Alors que les fabricants s'apprêtent à adopter les technologies qui répondent aux défis de l'environnement commercial chaotique d'aujourd'hui, ils commencent à faire face à un défi que beaucoup pensaient ne jamais avoir : trop de données ! La volonté de transformer numériquement leur activité et de se rapprocher de la vision de l'industrie 4.0 a été facilitée par la vague d'appareils IIoT installés dans les usines, qui génèrent un flux continu de données de fabrication.
Ces appareils sont les éléments constitutifs de l'usine intelligente. Les informations qu'ils fournissent ont permis la mise en place d'une multitude de fonctionnalités telles que des outils de maintenance prédictive (PdM) très précis qui réduisent considérablement les temps d'arrêt en minimisant les pannes non planifiées. Les informations fournies par ces dispositifs peuvent également être utilisées pour améliorer la qualité, réduire la consommation d'énergie et améliorer les performances des processus. Cependant, malgré d'importants investissements technologiques, les entreprises déclarent toujours que de 50 % à 70 % de leurs investissements dans la transformation numérique n'apportent pas les bénéfices escomptés. Le problème dans nombre de ces projets de transformation bloqués n'est pas qu'il n'y a pas assez de données, mais plutôt qu'il y a trop de données.
Le problème de la visualisation des données en silo
De nombreuses cultures connaissent une variante de la parabole des "aveugles et de l'éléphant", qui proviendrait de l'Inde. L'histoire raconte l'histoire de six aveugles qui inspectent chacun un éléphant d'un point de vue différent, arrivant à des conclusions différentes sur ce que doit être l'animal. La première personne, dont la main s'est posée sur la trompe, a déclaré : "Cet être ressemble à un serpent épais." La suivante a touché son oreille et a supposé qu'il s'agissait d'un éventail. La troisième personne, dont la main s'est posée sur sa jambe, a dit : "L'éléphant est un tronc d'arbre ressemblant à un pilier". Le quatrième aveugle, qui a placé sa main sur son côté, a dit que l'éléphant " est un mur ". Le cinquième a touché sa queue et l'a décrite comme une corde. Le dernier a touché sa défense, déclarant que l'éléphant était fait d'os, lisse et semblable à une lance.
Dans le secteur de la fabrication, nous rencontrons souvent le même problème. Lorsque les données sont considérées de manière isolée, elles peuvent être utilisées pour définir un problème spécifique ou évaluer une situation, ce qui peut parfois conduire à des conclusions inexactes. Lorsqu'elles sont considérées uniquement du point de vue de votre rôle, il est souvent difficile de voir les choses sans préjugés. De même, comme le volume de données a augmenté avec l'explosion des capteurs numériques devenus la norme, il devient plus difficile de se concentrer sur les données qui nous donneront les réponses que nous recherchons tout en évitant ce biais.
Dans certaines cultures, la parabole fait référence à des hommes dans une pièce sombre qui sont stupéfaits lorsque les lumières s'allument et qu'ils peuvent voir l'éléphant en entier. Pour les fabricants, la difficulté d'utiliser la richesse des données IIoT réside dans le fait qu'elles sont utilisées en dehors d'un contexte plus large. L'utilisation des données par une partie de l'organisation ne doit pas être considérée individuellement, en fonction du contexte du rôle de chaque personne.
L'aveugle qui saisit la trompe (le serpent) de l'éléphant pourrait penser que la meilleure façon de contenir l'éléphant serait de le mettre dans un panier, comme le ferait un charmeur de serpent. L'aveugle qui touche la défense (la lance) pensera que la solution consiste à la ranger en l'adossant à un mur. Dans chaque cas, une perspective biaisée conduit à une conclusion inexacte - c'est exactement ce qui peut se produire lorsqu'on examine des données de fabrication hors de leur contexte.
Éviter la paralysie des décisions
Par ailleurs, lorsque vous élargissez votre perspective et sortez de votre silo en examinant un segment plus large de données, vous risquez d'être submergé par trop de données. L'automobile d'aujourd'hui peut générer jusqu'à 25 gigaoctets de données par heure. L'usine de fabrication moderne peut générer plusieurs ordres de grandeur de données supplémentaires. Essayer d'utiliser toutes les données lors de la prise de décisions conduirait probablement à une paralysie de la décision où les données semblent fournir des indications contradictoires.
Le fait d'avoir trop de données s'est avéré être l'un des plus grands défis de la création d'un véhicule véritablement autonome - l'incapacité de traiter les informations assez rapidement pour prendre une décision qui pourrait ne pas aboutir à une décision du tout. Dans l'industrie manufacturière, cela peut se manifester dans le cas classique d'une réunion de résolution de problème où chacun passe plus de temps à discuter pour savoir quelles données sont correctes au lieu de se concentrer sur ce que les données lui disent.
Ce problème est souvent le résultat non seulement d'une surabondance de données, mais aussi du fait que ces données sont collectées et traitées dans de multiples systèmes, chacun devenant un silo. L'un des principes fondamentaux de tout programme de qualité est que chacun doit non seulement examiner les mêmes données, mais aussi utiliser les mêmes outils pour les analyser. C'est le seul moyen de parvenir à un consensus sur la nature du problème et la manière de le résoudre.
Comme le volume des données de fabrication continue d'exploser, ce problème va s'accentuer, à moins que les données ne soient normalisées et disponibles en contexte. En définissant une architecture de données de fabrication - idéalement dans le cadre de votre plateforme de gestion des opérations - vous pouvez tirer la plus grande valeur de la quantité toujours croissante de données provenant de vos systèmes de fabrication. Il s'agit d'un argument convaincant pour numériser toutes vos opérations, pour ensuite avoir un contexte associé à toutes les données collectées, qui sont ensuite mises à la disposition de tous les employés pour qu'ils y accèdent et en extraient l'intelligence pour l'aide à la décision.
