Procédés industriels : définir sa stratégie d’analyse de données
Définir ses objectifs
Il peut être commun et bien fondé de se dire « j’ai beaucoup de données comment puis-je les utiliser pour en faire quelque chose ? ». Pour autant, chercher à faire du sens de ses données, quelles qu’elles soient, sans avoir au préalable fixé le cadre et défini les leviers d’action, peut se révéler contre-productif. Il est important, afin de constituer une bonne base à sa stratégie d’analyse de données, de cadrer les objectifs en répondant aux questions suivantes :
Quels sont les objectifs de mon projet ?
Par exemple :
- Avoir une meilleure maitrise de mes procédés pour réduire la variabilité de ma qualité ;
- Diminuer ma consommation énergétique par tonne de matière produite décorrélée de l’effet volume ;
- Mieux prévoir la capacité de mon procédé en fonction des recettes appliquées;
- …
Comment puis-je mesurer les améliorations de manière objective ?
Quelle est ma performance actuelle ?
Il est à noter que plus l’objectif est précis et mesurable plus il est facile de dérouler son projet d’analyse de données.
Cadrer votre stratégie d’analyse de données suivant vos processus organisationnels
Identifier les acteurs clés
Comme tout processus, le processus qui découlera de votre stratégie d’analyse de données s’appuiera sur les personnes-clés de l’entreprise. Pour supporter l’amélioration de vos procédés vous pourrez vous appuyer sur :
- Votre équipe opérationnelle (chef d’atelier, chef d’équipe, opérateurs, techniciens…);
- Votre équipe support (ingénieur procédé, ingénieur amélioration continue…);
- Éventuellement si vous en disposez : des experts en analyse de données / statistiques;
Ces acteurs clés auront chacun une expertise différente à apporter à votre projet d’analyse et doivent voir leur rôle défini dans le cadre du projet.
Favoriser la collaboration
Souvent la meilleure recette pour atteindre efficacement les objectifs est de combiner expertises des procédés, opérationnelles et statistiques. Il n’est cependant pas fréquent que ces expertises soient détenues par la même personne voire la même équipe (voire même pour la dernière en interne). Il est donc important de favoriser la collaboration dans sa stratégie d’analyse de données.
Libèrer de l’espace pour l’action et l’expérimentation maitrisée
Il est rare que la réponse à vos enjeux se trouve directement dans l’analyse et l’interprétation de vos données historiques. Il est par contre assez fréquent que celles-ci contiennent des pistes solides d’amélioration et vous permettent alors :
- de mettre en œuvre des actions pour mieux contrôler les paramètres critiques de vos procédés ;
- de construire des plans d’expérience bien maitrisés et qui valideront des progrès concrets relatifs à vos enjeux. Par conséquent il n’est pas inutile d’inscrire dès le départ le fait que l’analyse de données supporte l’expérimentation maitrisée (dans le sens où on ne se perd pas dans d’innombrables tests sans capitaliser sur leurs résultats) afin d’aboutir à l’amélioration des enjeux identifiés ;
- de concevoir des solutions techniques nouvelles atteindre vos objectifs.