Nous sommes confrontés tous les jours au Big Data dans notre vie quotidienne. Chez ALL Circuits, nous prévoyons de nous en servir afin de passer d'un EMS à un IMS.
Le Big Data est né de la conjonction de plusieurs facteurs : la multiplication des sources de données, la baisse drastique des coûts de stockage et l’augmentation des capacités de calcul.
Il désigne à la fois la production massive de données et le développement de technologies capables de les traiter afin d’en extraire des corrélations ou du sens.
Le Big Data se caractérise par 3 dimensions : Volume (énorme et en perpétuelle croissance), Variété (textes, images, mesures, valeurs et sources multiples), Vélocité (traitement temps réel).
Ce qui est vrai dans le marketing l’est tout autant dans l’industrie. Nous disposons dans nos usines d’une énorme quantité de données. SAP et les systèmes de traçabilité sont de grandes bases de données. Chaque machine dispose la plupart du temps de sa propre base de données, dans laquelle tous les évènements sont enregistrées ainsi que les relevés de multiples capteurs mesurant quantité de paramètres.
Nos process sont en permanence scrutés par des tests électriques ou optiques, mettant à disposition d'énormes quantités de mesures, d'images, de résultats.
On peut alors réellement parler dans notre cas de Big Data : le volume de données est énorme, leur type et leur provenance sont variés et pour délivrer un résultat en temps réel, la vitesse de traitement est essentielle.
Un des enjeux principaux du Big Data est de trouver des corrélations entre les données et de permettre par analogie d’anticiper un comportement futur. C’est le cas de la maintenance prédictive, qui permet d’intervenir sur une machine juste avant qu’un problème ne survienne. On pourrait imaginer, par exemple, trouver des corrélations entre des paramètres process et des résultats de test pour guider l’opérateur de production dans ses réglages, ou à terme en apportant une correction autonome et en temps réel de ces paramètres.
Pour prendre un exemple concret dans notre environnement, nous nous en sommes servis pour diminuer le taux de rebuts sur un de nos équipements de back-end. Grâce au croisement de données, nous avons pu mettre en évidence une corrélation entre l’ouverture d'une des portes de la machine et le taux de défauts. L’ouverture de la porte a pour effet immédiat de couper l’air de la machine et de libérer les mâchoires qui maintiennent les flancs pendant la découpe. Au redémarrage, malgré toutes les précautions prises, on peut constater que le taux de défaut sur les flancs en cours de détourage est beaucoup plus important qu'à la normale. Cette mise en évidence permet actuellement aux équipes techniques, avec le support du concepteur du back-end, de faire évoluer l’équipement pour supprimer cette cause essentielle de défaut.
Les possibilités sont nombreuses et les données représentent un gisement encore non exploité aux possibilités énormes.
Pour cela, plusieurs étapes sont nécessaires.
Cela passe par l’automatisation et la connectivité de nos procédés qui sont déjà à un niveau de maturité élevé dans les usines du groupe.
L’étape suivante est la visualisation de nos données, pour voir et comprendre ce qui est en train de se passer.
L’étape finale consistera à trouver des modèles qui nous permettront d’anticiper ce qui va arriver et d’apporter une réponse autonome aux dérives ou dysfonctionnements qui peuvent survenir.
Nous devons accélérer les développements concernant la visualisation des données. Pour cela, nous utilisons des outils de Business intelligence. Plusieurs tableaux de bord ont été développés ces dernières années pour la Supply-Chain et sont utilisés au quotidien par les équipes Achats et Logistique de l'ensemble des sites. Nous devons maintenant étendre cette pratique aux autres secteurs de l’entreprise et en particulier en Production.
Thomas COCQUEMPOT, Directeur de la Transformation numérique pour ALL Circuits
