Tableaux de bord BI pour l'analytique d'usine intelligente : transformer les données IoT en insights actionnables

L'essor de l'IoT industriel et des usines intelligentes a redéfini ce que l'analytique doit accomplir : débloquer les données opérationnelles de manière à piloter des résultats business tangibles. Si l'analytique d'usine intelligente émerge encore, l'obstacle clé est d'extraire des tendances significatives du déluge de points de contact IoT — au-delà du simple stockage de logs.

Les capteurs IoT sur le plancher d'usine génèrent des données qui doivent être tissées dans la tapisserie de données corporate plus large. La recherche d'insights doit devenir une habitude quotidienne, pas un exercice ponctuel.

Intégrer les données IoT dans les flux de travail routiniers demande des plateformes d'analytique alimentées par l'IA et le machine learning, couplées à des connecteurs qui lient les tableaux de bord BI IT aux opérations d'usine temps réel.

Depuis des années, les tableaux de bord BI servent l'analyse back-office, mais beaucoup peinaient à ingérer les entrées IoT industrielles jusqu'à récemment. Pour éviter l'information en silos, les organisations ont besoin de tableaux de bord qui supportent nativement l'IoT industriel, les data lakes ou bases de données cloud.

« Les données d'usine intelligente ont beaucoup en commun avec les données qui viennent d'autres fonctions à travers un business », dit Enno de Boer, partner chez McKinsey. « Pour être de valeur, elles doivent informer la prise de décision ; sinon, récolter des données est inutile. »

À travers la chaîne de valeur

De Boer souligne que les données du plancher d'usine doivent permeer toute la chaîne de valeur — de l'approvisionnement composants à la livraison du dernier kilomètre — pour réaliser une vraie valeur business.

L'analytique business-intelligence est maintenant un staple de l'IT d'entreprise, pourtant l'appliquer aux opérations reste difficile. Malgré les obstacles d'implémentation, le marché global de l'analytique industrielle est projeté à atteindre 16 milliards de dollars d'ici 2026, selon ResearchAndMarkets.com.

Scorecard de l'analytique d'usine intelligente

Plusieurs fournisseurs offrent maintenant de l'analytique industrielle avancée et des tableaux de bord BI. Les acteurs leaders dans l'espace usine intelligente incluent ABB, Honeywell, Bosch, et Siemens.

Les géants IT avec des empreintes manufacturières profondes — comme IBM, Hewlett Packard Enterprise, et SAP — sont des acteurs clés dans la capture, le traitement, le stockage et l'analyse des données d'usine intelligente. Des startups data innovantes comme Cloudera et DataStax ciblent aussi des exigences spécialisées.

Alors que le cloud devient le hub pour l'analytique d'usine, les leaders comme AWS, Google Cloud, et Microsoft Azure construisent des pipelines de workflow data qui alimentent les tableaux de bord BI utilisateur final de Looker, Microsoft Power BI, et Tableau.

Construction d'usine intelligente

Déployer l'analytique d'usine intelligente est un effort monumental. Un site manufacturier typique peut générer plus de 2 200 Go de données chaque mois, pourtant la plupart de ces données restent non analysées, selon un rapport de transformation digitale IBM. Les données non analysées alimentent les projets de proof-of-concept IoT prolongés.

« La plupart des données industrielles sont générées en dehors de l'IT », note Manish Chawla, directeur général d'IBM pour les industries, énergie, ressources et fabrication. Il insiste que une mauvaise planification peut étendre le lead time des POCs. « Les gens ont essayé de construire un penthouse sans fondation », dit-il.

Chawla met en avant la collaboration récente d'IBM avec Siemens et Red Hat pour exécuter l'analytique depuis la plateforme Industrial IoT de Siemens, MindSphere, plus près de l'edge usine.

SAP travaille à permettre aux clients d'analyser un mélange de données historiennes time-series, flux IoT et données business. Dominik Metzger, VP et responsable de la gestion de produit pour la fabrication et l'Industrial IoT chez SAP, note que la standardisation dans la gestion des données est devenue plus économique et scalable, avec les data lakes émergeant comme un facilitateurs clé.

La stratégie Industrie 4.0 de SAP — surnommée Industry 4 — fournit une architecture de référence qui s'étend des workflows depuis historiens de données, services edge, cloud ou systèmes ERP, jusqu'aux capacités business-intelligence.

L'analytique requiert du volume de données

L'évolution de l'analytique d'usine intelligente est façonnée par des forces plus larges affectant l'analytique, comme l'essor de l'IA prédictive et prescriptive. Les utilisateurs doivent aborder le déploiement d'analytique pensivement, dit Ed Cuoco, vice-président de l'IA et de l'Analytique chez PTC.

Pour le diagnostic, Cuoco met en garde que le contrôle de processus statistique simple peut être préférable à des modèles de machine learning complexes quand la qualité ou le volume de données est insuffisant.

PTC travaille étroitement avec les utilisateurs finaux et partenaires logiciels pour délivrer l'analytique depuis la ligne de front de l'usine vers les utilisateurs business — et parfois en retour. Un accord récent intègre le framework Smart Factory de Fujitsu avec les plateformes Vuforia augmented-reality et ThingWorx de PTC pour délivrer l'analytique directement aux travailleurs opérations.

Graphiques novateurs pour l'analytique

La technologie graph-data, autrefois un joueur périphérique dans l'analytique avancée, est maintenant embrassée dans les usines et au-delà. Les bases de données graphes comme Neo4j's Aura Enterprise contextualisent l'analytique d'usine intelligente et permettent la collaboration inter-équipes pour découvrir des efficacités opérationnelles.

Contrairement aux bases de données relationnelles qui stockent les données en lignes et colonnes, les formats graphes mappent les connexions complexes entre éléments de données. Neo4j cible des secteurs comme l'automobile, la garantie, l'analytique, la chaîne d'approvisionnement et les instruments médicaux.

Dans le domaine médical, une entreprise a utilisé les méthodes graphes de Neo4j pour tracker les échecs avant expédition, illustrant comment le travail de détective peut identifier les causes racines à travers les sous-composants.

Neo4j offre des connecteurs vers des tableaux de bord visuels — incluant Tableau et Tibco Spotfire — et son propre outil de visualisation Bloom.

DataStax, pionnier de la base de données NoSQL open-source, supporte aussi la gestion de données graphes dans son édition enterprise. Son logiciel alimente l'analytique IoT pour des clients comme Locstat basé en Afrique du Sud, qui l'utilise pour l'analytique de capteurs temps réel.

« La visualisation devient de plus en plus importante pour comprendre les paysages IoT complexes », dit Matthias Broecheler, chief technologist chez DataStax. Il ajoute que certaines décisions d'usine requièrent des réponses instantanées, pilotant le développement de détection d'anomalies autonome.

Au revoir, silos de données

Dans les usines intelligentes, le succès repose sur la collaboration entre managers, opérateurs terrain et équipes IT — comme dans toute transformation business. De Boer avertit que les transformations échouent quand les équipes opèrent en silos, avec une seule fonction pilotant le changement.

Démocratiser les données signifie que chaque partie prenante — de la salle de conseil au plancher de production — doit saisir les nouvelles technologies et leurs applications. Pour la fabrication, le rôle du personnel opérations dans le championnage de l'analytique sera pivotal.

De Boer met en avant les programmes d'académie d'analytique offerts par le Global Lighthouse Network, affirmant que toutes les parties prenantes ont à gagner de la participation.