Ces entreprises suisses qui prédisent grâce au Big Data: aéroports et industrie chimique
De plus en plus d’entreprises suisses s’appuient sur le Big Data pour obtenir des prédictions leur permettant de gagner en productivité et en satisfaction clients. Illustration d’un phénomène en plein essor dans un aéroport et chez un fabricant chimique.
On connaît le bon mot de l’humoriste français Pierre Dac: «La prévision est difficile surtout lorsqu’elle concerne l’avenir». Pourtant, avec les progrès réalisé ces dernières années dans le domaine du Big Data, la possibilité de prédire des événements n’est plus un exercice de voyance, mais une pratique informatique à portée de main. Quatre projets bien concrets sur lesquels nous travaillons avec des entreprises suisses témoignent du potentiel d’optimisation apporté par les prédictions dans les secteurs les plus variés. Voici les deux premiers dans les aéroports et l’industrie chimique.
1. Prédire le flux de passagers à l’aéroport
Les aéroports: promesses de voyage, mais aussi sources de stress, lorsqu’il faut rejoindre une file interminable pour enregistrer ses bagages en soute à l’un des quelques guichets ouverts. Les opérateurs aéroportuaires le savent et planifient leurs ressources en fonction des pics de fréquentation saisonniers connus. D’autres événements tels, qu’un accident sur l’autoroute ou une panne sur le réseau CFF, sont en revanche impossibles à anticiper. A l’aide de solutions Big Data désormais tout à fait abordables, il est aujourd’hui possible d’intégrer des données non-structurées émanant de sources externes et renseignant sur ces aléas. Ainsi, un système d’alerte prédictif permettrait à l’aéroport de solliciter rapidement des agents supplémentaires pour ouvrir davantage de guichets et de réduire l’attente des passagers sur le départ.
2. Prédire la qualité de la production
Dans l’industrie chimique, les aléas sont d’un tout autre ordre. L’un de nos clients, une entreprise produisant des composants pour la peinture, est confrontée à la difficulté de prédire la qualité d’un batch de production. Sachant qu’en cas de qualité insuffisante, les produits sont bons pour la poubelle. Auparavant, l’amélioration passait essentiellement par l’analyse des causes après coup par le responsable qualité. Aujourd’hui, l’entreprise s’appuie sur le Big Data. Les données de log générées par les machines, souvent disponibles dans des formats ésotériques, sont analysées en permanence. Le monitoring en temps réel détecte les déviations de multiples paramètres par rapport au scénario idéal, et déclenche des alertes le cas échéant. Dans un second temps les algorithmes de machine learning permettent de prédire et de faire des pronostics sur les actions à entreprendre pour améliorer la qualité. Les opérateurs peuvent ainsi modifier certains paramètres pour «sauver» la production en cours. Dans une prochaine étape, l’algorithme intégrera automatiquement le feedback structuré des employés de manière à profiter de leur savoir-faire.
