L’industrie 4.0 sans données ?

Dans le cadre des travaux de recherche au sein du laboratoire commun AGIRE, la région Occitanie a offert la possibilité à différents chercheurs de travailler sur des aspects disruptifs du management de l’industrie 4.0

En effet, un des prérequis des idées de l’industrie 4.0 consiste en la collecte de données à travers l’organisation. Et l’utilisation de ses données pour analyser certaines situations et développer des solutions spécifiques, qu’elles soient techniques ou managériales.

Un des problèmes relatés dans de nombreux articles ([1], [2], [3], [4], [5]) est que les données d’entrée sont finalement chiffrées et très factuelles laissant peu de place à l’incertitude.

D’un autre côté, prendre des données non chiffrées est pratiquement, à l’heure actuelle, impossible dans les systèmes d’analyse de type Big Data. Par ailleurs, la réalisation d’un audit qualitatif est souvent un exercice long, fastidieux et incertain… Notamment car il inclut un possible biais de l’auditeur. Un des objectifs recherchés sera donc d’accélérer la vitesse et le résultat de ses diagnostics.

Un des travaux de recherche, qui sera supporté par les acteurs cités précédemment, va justement consister à regarder comment des informations non chiffrées et factuelles peuvent aboutir à des solutions de management significatives.

En effet, nous constatons que l’apport de la donnée est très souvent quantitativement significatif. Mais il engendre principalement des mises œuvre technico-techniques, au lieu de suggérer des changements d’approche de management à l’échelle de l’entreprise.

C’est cette ambition qu’a une partie de ces travaux de recherche. L’objectif est de créer des modèles de diagnostic/simulation uniquement basés sur des modèles qualitatifs ; dans lesquels nous recherchons si des pratiques managériales limitantes pour le système pourraient et devraient être remises en cause.

Afin de réaliser cette approche, nous nous sommes rapprochés d’éditeurs locaux capables de simuler différents modèles.

Le but de cette collaboration va être de créer une base commune de données qualitatives, qui permettra aux managers d’identifier les zones et les pratiques de management où les symptômes actuels du système prennent leurs sources.

Par exemple, beaucoup de nos clients se plaignent d’avoir un en cours trop élevé. Nous avons suffisamment d’éléments qualitatifs chez AGILEA et dans les travaux de recherche universitaire pour suggérer d’aller questionner comment fonctionnent les indicateurs de productivité (TRS, OEE, etc.) et analyser la pratique utilisée chez le client pour générer cet encours.

Le but de cet outil et de ces recherches consistera, grâce aux données et de manière quasi exhaustive, à aiguiller rapidement l’utilisateur vers la pratique mise en œuvre générant cela.

Par défaut, cela peut-être des tailles de lot élevées, des lancements en avance, des logiques de TRS mal déployées, etc.

L’intérêt de l’approche est qu’elle va ;

  • permettre de combiner les symptômes entre eux,
  • offrir un questionnement sur certaines pratiques
  • et orienter le diagnostic en analysant les liens (récurrences et volume) entre les différents systèmes étudiés.

En se basant sur l’exemple précédent. Lorsque nos clients se retrouvent confrontés à un en cours trop important corrélé avec des approches de TRS, l’outil pourrait aller suggérer de questionner :

  • La manière dans les ordres de fabrication sont lancés dans l’atelier ? « en avance ou non », « pour occuper certaines machines », etc.
  • Les quantités de lancement par rapport à la consommation moyenne journalière du produit.

A partir des réponses, l’outil établira d’autres liens ou suggèrera d’autres symptômes. Par exemple, si les quantités lancés sont disproportionnées par rapport à la demande, cela pourrait faire sens d’aller questionner la présence ou non de rupture matière dans l’atelier.

En conclusion, l’objectif de ces travaux est d’accélérer les phases de diagnostic client tout en permettant de concentrer le diagnostic sur des approches qualitatives. Ainsi la combinaison qualitative avec les approches traditionnelles quantitatives permettra d’améliorer le résultat et la définition actions à l’intérieur du système. Que cela soit au niveau techniques que des approches de management.

Références :

[1] Kettinger, W.J., Teng, J.T.C., and Guha, S. (1997) Business Process Change: A Study of Methodologies, Techniques, and Tools. MIS Quarterly, 21 (1),pp. 55-80.

[2] Vernadat, F.B. (1996). Enterprise Modeling and Integration: Principles and Applications. London: Chapman & Hall.

[3] Benaben, F., Hanachi, C., Lauras, M., Couget. P, Chapurlat. V., A metamodel and its ontology to guide crises characterization and its collaborative management; Processings of the 5th International conference on Information sytsems

[4] A, Lauras, M., Van Wassenhove. L, Towards an agile Supply Chain : lessons learned from humanitarians, 2009

[5] McDonald T., Van Aken E.M., Rentes A.F., 2002, Utilising Simulation to Enhance Value Stream Mapping; A Manufacturing Case Application, International Journal of Logistic: Research and Application, 5, 213-232.