Comment réussir l’implantation d’un projet IoT en entreprise ?
L’Internet des Objets (IoT) a beaucoup fait parler de lui dans la presse ces dernières années. De nombreux fournisseurs de solutions IoT ont cherché à convaincre le marché de leur légitimité en mettant en avant des témoignages de réussite. Jusqu’à présent, l’IoT n’avait le vent en poupe que dans quelques secteurs, en majorité industriels, les autres étant encore en marge.
Aujourd’hui, le marché se développe fortement : nous assistons à la consolidation des environnements de plateformes avec des exemples de réussite de plus en plus nombreux (Airbnb, Blablacar, Uber et bien d’autres). Le moment est venu de passer à l’étape supérieure en ne cherchant plus seulement à convaincre de l’efficacité de ce modèle mais à accompagner les entreprises, en s’appuyant notamment sur des cas d’usage concrets. L’objectif est de pouvoir leur dévoiler ce qui fonctionne, les pièges à éviter, tout en donnant des clés pour bien mettre en œuvre un projet IoT ou IIoT (Internet Industriel des Objets) dans l’entreprise.
En regardant un certain nombre d’opportunités IoT initiées à travers le monde, nous avons constaté qu’il pouvait être très difficile de mettre en place ce type de projet. Ces derniers peuvent en effet être très complexes, impliquent de nombreux acteurs, et bien qu’ils soient technologiquement innovants, n’assurent pas pour autant de générer du profit immédiatement.
Cependant, s’il existe de nombreux facteurs d’échec, il est intéressant de noter que les projets couronnés de succès sont ceux qui s’appuient en majorité sur des cas concrets d’usage.
Les cas d'usage permettent aux entreprises de construire une vision mutuelle de la démarche en comblant le fossé entre les experts métiers et les équipes informatiques en mesure de proposer une solution. Ils représentent un moyen puissant d’informer rapidement l’entreprise des objectifs de l’équipe dirigeante. Toutefois, un cas d’usage peut s’avérer inefficace si l’équipe dirigeante ne prend pas le temps d’en analyser les finalités et conséquences.
Prenons l’exemple de la maintenance prédictive : de nombreuses entreprises considèrent qu’il s’agit de l’aboutissement le plus représentatif d’un projet IoT. A la fin de l’année 2016, nous avons rencontré une entreprise qui souhaitait implanter la maintenance prédictive dans ses raffineries. Nous avons tout d’abord cherché à savoir si elle disposait de données historiques sur ses équipements et si un expert avait déjà conçu des modèles qui permettraient de créer un projet de maintenance prédictive de base. Les réponses ont été non ou pas encore. Pourtant, l’entreprise a insisté pour qu’un programme de maintenance prédictive soit mis en place dans les trois mois suivants. Pas besoin de vous dire qu’à ce jour rien n’a été initié. Et ce pour deux raisons : premièrement, il est important de comprendre qu’un cas d’usage ne fonctionne pas de manière isolée. Il doit être communiqué aux collaborateurs qui doivent ensuite l’adapter aux contraintes de l’entreprise. L’un des points de départ les plus simples est le Business Model Canvas. Cette approche définit 10 aspects du cas d’usage qui doivent être examinés pour avoir une vision complète de ce que l’entreprise souhaite réaliser. Les aspects positifs comprennent, entre autres, la valeur ajoutée pour les clients, les partenaires commerciaux, les différents intervenants et les modèles de revenu.
Deuxièmement, les cas d’usage doivent correspondre à la courbe de maturité ; leur complexité doit être alignée sur le niveau de maturité de l’entreprise. Si un modèle est trop avancé pour cette dernière, la courbe d’apprentissage est trop importante et l’adoption s’avère alors trop coûteuse.
Pour le déterminer facilement, il faut représenter les compétences de l’entreprise sur une échelle composée de trois étapes :
1. L’étape axée sur les données : à ce stade, l’entreprise est en mesure de gérer les volumes de données générés par des périphériques à grande échelle, ainsi que les problèmes de connectivité et de gestion de ces périphériques. Elle peut stocker les données générées en permanence et en toute fiabilité. En outre, certains collaborateurs savent comment accéder à ces données et peuvent les visualiser d’une manière ou d’une autre.
2. L’étape axée sur les processus : après avoir franchi l’étape axée sur les données, l’entreprise peut souhaiter modifier les processus existants pour tirer parti des informations générées à partir des données, ou même créer de nouveaux processus. Cette étape permet, par exemple, de déterminer comment un processus de réapprovisionnement automatique peut tirer parti des flux de données d’inventaire en temps réel pour garantir que les clients ne soient jamais en rupture de stock.
3. L’analyse : les data scientists analysent les données et créent de nouveaux modes analytiques avancés tels que des modèles d’apprentissage automatiques et d’intelligence artificielle pour créer des prévisions et des actions qui optimisent automatiquement les décisions et les processus. Les principaux avantages sont les suivants : l’amélioration de l’expérience client, l’optimisation des ressources et la réduction des stocks de pièces détachées.
En conclusion, si une entreprise est intéressée par un cas d’usage qui nécessite des outils d’analyse avancée, il est important de garder à l’esprit que « Rome ne s’est pas faite en un jour » et qu’il en sera de même pour l’infrastructure IoT qu’elle souhaite mettre en place. Il est primordial que l’entreprise prenne le temps nécessaire de franchir les différentes étapes et commence à récolter les fruits de sa stratégie IoT dès le premier jour.