nível de análise que engloba soluções como aviso de colisão frontal, manutenção em faixa, conformidade com limites 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 de análises em nível de motorista, surgirá a saúde geral da frota em termos de padrões de direção, o que pode ser traduzido diretamente em indicadores-chave de desempenho; por exemplo, mais eventos de violação de distância de seguimento em toda a frota indicarão não apenas um maior consumo de combustível, mas também um risco maior de uma colisão traseira. A próxima escala seria agregar 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 e avisar o motorista antes que o acidente aconteça.
Em conclusão, obter insights a partir de dados de vídeo seria muito mais prático, cujos frutos podem ser colhidos sem a necessidade de atingir uma massa crítica muito maior de veículos.
