Maîtrise des données industrielles, un enjeu stratégique

Les enjeux de la maîtrise des données 

L’objectif premier des industriels est de pouvoir suivre et gérer les activités le plus finement possible. C’est pour cela que l’accès aux données des usines et leur exploitation a pris tant d’importance. Cela permet de donner une visibilité nouvelle sur les activités industrielles, ce qui permet de mettre en lumière les défauts ou de détecter des problèmes avant qu’ils ne deviennent critiques. Pour ce faire, la valorisation des données a plusieurs applications, voici quelques exemples : 

• L’utilisation de technologies d’intelligence artificielle pour la conception de modèles prédictifs (de commande, de maintenance etc). L’emploi de ces technologies permet de reprendre des outils de pilotage de l’usine de manière plus fine et plus fiable. 
  Par exemple, il existe actuellement des politiques de gestion des stocks qui se basent sur la saisonnalité des commandes, un calcul de stock de sécurité, de niveau de recomplètement du stock. Appliquer des modèles prédictifs d’intelligence artificielle permet d’avoir des informations plus précises sur les commandes futures des clients. 
• Il est possible de visualiser différents indicateurs de production via des outils de BI : Tableau, Power BI, Qlik Sense, pour ne citer que les outils les plus utilisés du marché. Ceci permet de mettre en place des indicateurs de performance et de contrôle de production (suivi des taux des pièces défectueuses/non conforme etc).

La valorisation des données est un outil puissant pour la gestion industrielle. Cependant il faut être capable de stocker ces données, d’y accéder facilement et de communiquer avec les différents outils qui composent le SI. En bref, il faut être capable de maîtriser ses données.

Les défis liés à la maîtrise de la donnée

Afin de maîtriser ces données et d’en faire un atout stratégique majeur,les défis sont nombreux. Un pré-requis essentiel est d’établir une véritable gouvernance des données. Les différentes équipes doivent être responsabilisées sur la qualité des données générées. 

Une spécificité majeure de la donnée industrielle opérationnelle et qu’elle est dans un premier temps déstructurée, l’étape suivante implique de développer une couche technologique supplémentaire afin de la contextualiser.

Les systèmes d’informations industriels sont complexes et les sources de données hétérogènes, avec données logistiques, produits, ou encore marketing. Ces environnements sont souvent en silos et donc difficiles à réconcilier en temps réel. Il est donc nécessaire de concevoir l'interface des différents SI afin d’assurer une circulation efficace de la donnée. 

Comme évoqué, les applications sont nombreuses mais elles dépendent du déploiement de technologies complexes parfois difficiles à intégrer. Par exemple, déployer un dispositif complet d’IOT afin de collecter les données de lignes de production en temps réel nécessite des compétences très spécifiques. 

Une fois collectée et structurée, la donnée doit être exploitée afin d’en tirer un bénéfice réel. Certains outils intègrent aujourd’hui des dispositifs de génération de KPIs et de visualisation de la donnée. Cependant, analyser, visualiser la donnée implique une forte montée en compétences des équipes afin de permettre à l’entreprise de tirer le maximum de bénéfices de la data. 

Pour faire de la data une arme stratégique à l’époque du Big Data, il est nécessaire de concevoir une architecture permettant de sélectionner les données à forte valeur ajoutée dans les data lake industriels. En ce sens, l’Edge Computing est une méthode d’optimisation consistant en le traitement de la donnée au plus proche de sa source, notamment afin d’éviter de transmettre aux SIs de trop nombreuses données peu pertinentes. 

Les données, porte d’entrée des cyberattaques 

Un autre défi clé est le respect des contraintes en matière de RGPD, un cadre extrêmement rigoureux. La multiplication des données récoltées a entraîné la multiplication des attaques cybercriminelles envers les infrastructures IT des industriels. On peut notamment citer le ransomware Wannacry en 2017. Plus récemment encore, un hôpital de l’Essonne a été victime d’une attaque du même genre, mettant à l’arrêt leurs services informatiques pendant plusieurs jours.

Ce risque complique la mise en place d’un partage plus large de la donnée industrielle, enjeu majeur pour l’ensemble des acteurs de l’industrie. Il renforce également le besoin en compétences pour déployer les outils nécessaires à l’utilisation de la donnée au sein des SI industriels. La multiplication des points d’entrées fragilise la sécurité des SIs industriels.

Conclusion

L’exploitation des données dans un cadre industriel est un puissant outil de gestion des activités de production, de maintenance, de stockage et de transport. Cependant pour “digitaliser” une usine et ses activités, l’entreprise doit faire un important effort financier. De plus, cela engage des compétences de gestion des systèmes d’information rarement présentes dans les milieux industriels. En effet les technologies d’IOT récupèrent les informations de terrains, mais il faut encore les stocker, les traiter afin de les rendre lisible et exploitable.

L’emploi des nouvelles technologies attirent l’intérêt des cybercriminels qui peuvent maintenant avoir accès de multiples manières au SI des industries. Les responsables industriels doivent donc être sensibilisés à ces risques et agir en conséquence pour se protéger de toute attaque (formation en cybersécurité, recrutement d’ingénieur en cybersécurité).

Devant ces possibilités et ces enjeux, l’industrie 4.0 qui se concentre sur le critère économique, l’opinion publique met en avant le critère écologique. Ce dernier est très certainement amené à prendre une place importante dans les industries pour mener à une industrie dite “5.0”.