Comment l’équipementier automobile ZF a créé son lab d’analytique

ZF, un équipementier automobile allemand, a décidé de créer son lab d’analytique, afin d’anticiper la disruption de son marché. Face à la concurrence de startups avec des gammes de produits virtuels, et à la complexité croissante des projets, collecter et analyser la donnée pourra donner à ZF un nouvel avantage compétitif.

Comment créer un laboratoire d’analytique dans une structure industrielle ?

 

Voici les bonnes pratiques appliquées par l’équipe du analytics lab de ZF, constituée de Niklas Goby, un data scientist de ZF, alors en PhD à l’université de Fribourg, et de deux professeurs d’université.

 

Mettre le focus sur les bons clients internes

Dans une structure de 146 000 employés comme ZF, beaucoup de projets liés à la data peuvent avoir un impact important. Il fallait donc se focaliser sur les départements et projets les plus prometteurs, produisant le plus de data : finance, logistique, marketing, commerce, production et qualité. L’équipe a ensuite décidé de concentrer son attention sur la production et la qualité, critiques dans un contexte industriel, et générateurs de data encore non exploitées au travers du MES (Manufacturing Execution System) et de l’ERP (Enterprise Resource Planning). Les principaux enjeux sur lesquels l’analyse de données pouvait avoir un impact immédiat :  les interruptions de production, les taux de rebut, et les cadences de production.

 

Identifier les problèmes les plus impactants

ZF utilise trois critères pour classer les problèmes à résoudre en fonction de leur impact :

  • Le problème doit être clairement défini, et non pas abstrait comme “améliorer la production” qui ne mesure pas comment la valeur serait créée pour l’entreprise.
  • Des données précises (disponibles, accessibles et de bonne qualité) doivent jouer un rôle clé dans la solution.
  • L’équipe doit être motivée. Chaque équipe de projet a son indépendance et son budget pour lui permettre de prendre certaines décisions en toute autonomie.

 

Accélérer la mise en œuvre

Afin que les équipes restent focalisées sur le problème principal à résoudre, l’étape de mise en œuvre est volontairement limitée à trois mois, avec possibilité d’annulation des engagements.  Cette possibilité de « tuer » un projet a positivement changé les règles du jeu entre les équipes et leurs clients internes. Les équipes peuvent d’avantage se concentrer sur leurs objectifs, tandis qu’ont été réduites les demandes de changement émanant des clients internes, les informations fournies en amont des projets étant plus précises et complètes.

 

Quels problèmes ZF a-t-il pu résoudre grâce à son analytics lab ?

 

Voici deux exemples de problèmes résolus grâce au data lab et qui sur trois ans ont validé sa valeur ajoutée pour l’entreprise :

  • La casse des anneaux de broyage : disposant de données désordonnées et peu claires sur ce sujet, l’équipe ZF a pourtant réussi à développer un algorithme capable de détecter les pannes imminentes avec un taux de réussite de 72%, et a généré ainsi de substantielles économies.
  • Les coûts élevés de consommation d’énergie : ZF a développé un modèle prédictif pour éviter les surcharges budgétaires liées aux pics de consommation d’électricité. En suivant ce modèle l’entreprise prévoit de réduire ses pics de consommation de 1 à 2 Mégawatts, soit une économie de 100 000 à 200 000 Dollars par an.

 

Lire l’article 

 

En complément :

Les 3 conditions préalables à une gestion réussie des données

Des IA écoutent les machines pour éviter la panne