La valorisation de la donnée, moteur de la machine «industrie 4.0»

En 2011, le gouvernement allemand a fait de la transformation numérique de l’industrie, le cœur de sa stratégie économique pour 2020. L’industrie 4.0 était née. Après la machine à vapeur, l’électricité et la production de masse, l’électronique et l’informatique, c’était au tour de la digitalisation d’annoncer une nouvelle révolution industrielle.

Et comme ses aînées, celle-ci ouvre la voie à une redistribution des rôles sur la scène économique mondiale. Malmenées depuis près de quatre décennies, les industriels européens pourront jouer des leviers de l’industrie 4.0 censés leur donner plus d’agilité et d’adaptabilité, afin de retrouver une place au premier rang. A son échelle, le tissu de PME suisse, qui souffre des coûts et de la pénurie de la main-d’œuvre, pourrait lui-aussi bénéficier de l’automatisation et de la création de nouveaux business models avec des services associés au produit et à l’intelligence des données.

Mais qu’on ne s’y trompe pas. Pour réussir cette transformation, il ne suffit pas d’injecter dans les usines un peu d’Internet des objets, de cloud, de systèmes de production cyber-physiques (combinaison des moyens de production matériels avec les solutions logicielles immatérielles), d’intelligence artificielle ou de big data. L’industrie 4.0 ne se résume pas à une évolution technologique. Elle représente une transition radicale vers un nouveau modèle industriel, au cœur duquel se trouvent les données et leur valorisation, et qui vise à apporter plus de souplesse et d’agilité aux entreprises face à un blocage, une crise ou de nouveaux besoins des clients. Avec deux objectifs principaux: les gains de productivité et la réduction des coûts.

L’industrie 4.0 est passée du concept aux premiers projets concrets et en 2017, elle entre dans le vif du sujet en s’attaquant à la masse de données à sa portée. La digitalisation des actifs tout au long de la chaîne de valeur, production comprise, a créé ou mis à jour de plus en plus d’informations. Le temps est venu de les valoriser.

Une vision stratégique

Cette phase data est stratégique et doit être soutenue au plus haut niveau du management. L’entreprise doit commencer par définir clairement sa vision en identifiant la valeur qu’elle souhaite tirer de sa transformation. Un groupe du secteur des biens de consommation a ainsi placé dans sa feuille de route la création de valeur provenant de ses outils de production. Alors que ses chaînes de fabrication consomment beaucoup d’énergie (électricité, gaz,…), il se concentre sur sa structure de coûts et sur ses processus qualité. C’est l’analyse de l’ensemble de la chaîne de valeur qui permet aux entreprises d’identifier ces nouveaux gisements à exploiter et les aide à préciser la trajectoire à suivre.

Petits pas et itérations

Pour autant, pas question de big bang 4.0 dans des usines souvent en fonction 24h sur 24, 7j sur 7. Les industriels préfèrent des déploiements ciblés sur des business cases soigneusement choisis avec des méthodologies adaptées, basées sur l’itération. Un constructeur automobile, par exemple, a choisi de se concentrer spécifiquement sur la réduction des défauts de coulure de certains modèles dans un atelier de peinture. Deux ou trois bateaux pilotes de ce type servent de tests, puis de tremplins, aux développements itératifs. Ces expérimentations de terrain enrichissent en parallèle la vision stratégique autour des grandes poches de valeur identifiées.

Cette approche progressive permet aussi de faire face à l’enjeu central et colossal de la cartographie des flux d’informations qui jalonnent la chaîne de valeur. Les données jaillissent aussi bien des machines de production, de capteurs, de systèmes de contrôle, de l’ERP ou d’interactions avec les employés. D’autres encore proviennent de la chaîne d’approvisionnement ou de la logistique. Tout à fait en aval, même les produits sont sources de mesures …Sans oublier les échanges avec les consommateurs et les médias sociaux… L’industriel doit aussi identifier sa capacité à collecter ces data, estimer leurs délais obtention, et prendre en compte les acteurs extérieurs… Certains fournisseurs détiennent parfois des informations essentielles pourtant inaccessibles car aucune clause n’a prévu leur utilisation au départ.

Une plate-forme de données de nouvelle génération

Une fois le cap stratégique fixé et les données cartographiées, reste à concevoir la nouvelle plate-forme de valorisation des données, le data lake. Il récupère l’ensemble des data pertinentes, les stocke dans leur format natif, les transforme, les enrichit, permet de les visualiser, les maintenir et les traiter avec des algorithmes descriptifs, prédictifs et prescriptifs. L’intelligence ainsi créée résout les problèmes en étant propagée vers le point où elle pourra être actionnée. Si un calibrage de machine se révèle déviant et risque de créer un arrêt de la production, par exemple, la plate-forme envoie instantanément la correction appropriée.

Certains grands industriels ont décidé très tôt de développer eux-mêmes ce type de dispositif pour leurs besoins, et les commercialisent aujourd’hui pour d’autres acteurs industriels, sur le modèle d’Amazon Web Services. L’Américain GE a ainsi créé Predix pour récupérer toutes les données disponibles et les traiter. Le système ouvert crée des briques logicielles capables de résoudre des problématiques industrielles complexes. En les combinant, il déploie le service adapté à n’importe quel besoin. Par exemple, pour tenter d’économiser l’énergie consommée par des locomotives en production, la plate-forme traitera un maillage d’informations météorologiques, de données sur les rayons de courbure des rails et le poids des wagons. L’industrie ne découvre certes pas l’amélioration continue avec sa 4e révolution, mais avec ces nouvelles méthodes, la valorisation des données s’attaque à des questions de ce type qui ne pouvaient pas être traitées jusque-là.

La réduction des écarts technologiques et l’accompagnement au changement

Les infrastructures techniques en place ne sont cependant pas toujours prêtes pour cette révolution. Les entreprises doivent jauger l’écart qui sépare leurs outils existants de ceux nécessaires à la transition. Ils disposent souvent d’équipements de tous types et toutes générations, qui ne communiquent pas forcément, rendant complexe la collecte de données. L’intégration d’une plate-forme moderne avec le système d’information historique constitue un autre enjeu fort. Une entreprise qui dispose depuis longtemps d’une business intelligence pour le marketing ou la finance pourra très bien ne pas être équipée du côté de la production. Dans ce cas, la question se pose de l’utilisation d’un même outil des deux côtés ou plutôt de la mise en place souvent plus adaptée au nouveau projet, de technologies hybrides intégrant du Big Data.

Une démarche d’accompagnement au changement est tout aussi indispensable. Si la méthodologie progressive contribue à l’acceptation de la transformation, il faut aussi convaincre les équipes de ses bénéfices. Mieux vaut ne pas évacuer le sujet de la simplicité d’apprentissage par exemple. Sur certaines lignes de production automobile où le turn-over est très élevé, inutile de multiplier les formations lourdes.

Les entreprises qui passent par de nombreux processus de traitement depuis les matières premières jusqu’au produit fini sont les premières candidates à une transformation par les données et le digital. Mais l’industrie 4.0 concerne tous les acteurs, tous secteurs et toutes tailles confondus. La démarche, censée leur ouvrir des champs importants de développement avec de nouvelles opportunités de business, ne doit pas occulter pour autant les implications profondes des technologies sur l’organisation du travail. Autant de raisons de procéder par petits pas, pour ensuite déployer les projets en cascade.