Analytics
La couche d'analytique IoT qui prédit.
Les dashboards racontent ce qui s'est déjà produit. L'analytique TagoIO lit la télémétrie que vous collectez déjà et vous dit ce qui vient ensuite : des prévisions avec bandes de confiance, des scores d'anomalie face à un comportement normal appris, et des comptes à rebours jusqu'au moment où une variable franchit une limite. Sans code ML et sans équipe de data science.
Impact métier
Combien les prédictions feraient-elles économiser à votre activité ?
De la réaction à la prédiction, en dollars par an
Choisissez un secteur, entrez vos chiffres et voyez l'impact annuel du passage de la réaction à la prédiction. Des estimations indicatives avec des hypothèses ajustables, pas un devis.
$96K économisés par an
384 livraisons d'urgence deviennent des tournées planifiées chaque année. Les prévisions de niveau commandent le grain des jours avant que le silo ne soit vide.
Hypothèse : avec des prévisions de niveau à plusieurs jours, 80% des réapprovisionnements d'urgence deviennent des livraisons planifiées. Économies = silos × urgences × surcoût × 80%. Voir le cas d'usage du silo d'aliment intelligent pour un exemple en production. Propulsé par la capacité Prévision ci-dessous.
Capacités
Que peut faire l'analytique IoT de vos données capteurs ?
Trois modèles, un assistant, zéro code ML
Trois capacités, chacune entraînée sur l'historique déjà présent dans vos buckets d'appareils, chacune réécrivant ses résultats comme des variables ordinaires. La configuration est un assistant guidé : choisissez les appareils, choisissez les signaux, choisissez un comportement, installez.
Détection d'anomalies
Attrapez les problèmes avant qu'ils n'atteignent votre dashboard. Notez chaque appareil face à une référence apprise du comportement normal. Signalez la dérive, les changements de mode et les appareils atypiques.
Voir commentPrévision
Voyez ce que votre télémétrie s'apprête à faire. Prédisez les valeurs futures avec des bandes de confiance. Intégrez des facteurs comme la météo et la charge.
Voir commentTemps avant seuil
Sachez combien de temps il vous reste, pas seulement ce qui arrive. Prévoyez une variable et décomptez jusqu'au moment où elle franchit une limite, avec plusieurs niveaux de sévérité.
Voir commentVotre télémétrie
Buckets d'appareils, des mois d'historique à n'importe quelle résolution
Modèle entraîné
Prévision, anomalie, temps avant seuil, à votre cadence
Variables
Prévisions, scores, ETA, bandes de confiance, comme de simples variables TagoIO
Votre application
Dashboards, Actions et alertes, portails TagoRUN
Les modèles s'entraînent sur les données déjà dans TagoIO et réécrivent leurs prédictions comme des variables ordinaires. Rien ne change en aval.
Interactif
Regardez-le à l'œuvre.
Simulateur en direct avec télémétrie synthétique
Télémétrie synthétique, comportement réel. Changez de capacité et ajustez les commandes.
Sortie : _ts_forecast pour les 48 prochaines heures, chaque point avec ses bornes de confiance haute et basse. Remarquez comme la bande s'élargit : le modèle est honnête sur la distance.
Dans votre compte, ces sorties sont des variables : prévisions avec bornes haute et basse, scores et signaux d'anomalie, fenêtres d'anomalie, ETA et niveaux de sévérité. Alarmes, dashboards et intégrations les utilisent comme n'importe quel relevé de capteur.
Prévision
De l'historique à ce qui vient ensuite.
MSTL + AutoETS · Prophet · régression OLS
Les données capteurs respirent en cycles quotidiens et hebdomadaires, et la prévision TagoIO est construite autour de ce fait.
Prévoir des valeurs. Le moteur détecte le cycle de vos données, prévoit avec un modèle saisonnier sélectionné automatiquement (MSTL + AutoETS) et replaque le cycle sur l'horizon. Sans cycle, vous obtenez une prévision honnête qui suit la dérive, pas une oscillation inventée.
Prédiction de demande. Prévoyez une cible à partir de facteurs comme la météo ou la charge : chaque facteur est projeté dans le futur, puis alimente un modèle Prophet pour la cible.
Estimer à partir de facteurs. Une régression estime une cible à partir de variables que vous mesurez déjà, pour combler les trous et vérifier la cohérence des capteurs. Elle explique le présent ; elle ne prévoit pas.
Prévision avec bande de confiance
Score d'anomalie avec fenêtres signalées
Détection d'anomalies
Quatre questions, quatre modèles.
Isolation Forest · K-Means · DBSCAN · EWMA
"Quelque chose ne va pas ?" recouvre en réalité quatre questions, chacune avec le modèle conçu pour elle.
Ce relevé est-il inhabituel ? (Bilan de santé rapide.) Un Isolation Forest note chaque relevé face à l'image d'ensemble du normal, et attrape les combinaisons individuellement dans les clous mais collectivement fausses.
Quel est ce mode de fonctionnement ? (Surveillance continue.) K-Means apprend les modes de fonctionnement normaux de votre flotte et note chaque relevé selon sa distance au mode le plus proche.
Quel appareil fait bande à part ? (Comparaison entre pairs.) Le clustering par densité (DBSCAN) regroupe les appareils au comportement semblable et signale celui qui n'appartient à aucun groupe.
Quelque chose se dégrade-t-il lentement ? (Dérive lente.) Une EWMA suivie face à votre référence saisonnière attrape la lente dérive qui met en échec les seuils fixes.
Temps avant seuil
Un compte à rebours, pas une surprise.
ETA et sévérité depuis une seule configuration
Les alertes partent quand la limite est franchie ; à ce moment-là, la cuve est déjà vide. Le Temps avant seuil prévoit la variable, repère le franchissement et publie un ETA et un niveau de sévérité que vous configurez une seule fois.
Temps avant seuil : le compte à rebours
Intégration
De la prédiction à l'action.
Des variables en entrée, rien ne change en aval
Les prédictions arrivent comme des variables ordinaires, et tout ce qui se trouve en aval sait déjà quoi faire des variables :
Tracez les prévisions à côté des relevés en direct et ombrez les fenêtres d'anomalie, sur toute la flotte via Blueprints.
Déclenchez sur les prédictions comme sur les valeurs capteurs : "jours avant vide sous 4" ouvre un ordre de réapprovisionnement.
Des scripts en Node.js, Deno ou Python post-traitent les sorties quand il vous faut une logique personnalisée par-dessus.
Résultats
Ce que valent les prédictions dans votre activité.
Cinq secteurs, un même mécanisme
Voyez les problèmes tant qu'ils coûtent encore peu :
Agriculture
Niveaux des silos d'aliment prévus plusieurs jours à l'avance ; le grain se commande sur prévision, pas dans l'urgence.
Voir le cas d'usageÉnergie
Les anomalies de consommation signalées le jour où elles commencent, pas en fin de mois.
Bâtiments
La dérive CVC attrapée quand elle n'est qu'une visite de maintenance, pas une plainte de locataire.
Industrie
"La pompe est tombée en panne" devient "voici la fenêtre pour l'entretenir".
Logistique et chaîne du froid
Des heures de préavis avant qu'un conteneur frigorifique ne sorte de conformité.
Les prédictions convertissent les événements imprévus en travail planifié, et le travail planifié coûte toujours moins cher.
Sous le capot
Bâti sur la science publiée, conçu pour la télémétrie.
Méthodes connues, modes de défaillance documentés
Chaque modèle ici est une méthode publiée et évaluée par les pairs :
Notre travail, c'est la partie qu'aucun article ne couvre : faire tenir ces méthodes sans supervision, à l'échelle d'une flotte, sur de la vraie télémétrie.
Questions fréquentes
Réponses rapides sur l'analytique TagoIO
Qu'est-ce que l'analytique IoT ?
TagoIO peut-il prédire une panne d'équipement ?
Faut-il une équipe de data science pour utiliser l'analytique TagoIO ?
Quels modèles de prévision TagoIO utilise-t-il ?
Comment les prédictions apparaissent-elles dans mon application ?
Combien d'historique faut-il pour entraîner un modèle ?
Commencer
Connectez. Prédisez. Agissez.
Configurez votre première prévision en quelques minutes. Le forfait gratuit inclut 5 appareils et 5 dashboards.