Méthodologie pour évaluer la qualité des données dans le cadre d'un projet de transformation numérique

Les technologies de l’industrie 4.0 s’imposent dans les entreprises depuis ces dernières décennies. Cela fait partie d’une volonté des entreprises de maximiser l’utilisation des données et de maîtriser les technologies du numérique. Les technologies qu’apporte l’industrie 4.0 ont un impact important sur la compétitivité des entreprises. Elles permettent un meilleur contrôle des processus et ouvrent les portes pour l’amélioration. Les grandes entreprises investissent massivement dans ce qui est considéré par plusieurs comme la quatrième révolution industrielle. Le terme de révolution industrielle reste à être confirmé par l’histoire, cependant il est indéniable que ces nouvelles technologies impactent la façon de travailler. Les entreprises qui adoptent ce nouveau paradigme de production passent par un processus de transition vers le numérique. Cependant, les Petites et Moyennes Entreprises (PME) sont en retard dans l’adoption des technologies de gestions de données que l’industrie 4.0 apporte. Les coûts des projets restent élevés et les solutions proposées ne sont pas standardisées. Chaque entreprise aura des besoins spécifiques et les solutions doivent être modulées pour répondre à ces besoins. Il y a quand même une volonté des PME à développer des solutions adaptées à leur taille. Au Québec, le gouvernement appuie les projets visant à accroître la maîtrise du numérique dans les PME. Des projets de recherche sont menés pour trouver des solutions intéressantes pour les PME. Certain de ces projets entrepris sont des projets d’exploitations des données de production. Ces projets visent à récupérer et utiliser les données du plancher de production pour créer de la valeur ajoutée. Avec l’augmentation du nombre de données industrielles récupérées, la question de la pertinence de ces données se pose. Un projet qui se base sur l’utilisation de données a besoin de s’assurer que les données utilisées sont de qualité. Les projets de transformation numérique sont documentés et plusieurs guides existent pour réussir cette transformation. Vu que les données sont centrales à l’industrie 4.0, un grand intérêt a été porté pour définir au mieux les caractéristiques qui font d’une donnée industrielle une donnée de bonne qualité. Il reste à intégrer cette compréhension de la qualité d’une donnée dans les guides de transformation numérique. Il faut aussi définir des outils d’évaluation de la qualité des données. L’objectif de ce mémoire est d’établir une méthodologie permettant d’évaluer la qualité des données récupérées sur le plancher de production dans le cadre d’un projet de transition numérique. Le mémoire s’intéresse à la place de la qualité des données lors d’un projet de transformation numérique. Plusieurs questions apparaissent dans la problématique. La première est comment réussir à identifier les besoins en qualité des données lors du lancement d’un projet. En effet, chaque projet à des besoins spécifiques en données et ces données doivent avoir un certain standard. Ensuite, il est important de définir des outils et des méthodes pour évaluer la qualité des données. Après avoir défini le standard requis en termes de qualité, il faut réussir à évaluer si les données atteignent ce standard. Ainsi la qualité des données peut être suivie en vue d’être améliorée. Pour résoudre les questions évoquées plus haut, une méthodologie est développée au cours de ce mémoire. La méthodologie repose sur des outils pour définir les besoins en qualité des données d’un projet d’analyse de données. La qualité des données sera évaluer selons différentes caractéristique. Cette évaluation se fait par le biais d’indicateurs de performance (KPIs). Une méthode pour créer des KPIs adaptés est présentée. Le résultat final de cette méthodologie est un document descriptif des données qui rajoutent du contexte et des informations pour les utilisateurs de la donnée. Pour illustrer la méthodologie développée, elle est appliquée à des cas réels. Ces cas sont des projets réalisés chez un partenaire industriel. Ce partenaire produit de la farine biologique. Ce sont les difficultés rencontrées lors du travail avec le partenaire qui ont guidé la réflexion. La méthodologie développée est applicable dans ce contexte. Elle nécessite cependant d’être appliquée dans d’autres industries pour juger de sa solidité.

Abstract

In the previous years enterprises started investing in numeric technologies. Those investments reflect the will to adopt industry 4.0 technologies. Those technologies are considered a part of the fourth industrial revolution. The term revolution is yet to be confirmed by history, but there is no denying the impact on the way industry functions nowadays. Enterprises having the funds to invest took the leap to stay competitive and to gain control over their production. The industry 4.0 technologies are spreading around the world at a fast pace. Moreover, Small and Medium Entreprises (SMEs) have a hard time adopting industry 4.0 technologies. The cost of the installation is high. Furthermore, the solutions that are available still need customization to fit within an enterprise. Each enterprise has unique needs that need to be met. Customization of software and hardware technologies builds up the cost. Adding to that the lack of qualified personnel who can install and manage those technologies, it is harder for SMEs to adopt those technologies. Research in the area of making industry 4.0 technologies accessible to SMEs is encouraged. Projects leading to data collection are being launched. The exponential growth in the number of data retrieved in the industry brings the question of the quality of data. Projects about numerical transformation are well documented, and road maps to achieve those projects are found in the literature. In those projects data is a central component. Characteristics have been defined to describe the quality of data. But to evaluate the quality of a data there is a need for evaluation tools. This thesis establishes a methodology to evaluate the quality of data retrieved from the production floor in the framework of a numerical transformation project. This work develops a method to ensure that the quality of the retrieved data matches the needs of a data project. Three main steps were developed. First, defining the needs in data quality of a project and taking a decision on the system to use. There are a lot of choices in terms of sensors and ways of installing them. This step guides decision takers throughout the process. Second is creating a set of Indicateurs de Performances Clé (Key Performence Indicators) (KPI) to trace the data quality. Third, use the KPI to evaluate the data. In this step, a canvas on how to store information related to the collected data will be presented. The meta-data will add context to someone who will use the collected data. The KPI needs to be stored with the meta-data. This method has been applied in the field with an industrial partner.