Trois ans de données de production, et presque rien qui en sort
Les PME industrielles enregistrent énormément. Temps de cycle, rebuts, arrêts machine, résultats de contrôle. Et l'essentiel dort dans des fichiers que personne ne ressort. Ce n'est pas un problème d'outil manquant, c'est un problème de question manquante.
Cet article ne traite pas du choix d'une solution. Si vous voulez situer votre potentiel avant d'engager quoi que ce soit, il y a le diagnostic de potentiel IA, qui vous rend un résultat sans que rien ne sorte de votre navigateur. Ici je parle de ce qui vient avant : quelle question vous allez poser à la donnée que vous avez déjà.
Mesurez d'abord ce qui dort chez vous
On lit souvent des pourcentages sur la part des données industrielles jamais exploitées. Je préfère vous donner une mesure que vous pouvez faire vous-même cet après-midi, parce qu'elle sera vraie chez vous.
Ouvrez le dossier où sont vos relevés de production des trois dernières années et triez par date de dernière ouverture. Comptez les fichiers rouverts au moins une fois après le mois de leur création. Ce ratio est votre taux d'exploitation réel, et il est en général bas.
Puis posez la deuxième question, qui donne souvent une réponse plus gênante : combien de personnes savent ouvrir et faire tourner le fichier qui sert à analyser les défauts. Quand la réponse est deux, l'analyse de production n'est pas un processus de l'entreprise, c'est une compétence individuelle.
Pourquoi ces données ne servent à rien aujourd'hui
Ce n'est pas un manque de sérieux. C'est une combinaison de trois contraintes qui n'ont rien à voir avec la technique.
- Personne n'a le temps de croiser. Rapprocher les arrêts machine des lots matière sur deux ans demande des heures que personne n'a en plus de sa journée.
- La donnée est enregistrée pour prouver, pas pour analyser. Beaucoup de relevés existent parce qu'un client ou un audit les exige. Leur format sert la traçabilité, pas l'exploitation.
- Le résultat arrive trop tard. Une analyse qui prend une journée est souvent périmée quand on la lit, donc on arrête d'en demander, donc plus personne ne la fait.
Où le tableur s'arrête, exactement
Le tableur n'est pas le problème, et je ne propose jamais de le retirer. Il répond très bien à une question connue à l'avance, il est auditable, et tout le monde sait le lire.
Sa limite est précise. Il croise mal plusieurs sources sur une longue période, il ne supporte pas les questions qu'on n'avait pas prévues, et il dépend de la personne qui l'a construit. Ce sont ces trois points qu'on cherche à lever, pas l'outil.
Dans une PME industrielle, l'intérêt de l'IA sur ce sujet n'est pas de réduire les effectifs. C'est de récupérer le temps qui part dans la préparation des données, et de le remettre là où vos équipes ont de la valeur, sur le terrain plutôt que sur un tableur.
Ce que l'IA fait bien ici, et ce qu'elle ne fait pas
Sur ce type de données, son apport est réel et étroit.
Ce qu'elle fait bien. Lire un volume que l'œil ne peut pas parcourir, rapprocher des sources qui n'ont pas le même format, et faire ressortir un motif qui n'apparaît qu'en croisant deux ou trois dimensions. Dix mille lignes en quelques minutes plutôt qu'une journée de tableur.
Ce qu'elle ne fait pas. Décider à votre place, et c'est important de le poser clairement. Elle donne la photo nette avant la décision, elle ne prend pas la décision. Elle ne remplace pas non plus une donnée absente, et elle ne répare pas une donnée fausse.
La question à poser en premier
Ne cherchez pas à tout analyser. Cherchez une question, une seule, qui remplit trois conditions.
- Elle porte sur un problème dont le coût est connu. Si vous ne savez pas ce que le sujet vous coûte, vous ne saurez pas si la réponse valait l'effort.
- La donnée nécessaire existe déjà. Une question qui suppose de nouveaux capteurs devient un projet d'investissement, plus une exploitation de données.
- La réponse déclenche une décision identifiée à l'avance. Écrivez cette décision avant de lancer l'analyse.
Ce troisième critère est celui qui élimine le plus de candidats, et c'est le même que celui qui distingue un indicateur d'une décoration murale, sujet de l'article sur les indicateurs que personne ne regarde. Une question intéressante dont la réponse ne change rien produit un beau graphique et aucun gain.
Ce qu'il faut vérifier avant de lancer quoi que ce soit
Trois contrôles, une demi-journée, et ils déterminent si la suite a un sens.
- L'horodatage. Sans date et heure fiables, aucun rapprochement entre deux sources n'est possible. C'est le point de blocage le plus fréquent.
- La granularité. Un relevé par équipe ne permettra jamais de conclure sur un phénomène qui varie d'une heure à l'autre.
- La cohérence des libellés. Si le même défaut porte trois noms selon qui l'a saisi, il apparaîtra comme trois phénomènes distincts.
Ce dernier point rejoint directement le travail de catégorisation décrit dans l'article sur le Pareto. Aucun modèle ne réconciliera des catégories que personne n'a définies, et il vous rendra une réponse propre et fausse, ce qui est plus dangereux qu'une absence de réponse.
L'ordre compte plus que l'outil
Il y a une façon fiable de faire dormir un outil, et c'est de l'acheter avant d'avoir la question. La logique inverse tient en quatre étapes et je l'ai détaillée dans l'article sur les projets IA qui commencent par le problème.
Appliqué aux données dormantes, cela donne une règle simple : la première analyse se fait sur les données existantes, sur une seule question, avec les moyens du bord. Si le résultat change une décision, alors la question de l'outillage se pose, et elle se posera avec un cas d'usage démontré plutôt qu'une intuition.
Une précaution avant d'envoyer le premier fichier
Vos relevés de production ne sont pas des données neutres. Ils révèlent vos cadences réelles, vos taux de rebut, parfois vos clients et vos prix implicites. Ce sont des informations qu'un concurrent paierait.
Trois questions à poser avant tout envoi vers un service extérieur : où les données sont stockées, pendant combien de temps, et si elles servent à entraîner un modèle. C'est aussi la raison pour laquelle les quatre calculateurs de ce site s'exécutent entièrement dans le navigateur, sans transmission des valeurs saisies. Le même principe guide les logiciels que j'édite : un outil qui demande vos données doit dire ce qu'il en fait.
Questions fréquentes
Comment savoir quelle part de mes données dort réellement ?
Regardez la date de dernière ouverture de vos fichiers de production des trois dernières années, et comptez ceux qui ont été rouverts au moins une fois après le mois de leur création. C'est une mesure exacte, disponible immédiatement, et bien plus parlante qu'un pourcentage général. Posez ensuite la deuxième question : combien de personnes savent ouvrir et faire tourner le fichier qui sert à analyser les défauts.
Faut-il abandonner ses tableurs pour exploiter ses données ?
Non. Un tableur répond très bien à une question connue à l'avance, et il n'y a aucune raison de le retirer. Sa limite apparaît ailleurs : il ne croise pas facilement plusieurs sources sur une longue période, et il dépend souvent d'une ou deux personnes capables de le faire tourner. C'est cette limite précise qu'on cherche à lever, pas l'outil.
Quelle première question poser à ses données de production ?
Une question qui remplit trois conditions : elle porte sur un problème dont le coût est connu, la donnée nécessaire existe déjà sans nouvelle collecte, et la réponse déclenchera une décision identifiée à l'avance. Si l'une des trois manque, changez de question. Une question intéressante dont la réponse ne change rien produit un joli graphique et aucun gain.
L'IA peut-elle corriger des données de mauvaise qualité ?
Non, et c'est la principale cause d'échec de ce type de projet. Un modèle ne réconciliera pas des libellés de défauts incohérents, ne devinera pas un horodatage absent et ne rendra pas comparables des relevés faits selon deux méthodes différentes. Il produira une réponse propre et fausse, ce qui est plus dangereux qu'une absence de réponse. La vérification de la donnée passe avant.
Où partent mes données quand j'utilise un outil d'analyse ?
C'est une question à poser avant d'envoyer le premier fichier, parce que des relevés de production révèlent vos cadences, vos taux de rebut et vos clients. Demandez où les données sont stockées, pour combien de temps, et si elles servent à entraîner un modèle. Les quatre calculateurs de ce site font exception par construction : le calcul s'exécute dans votre navigateur et aucune valeur saisie n'est transmise.
Ce que je ferais en premier
Écrivez une phrase. Une seule question que vous aimeriez poser à vos trois dernières années de production, et à côté, la décision que vous prendriez selon la réponse.
Si vous n'arrivez pas à écrire la deuxième partie, la question n'est pas la bonne et il vaut mieux le découvrir maintenant qu'après trois semaines d'analyse. Si vous y arrivez, vous venez de cadrer un premier cas d'usage exploitable avec la donnée que vous possédez déjà, sans acheter quoi que ce soit.