Pourtant, dans les faits, peu d’acteurs industriels ont développé une stratégie globale basée sur les données. Pourquoi ? Comment y remédier ?
Prendre conscience des opportunités liées aux données
“Le premier constat que l’on fait auprès de nos clients, c’est qu’ils n’ont pas réellement conscience de tout ce que peut leur apporter la donnée. Souvent, ils nous sollicitent avec une demande précise qui est bien en dessous de leur besoin réel. Par exemple, un responsable data d’usine est venu me voir pour améliorer l’usage de la plateforme de données utilisée en interne. Mais il n’a pas su quoi répondre précisément quand je lui ai demandé pourquoi ils collectaient de la donnée. Le problème était donc bien plus global, avec un manque de vision et de stratégie…”, explique Benjamin Protais.
Un audit pour mesurer la maturité data
“Dans ces cas-là, nous conseillons à nos clients de réaliser un audit de leur système de données. Cela permet de faire le constat de ce qu’ils ont déjà et de leur maturité data, puis de considérer une autre utilisation de l’existant et de définir ce à quoi ils veulent arriver.
Ainsi, en connaissant leurs besoins réels et en leur expliquant la valeur de leurs données, nous proposons finalement dans la majorité des cas un projet aux bénéfices plus larges qui répond mieux aux attentes. En tant qu’expert data, nous sommes capables d’ajouter des fonctionnalités à la carte pour compléter un système de gestion de données existant.”, continue Léo Lejeune.
Une nécessaire acculturation
“De mon côté, j’ai pu accompagner un fabricant de connecteurs haut de gamme. L’entreprise avait développé toute une stratégie Industrie 4.0 sur les axes qualité, excellence et satisfaction client, mais dans son projet, la donnée n’avait aucun rôle à jouer, alors que c’est un outil puissant pour soutenir de manière transverse ce genre d’objectif. On se retrouve souvent face à un enjeu d’acculturation vis-à-vis de la data. ”
“Pour l’aider à se projeter, j‘ai fait visiter à ce client l’usine de Lacroix Electronics dans laquelle la stratégie data est aboutie. Il a pu comprendre et voir concrètement ce qu’était une usine connectée, une entreprise innovante et une optimisation de la production en temps réel. Et il a tout de suite été convaincu”, complète Benjamin Protais.
Penser la donnée comme un élément transversal interopérable et utile à tous
“Les équipes terrains savent tout de même qu’elles ont intérêt à utiliser certaines données. En effet, des tags sont souvent installés sur les machines et communiquent des informations précises. Les équipes s’en servent dans des tableaux Excel, avec parfois des macros, mais uniquement pour leurs besoins propres. Il manque très souvent, au-delà de la “culture data”, une vision globale et homogénéisée, ne serait-ce déjà que pour s’accorder sur ce qu’est un indicateur valorisable, pour que tout le monde comprenne les termes et parle de la même chose en interne”, constate Léo Lejeune.
“Effectivement, la donnée est le plus souvent pensée en silo et non comme un élément central. La data est générée pour un processus particulier, et bien souvent principalement pour du reporting, mais elle n’est pas réutilisable ailleurs ou différemment, elle reste enfermée dans l’usage qui a été défini au départ.
Pour pallier cela, il faut plus en amont penser les données comme transversales et interopérables et pour cela il faut mettre en place une stratégie de data gouvernance,” précise Benjamin Protais.
Mettre en place une réelle data gouvernance
Léo Lejeune explique : “La data gouvernance est nécessaire pour gérer l’ensemble de la chaîne de la préparation de la donnée avant qu’elle ne soit analysée grâce à la data science. Elle permet de répondre à plusieurs enjeux, comme collecter efficacement la donnée source, qui provient souvent de systèmes décentralisés, l’homogénéiser, la mettre en commun ou encore permettre une agrégation fiable au niveau du siège. Corriger les données collectées et être capable d’identifier et tracer les corrections manuelles constituent des procédures qui nécessitent aussi une bonne data gouvernance.”
“Pour y parvenir, il est primordial de désigner une équipe dédiée qui mêle différentes compétences. Les équipes terrain ont ici un rôle important à jouer. Nommer un référant data dans chaque service opérationnel permet d’assurer le lien entre la DSI et les utilisateurs finaux. Ce référent est garant de la bonne gestion de la donnée par son équipe, qu’il peut directement former sur certains sujets, et de la remontée des informations terrains auprès du pôle qui gère la stratégie data : nouveaux indicateurs pertinents sur les machines, incapacité à collecter sur le terrain certaines données demandées, besoin de matériel spécifique pour aider les opérateurs à s’engager dans la gestion de la data, etc. Parce que ce sont bien les opérateurs qui pourront juger utile de suivre le niveau de mercure dans telle cuve ou d’avoir un smartphone à portée de main pour remonter les données facilement sans multiplier les kilomètres ! ”, ajoute Benjamin Protais.
Implémenter le projet étape par étape
Benjamin Portais insiste à ce sujet : “Une grande partie des industriels qui nous sollicitent s’attendent à une solution “one shot”. Mais même si certains bénéfices sont rapidement observables, la mise en place une stratégie transverse de valorisation des données est un projet qu’il faut penser sur le long terme. La réalisation d’un POC pour commencer, sur un site industriel, permet de tester et d’optimiser par itération chaque brique de la data gouvernance, à petite échelle. Généraliser ensuite la stratégie implique une transformation plus en profondeur, avec un travail de démocratisation de la donnée en interne et d’acquisition de nouvelles compétences. La conduite du projet se fait donc sur plusieurs années, avec une phase de collecte de données centralisées, homogénéisées et fiables, une phase de formation pour que chacun puisse appréhender et utiliser la data, une phase de run avec un socle de données en quantité limitée mais soignées, et ensuite une phase de déploiement avec la collecte de nouvelles données et un élargissement des usages.”
“On fonctionne souvent par workpackage pour développer progressivement différents use cases. Avec une industrie de transformation de métaux par exemple, nous avons défini et planifié différentes étapes à suivre pour assurer une bonne base au projet : solidification de la plateforme data, référencement de tous les KPIs existants, tri des KPIs, digitalisations des données papier, correction des données existantes, identification de nouveaux indicateurs pour les opérations d’électrolyse et de fusion. Cette mise en place par itération est l’un des points clés pour réussir un projet de valorisation data.”, termine Léo Lejeune.