Le Big Data dans l'industrie : quelles applications concrètes ?

L’exploration des méga données est aujourd’hui largement associée aux métiers du marketing pour mieux connaitre et comprendre le comportement et les attentes des consommateurs.

Néanmoins, la ruée vers le nouvel or noir des données disponibles à profusion et analysables à moindre coût est désormais lancée par les grands groupes industriels. Les industriels font face à des défis inédits en matière de modernisation, de rationalisation et de réduction des coûts.

La digitalisation de la chaîne de valeur, à travers des technologies telles que l’IoT, la réalité augmentée, le digital twin répond à ces enjeux et constitue plus que jamais un levier majeur de transformation. Alors quelles sont les applications concrètes du Big Data dans l’industrie ?

La nouvelle donne technologique

L’apogée du Big Data dans l’industrie

Les grands groupes industriels utilisent depuis des années des outils de gestion et d’aide à la décision pour les aider à définir par exemple leurs offres et services à leurs clients.

On assiste actuellement à l’arrivée à maturité des technologies dites Big Data, de stockage et d’analyse de grandes quantités de données structurées et surtout non structurées avec l’émergence des distributions commerciales d’Hadoop (Cloudera, MAPR et Hortonworks) à des tarifs compétitifs.

Habitués à exploiter et analyser des données structurées, les industriels doivent basculer dans un nouveau paradigme visant à donner du sens aux afflux massifs et diversifiés d’informations. Un des enjeux sera de travailler sur des données non structurées (flux d’informations brutes, images, vidéos, commentaires, likes…) aux formats inconnus ou mal maitrisés.

Dans ce contexte, les industriels ont compris l’intérêt d’exploiter les flux de données colossaux déversés par l’émergence, en particulier des objets connectés et proposer de nouveaux services et améliorer ses processus de prise de décision.

Mais la question est de sortir du simple champ des possibles et définir l’application concrète qui donnera du sens à cette démarche…

Des initiatives industrielles structurées

Les 4 cas d’usage du Big Data dans l’industrie

1. Améliorer la performance opérationnelle grâce à l’analyse des données de production pour identifier les meilleures pratiques et les optimisations possibles.
2. Optimiser la maintenance grâce à la maintenance prédictive.
3. Développer son modèle commercial en identifiant de nouvelles tendances sur le marché.
4. Améliorer sa relation client en analysant les retours consommateurs, notamment via les réseaux sociaux.

Le digital twin

Le digital twin est établi de longue date dans l’industrie, où il a révolutionné les processus sur la totalité de la chaîne de valeur. En effet, le jumeau numérique permet à l’industrie des procédés d’optimiser les processus particulièrement longs et de renforcer leur flexibilité et leur efficacité.

Concrètement, il s’agit d’un modèle de données intégré qui couvre la totalité du cycle de vie d’une unité de production. Représentation virtuelle du produit, du processus de production ou de la performance, il crée des liens parfaitement transparents entre les différentes étapes du processus.

L’objectif est triple :

• Garantir une amélioration cohérente de l’efficacité,
• Réduire les taux d’échec,
• Raccourcir les cycles de développement et crée de débouchés commerciaux.

Qui dit Big Data dit maintenance prédictive

Lorsqu’on aborde le sujet du big data dans l’industrie, le sujet de la maintenance prédictive revient en boucle, avec en substance des capteurs placés dans les produits (moteurs, mécanismes, structure…) tout en étant connectés à internet (appelés objets connectés), envoient des informations que le fabricant récupère et compile pour déterminer, en fonction du comportement de ses produits dans le temps, les besoins de maintenance ou de remplacement.

Par exemple, le fabricant John Deere a créé un partenariat avec l’éditeur SAP pour une application de maintenance prédictive sous SAP Hana, l’outil orienté Big Data de l’éditeur.

Dans le domaine aéronautique, on peut citer une startup Lokad proposant une optimisation du stock des pièces détachées dédiées à la maintenance des avions sur les différents sites à partir du traitement de données multi sources.

Malgré cela, les industriels ont lancé de nombreuses initiatives variées sur des problématiques plus larges.

Construction de persona via les réseaux sociaux

On peut citer en particulier le groupe Safran avec la création d’une entité dédiée Safran Analytics dotée de 40 collaborateurs.

Si les premières initiatives concernaient la maintenance (des moteurs d’avion chez Snecma par exemple), aujourd’hui les initiatives concernent l’exploitation des réseaux sociaux pour mieux cerner les goûts des consommateurs ou une meilleure utilisation des données massives disponibles au sein des bureaux d’études et d’essais afin de repérer et traiter des comportements indétectables jusque-là.

Les fabricants d’automobiles ne sont pas en reste mais plutôt dans le registre marketing. Il s’agit souvent d’anticiper les préférences des consommateurs à partir de l’analyse des réseaux sociaux qui permet d’orienter les nouveaux modèles.

L’apport des objets connectés

Au-delà des données issues des réseaux sociaux, c’est bien à travers les objets connectés sur leurs produits (interfaces, capteurs…) que les industriels tireront parti de ces technologies.

En effet, cette démarche permet d’aller plus loin que la simulation en laboratoire ou même les campagnes d’essai des produits en analysant leur usage en condition d’utilisation réelle dans le temps comme chez Snecma ou PSA pour travailler sur des problématiques de sécurité ou de lutte contre la fraude.

On peut citer l’application conjointe entre Michelin Solutions et CGI qui permet de suivre une flotte de camions et surtout de réduire leur consommation de carburant. Il faut noter que cette application se rémunère sur les économies réalisées.

Quelles sont les freins à l’utilisation du Big Data dans l’industrie ?

Quel est aujourd’hui le frein au développement de toutes ces initiatives ? Ce ne sont pas les limites technologiques ou le manque d’argent, mais le manque de compétences spécifiques et en particulier celles des analystes nommés Data Scientists

Les résultats obtenus ne le sont pas de manière automatisée au travers d’un éventuel Machine Learning et ce sont bien des personnes qui sélectionnent et décortiquent les données multi sources. Ce sont bien elles qui donnent du sens à la démarche et ensuite, tout en exploitant l’automatisation apportée par le Machine Learning.

Le Data Scientist pourra alors travailler sur les données : les sélectionner, les nettoyer, les organiser, les normaliser, les traiter à travers des algorithmes adaptés et les visualiser.

Afin de disposer des compétences internes nécessaires pour maîtriser ces nouvelles technologies, il est important de former ses collaborateurs avec l’une de nos formations spécialisées.