Os processos de transportes impactam diretamente o custo dos produtos manufaturados no Brasil e no mundo. Assim, existe uma necessidade constante de se melhorar o desempenho operacional e reduzir os custos de manutenção dos veículos comerciais. Atualmente, a maioria desses veículos contam com algum tipo de equipamento de telemetria, seja para fins de segurança de cargas ou aplicações em logística. Há, portanto, a geração de um grande volume de dados operacionais, embora menos de 5% dos dados coletados sejam utilizados de forma eficaz. Uma das razões são as limitações das arquiteturas atuais, que não permitem o acesso transparente aos dados para todos os participantes do domínio de transporte, dificultando a extração de informações necessárias para a tomadas de decisões. O objetivo deste trabalho é desenvolver um modelo de telemática em nuvem que permita compreender melhor a inter-relação entre o estilo de direção do condutor e os processos de manutenção envolvidos. Obtendo a trajetória da informação veicular pelo sistema, propõe-se um método de análise que integra os dados operacionais, extraídos por meio de telemetria, com as informações de planejamento de manutenção da frota. O método proposto abrange toda a trajetória do dado veicular. Começa com a identificação do mecanismo mais adequado de captura dos dados no veículo, transmissão dos dados, chegando até a disponibilização das informações necessárias para a tomada de decisão em um ambiente em nuvem. Adicionalmente, este trabalho apresenta estudos sobre as alternativas tecnológicas seguras de extração de dados em veículos, e utilização de técnica de análise preditiva de dados, por meio de Machine Learning baseada na ferramenta Altair Monarch. Realizou-se um estudo de caso em uma operação de colheita de cana-de-açúcar no Estado de São Paulo. A integração de dados operacionais e de planejamento proporcionou um aumento da disponibilidade do veículo comercial em sua operação, otimização das janelas de manutenção preventiva, bem como redução da necessidade de manutenções corretivas. A principal contribuição deste trabalho foi o desenvolvimento de um processo sistemático de aquisição, transmissão, tratamento e análise de dados, coletados remotamente de veículos comerciais, dentro do contexto de Big Data, propiciando maior agilidade e eficácia na tomada de decisões de gestão operacional e de manutenção dos veículos comerciais.

Transport processes directly impact the cost of manufactured products in Brazil and worldwide. Thus, there is a constant need to improve operational performance and reduce maintenance costs for commercial vehicles. Currently, most commercial vehicles have telemetry equipment, either for cargo security purposes or logistics applications. Therefore, a large volume of operational data is generated. However, it is estimated that less than 5% of the data collected is currently used effectively. One of the reasons is the limitations of current architectures, which do not allow transparent access to data for all participants in the transport domain, making it difficult to extract the information needed to make decisions. This research aims to develop a cloud telematics model that allows for a better understanding of the interrelationship between the driver's style and the maintenance processes involved. A proposed analysis method integrates operational data, extracted through telemetry, with information on fleet maintenance planning. The proposed method covers the entire journey of vehicle data. It starts with identifying the most suitable mechanism for capturing data in the vehicle, transmitting the data, reaching the availability of information necessary for decision-making in a cloud computing environment. Additionally, this work presents studies on safe technological alternatives for data extraction in vehicles and predictive data analysis techniques through Machine Learning based on the Altair Monarch tool. A case study was carried out in a sugarcane harvesting operation in the State of São Paulo. The integration of operational and planning data provided an increase in the availability of the commercial vehicle in its operation, optimization of preventive maintenance windows, and a reduction in the need for corrective maintenance. The main contribution of this work was the development of a systematic process of acquisition, transmission, processing, and analysis of data collected remotely from commercial vehicles within the context of Big Data, providing greater flexibility and efficiency in decision-making for operational management and maintenance of commercial vehicles.