Éliminer les goulots d'étranglement : exploiter l'analytique pour l'efficacité manufacturière

Ruban Phukan, cofondateur et Chief Product and Analytics Officer chez Progress DataRPM, discute la bataille séculaire contre les goulots d'étranglement et le rôle de l'analytique prédictive dans la fabrication.

Les problèmes autour des goulots d'étranglement en fabrication sont bien documentés. Retards de production, surstock, pression accrue des clients et au-delà, les problèmes causés par une limitation soudaine et imprévue de capacité peuvent être dévastateurs pour toute entreprise du secteur. Avec cela en tête, Manufacturing Global s'entretient avec l'ancien data scientist de Yahoo et figure de proue chez Progress DataRPM, Ruban Phukan, sur l'utilisation de modèles de maintenance prédictive et comment ils peuvent aider à établir un environnement à l'épreuve des échecs.

Aller au cœur du problème

En tant qu'ancien membre de l'équipe d'analyse de données de Yahoo, Phukan est bien versé dans les complications autour de l'utilisation du big data. « J'ai fait partie de la première équipe de data science créée chez Yahoo il y a de nombreuses années », dit-il. « Le grand apprentissage là-bas était que la data science est très difficile à scaler manuellement pour de grandes organisations. Ce qu'on a réalisé, c'est que la seule façon de vraiment résoudre le problème de la data science, d'une manière qui apporte de la valeur au business, est d'automatiser les processus qui se cachent derrière cette analyse de données. »

Après Yahoo, Phukan a lancé sa propre entreprise de moteur de recherche vertical, utilisant le machine learning pour comprendre le comportement utilisateur, spécifiquement dans l'analytique prédictive. Après l'avoir vendue, il s'est associé à ses cofondateurs actuels, où il reprend l'histoire de ProgressDataRPM et comment elle fait des pas vers, entre autres choses, la lutte contre les goulots d'étranglement.

« Quand on s'est réunis pour la première fois, on a réalisé qu'une énorme quantité de data digitale était générée, mais le problème restait le même : ça ne peut pas être résolu manuellement. Il n'y a tout simplement pas assez de data scientists. Même avec l'énorme quantité de data, le genre de valeur que les entreprises en retiraient ne justifiait pas le ROI », dit-il.

« Alors, on a commencé à dire : "peut-on créer une plateforme qui rend les processus de data science fluides et automatisés ?" On voulait que les entreprises puissent exploiter les meilleures pratiques, les appliquer à leurs problèmes et les résoudre à grande échelle. »

Avancées dans le machine learning

Avec l'avancée de la capacité technologique du machine learning, Phukan et ses cofondateurs ont pu adresser le volume massif de données et d'informations disponibles pour leurs clients d'une manière qui n'était pas possible avant. Crucialement, pour les entreprises manufacturières, cela signifiait qu'elles pouvaient aussi initier un impact positif sur des choses comme la ligne de production.

« Par exemple, avec des capteurs activés, ça nous aide à comprendre à un niveau très détaillé le fonctionnement normal d'une machine sous différentes conditions d'opération et environnementales. On peut alors évaluer comment cela affecte la santé d'une machine et par conséquent ce que cela fait à la ligne de production, en termes d'efficacité », nous dit-il.

En déployant une ferme de plantes automatisée qui ne nécessite pas d'être un expert en data science, ProgressDataRPM aide essentiellement les grandes industries basées sur les actifs à résoudre deux problèmes : comment minimiser les temps d'arrêt non planifiés et comment maximiser la qualité et l'efficacité de la sortie de leurs actifs. Tout cela via son logiciel de prédiction d'anomalies cognitives. Dès qu'il est connecté à des données basées sur capteurs, il établit automatiquement les conditions normales d'opération de la machine. Il cherche ensuite les écarts par rapport à ces conditions et crée une alerte avant de prédire les problèmes potentiels qui pourraient survenir.

C'est cette capacité à prédire l'inconnu que Phukan croit représenter un départ majeur des processus traditionnels précédents. « On a besoin de pouvoir examiner pourquoi les choses se sont passées dans le passé, mais plus important encore, on a besoin de prédire des choses qui ne se sont pas encore passées », explique-t-il.

Impacter la ligne d'assemblage

L'un des domaines clés que les entreprises manufacturières doivent examiner sont les processus qui impactent ce qui se passe sur la ligne de production, spécifiquement le timing du contrôle qualité. « On a travaillé avec plusieurs fabricants dans l'auto et la santé, par exemple, et l'un des plus grands défis qu'ils font face est que le contrôle qualité arrive à la fin du processus de fabrication. Donc, une fois qu'un lot entier de produit est fait, les tests sont lancés pour déterminer s'il est OK. Cela peut mener à des taux de rebut aussi hauts que 75 % », dit Phukan.

Comme la plupart des règles de suite de tests ne peuvent être écrites que sur base d'expérience passée, quand un nouveau problème survient qui n'a pas été anticipé, cela peut mener à des problèmes sérieux comme des rappels de produits. L'utilisation de plateformes d'analytique prédictive deviendra donc, selon Phukan, la norme. En effet, c'est quelque chose qu'il a déjà identifié de plus en plus dans la fabrication.

« Quand les fabricants nous parlent, ils demandent s'ils peuvent utiliser le machine learning pour déterminer, en cours de route, si un lot est défectueux. Ils savent qu'on peut détecter les choses bien plus tôt, donc ils peuvent arrêter le processus pour minimiser coût et perte. »

A-t-il des exemples concrets en action ? « On travaille avec un grand fournisseur télécom en France et ils avaient un vrai défi avec leur box décodeur, ce qui n'est pas quelque chose qu'on assume nécessiter une maintenance prédictive lourde. Le problème : chaque fois qu'une box échouait, ils devaient aller identifier le problème et la remplacer. Évidemment, c'est coûteux en temps et argent. Il y a aussi un énorme risque de perdre des clients », dit-il.

« On a proactivement identifié qu'un tiers de leurs box avaient un problème, ce qui a permis au service client d'appeler et dire aux gens de mettre à jour leur box ou d'envoyer un remplacement avant qu'une panne ne survienne. »

L'avenir de l'analyse des goulots d'étranglement

Les fabricants deviennent clairement plus sensibles aux bénéfices de la technologie cognitive machine-first, qui leur permet d'identifier les anomalies et potentiellement de faire appel à un expert métier pour aider à déterminer les ramifications des découvertes de la machine.

En effet, Phukan discute comment la RA, l'IoT, les garanties, le cloud hybride et la blockchain joueront tous un rôle croissant, cependant, c'est la détection de l'inconnu qu'il sent être la clé. « La clé n'est pas ce qui est déjà connu ; les experts métier font un excellent travail pour gérer ça, mais le grand défi c'est l'inconnu et ce qui va frapper les entreprises ensuite. C'est ce qu'il faut prévenir et c'est le cœur de ce qui changera la donne pour la fabrication », conclut Phukan.