Transformation digitale de l'industrie et maintenance prédictive · 2018-09-25 · Transformation...

35
Transformation digitale de l’industrie et maintenance prédictive — CXP Group, 2018. Tous droits déposés. 1 Étude de tendance Transformation digitale de l’industrie et maintenance prédictive Les entreprises européennes sont-elles prêtes à rationaliser leurs opérations pour gagner en efficacité ? Dr Milos Milojevic Analyste Industrie Franck Nassah Vice-président Innovations digitales Mai 2018 Préface Commanditaire principal

Transcript of Transformation digitale de l'industrie et maintenance prédictive · 2018-09-25 · Transformation...

Transformation digi tale de l ’ industr ie et maintenance prédictive — CXP Group, 2018. Tous droi ts déposés. 1

Étude de tendance

Transformation digitale de l’industrie et maintenance prédictive Les entreprises européennes sont-elles prêtes à rationaliser leurs opérations pour gagner en efficacité ?

Dr Milos Milojevic Analyste Industrie Franck Nassah Vice-président Innovations digitales

Mai 2018

Préface

Commanditaire principal

Transformation digi tale de l ’ industr ie et maintenance prédictive — CXP Group, 2018. Tous droi ts déposés. 2

À l’heure de s’engager sur le chemin de la transformation digitale, de plus en plus d’entreprises se demandent comment passer à l’étape suivante. Cette étude démontre que, dans de nombreux cas, la réponse à cette question tient en deux mots : maintenance prédictive. Celle-ci permet à la fois de faire baisser les coûts et d’améliorer la productivité et la compétitiv ité. L’étude met également en lumière le nombre croissant d’initiatives de maintenance prédictive au sein des entreprises européennes. Ces conclusions répondent non seulement aux préoccupations des fabricants et des opérateurs de transport européens, mais elles s’appliquent potentiellement à tous les secteurs qui s’appuient sur des équipements industriels.

Pour relever le défi du vieil l issement des équipements et de la pression sur les marges, de nombreuses entreprises industrielles se tournent vers la maintenance prédictive et la gestion des actifs industriels pour prolonger la durée de vie de leurs équipements et optimiser leur efficacité opérationnelle.

Les conclusions de cette étude sont cohérentes avec nos recherches et avec les résultats de nos cl ients. El les peuvent être résumées ainsi : les investissements en maintenance prédictive génèrent des retours sur investissement tangibles. Nos cl ients font notamment état d’une augmentation de 2 à 6 % de la disponibil ité, d’une réduction de 10 à 40 % de la maintenance réactive et d’une réduction de 5 à 10 % des coûts d’inventaire. En plus d’une importante réduction des coûts, cette approche peut également permettre de mettre en place de nouveaux modèles d’entreprise.

Plus de la moitié des entreprises de cette étude ont lancé des programmes pilotes ; c’est un constat encourageant, mais pour tirer réellement parti de la maintenance prédictive, les entreprises devront accélérer et amplifier le déploiement de ces solutions-tests. L’évolutivité est un aspect clé de cette approche. Les entreprises industrielles doivent travailler avec des partenaires capables de créer des produits minimums viables ; ces produits doivent d’abord faire la preuve de leur valeur commerciale avant de pouvoir être développés à grande échelle et ainsi créer de la valeur ajoutée.

Plusieurs fabricants d’équipements reconnaissent également le potentiel compétitif de la maintenance prédictive, notamment dans le cadre de la satisfaction client et de modèles d’entreprise « As-a-service ».

Les entreprises porte-étendard de la transformation digitale sont celles qui favorisent la collaboration, en interne comme en externe. Que ce soit pour bénéficier d’une expertise en analyse des données ou pour repenser leurs processus de manière transversale, ces cl ients se tournent vers tout un écosystème de fournisseurs de technologies, d’intégrateurs de systèmes et de spécialistes en progiciels pour les assister dans leur transformation digitale.

Nous sommes entrés dans l’ère de la révolution industrielle digitale. Cette étude démontre qu’investir dans des solutions de maintenance prédictive permet souvent d’avoir une longueur d’avance dans la

Deborah Sherry, Vice-présidente principale,

Directrice commerciale Europe, Russie et CEI

GE Digital

Transformation digi tale de l ’ industr ie et maintenance prédictive — CXP Group, 2018. Tous droi ts déposés. 3

course pour la productivité. Nous espérons que ce rapport vous fera comprendre ce que votre entreprise a à gagner grâce à la maintenance prédictive et aux stratégies de gestion d’actifs industriels.

Transformation digi tale de l ’ industr ie et maintenance prédictive — CXP Group, 2018. Tous droi ts déposés. 4

TABLE DES MATIÈRES

Introduction ............................................................................................................................ 5 Résultats clés.......................................................................................................................... 6 Tendances clés ...................................................................................................................... 7 transformer les processus de maintenance grâce aux analyses prédictives ......................... 9 L’appétit pour la maintenance prédictive ............................................................................ 16 Mise en œuvre de processus prédictifs ................................................................................ 24 Conclusions .......................................................................................................................... 30 Méthodologie ....................................................................................................................... 31 À propos de GE Digital ........................................................................................................................... 32 À propos de PAC .................................................................................................................................... 33 Avis de non-responsabil ité, droits d’uti l isation, indépendance et protection des données .................................................................................................................................................. 34

TABLE DES FIGURES

Fig. 1: Comment décririez-vous les processus de maintenance des véhicules et des équipements industriels actuellement mis en place dans le cadre de vos opérations internes ? .................................................................................................................. 10

Fig. 2: Dans le cadre des processus actuels de maintenance et d’entretien de vos actifs industriels, les propositions suivantes : sont un défi majeur ; sont un défi mineur ; ne constituent pas un défi. ............................................................................................................. 12

Fig. 3: Parmi les options suivantes, laquelle décrit le mieux l’état actuel de vos initiatives de maintenance prédictive ? .................................................................................................... 14

Fig. 4: Avez-vous déjà investi dans des solutions et des applications de maintenance prédictive/prévoyez-vous d’investir dans ce domaine dans les deux prochaines années ? ..................................................................................................................................... 16

Fig. 5: Parmi les services suivants, lesquels sont impliqués dans les processus de décision relatifs aux initiatives de maintenance prédictive ? (Réponses positives affichées) ............... 17

Fig. 6: Dans les deux prochaines années, lesquels des aspects suivants : sont un objectif majeur ; sont un objectif mineur ; ne représentent pas un objectif ?........................................ 19

Fig. 7: Pour vous, quels sont les défis à relever en matière d’initiatives et de stratégies de maintenance prédictive ? .......................................................................................................... 21

Fig. 8: À quel point les tierces parties suivantes sont-el les impliquées dans le développement de stratégies et d’initiatives de maintenance prédictive ? ............................ 25

Fig. 9: Sur quel type d’aide externe seriez-vous le plus susceptible de vous appuyer dans le cadre d’une initiative de maintenance prédictive ? ............................................................ 26

Fig. 10: Exploitez-vous et analysez-vous les données de vos actifs industriels à des fins de maintenance prédictive ? .......................................................................................................... 27

Fig. 11: Quel type de données exploitez-vous pour la maintenance prédictive de vos actifs industriels ? ................................................................................................................................. 28

Transformation digi tale de l ’ industr ie et maintenance prédictive — CXP Group, 2018. Tous droi ts déposés. 5

Transformation digitale de l’industrie et maintenance prédictive

INTRODUCTION

Figurant parmi les industries européennes les plus dépendantes de leurs équipements, les secteurs de la fabrication et du transport sont confrontés à des coûts d’exploitation en hausse et à de plus en plus de compétition au niveau européen et mondial. Le vieil l issement des systèmes hérités et des technologies opérationnelles vient s’ajouter à cette pression : les entreprises peinent parfois à intégrer des solutions digitales innovantes à leurs systèmes actuels, ce qui ralentit leur innovation et l imite leur croissance. Sur ces marchés, l’optimisation de l’efficacité opérationnelle et la réduction des coûts sont des enjeux vitaux.

Le renouvellement des machines industrielles et des flottes de véhicules demande des investissements conséquents : i l est donc essentiel de veil ler à leur maintenance, afin de permettre une uti l isation accrue, une durée de vie plus longue, et ainsi, un retour sur investissement optimal. La plupart des processus de maintenance actuels sont toutefois loin d’être efficaces. Les entreprises se tournent donc vers les technologies digitales, comme l’Internet des objets (IoT, pour Internet of Things) et vers l’analyse prédictive pour tirer parti des flux de données provenant des véhicules et des machines industrielles. En analysant ces données grâce à des algorithmes prédictifs, les entreprises peuvent savoir à quel moment leurs actifs industriels sont susceptibles de tomber en panne. Ces données permettent d’optimiser les processus de maintenance pour réduire le temps d’immobilisation des équipements, et donc des chaînes de production ou services associés. Cette approche permet d’optimiser le niveau d’uti l isation et la productivité, mais aussi d’améliorer l’expérience client.

Les fabricants et les opérateurs de transport sont-i ls toutefois conscients de ces possibil ités ? Disposent-i ls des capacités opérationnelles nécessaires ? Seraient-i ls prêts à baser tous leurs processus de maintenance sur les données prédictives ? Cette étude vise à faire un état des l ieux de la maintenance prédictive chez les fabricants et opérateurs de transport européens, au niveau de l’investissement, des infrastructures, et des perspectives stratégiques. Ce rapport se base sur plus de 230 entretiens avec des décisionnaires commerciaux et technologiques pour approfondir l’ impact de la transformation digitale sur les processus de maintenance et la réduction des coûts. Seront abordés dans cette étude plusieurs cas pratiques et récents d’intégration de la maintenance prédictive dans les processus d’entreprises industriel les. Ces exemples intéresseront particul ièrement les décisionnaires des entreprises de fabrication et de transport européennes qui cherchent à mieux comprendre l’attrait des solutions de maintenance prédictive, et qui veulent avoir une idée des progrès de leurs confrères dans ce domaine.

Plus de 90 % des entreprises interrogées considèrent que leurs processus actuels de maintenance ne sont pas très efficaces, mais sont-elles prêtes à les rationaliser ?

Transformation digi tale de l ’ industr ie et maintenance prédictive — CXP Group, 2018. Tous droi ts déposés. 6

RÉSULTATS CLÉS

• 93 % des entreprises considèrent que leurs processus de maintenance ne sont pas très efficaces : cet aspect peut donc être largement amélioré. Les défis auxquels sont confrontées les entreprises sont nombreux : pannes soudaines, arrêts non planifiés, infrastructures vieil l issantes freinant l’innovation...

• 55 % des entreprises interrogées ont au minimum mis en œuvre

un programme pilote de maintenance prédictive. 23 % d’entre elles témoignent d’un impact commercial tangible. Ces chiffres tendent à démontrer une certaine maturité d’adoption dans ces secteurs. Presque un quart des entreprises sont conscientes de l’importance de la maintenance prédictive à long terme et bénéficient déjà de retombées économiques.

• 49 % des entreprises interrogées ont déjà investi dans des

initiatives de maintenance prédictive et prévoient d’investir à nouveau dans les deux prochaines années. En outre, 34 % d’entre elles n’ont pas encore investi dans ce domaine, mais prévoient de le faire dans les deux prochaines années. 83 % des entreprises interrogées prévoient donc d’investir dans cette période.

Dans la plupart des entreprises interrogées, les services les plus impliqués dans la prise de décisions en matière de maintenance prédictive sont les acteurs du cycle de vie du produit. Le service après-vente est impliqué dans 83 % des entreprises ; le service technologie opérationnelle, dans 71 % ; le service production, dans 67 % ; le service développement produit, dans 63 %.

Sans surprise, les inquiétudes des entreprises sur la sécurité et la confidentialité des données sont les premiers freins au développement de la maintenance prédictive (89 % des cas), auxquels s’ajoute un sérieux manque de capacités internes. L’incapacité à traiter et à analyser les quantités croissantes de données disponibles pour ensuite repenser les processus de maintenance en fonction de ces données figure parmi les principaux obstacles à une adoption réussie. Autre obstacle : le manque de technologies et d’infrastructures adaptées, qui conditionnent la mise en œuvre de la maintenance prédictive.

• Pour surmonter ces difficultés, les entreprises se tournent vers des fournisseurs pour les aider à optimiser leur efficacité opérationnelle. Par conséquent, entreprises et fournisseurs collaborent principalement au niveau de l’infrastructure : déploiement de nouveaux réseaux, intégration cloud et offre de services d’analyse.

Transformation digi tale de l ’ industr ie et maintenance prédictive — CXP Group, 2018. Tous droi ts déposés. 7

TENDANCES CLÉS

Résumé des tendances clés de l’industrie

Secteur automobile et production manufacturière

91 % des entreprises considèrent la réduction de la durée de réparation et

des arrêts non planifiés comme l’objectif principal de leurs initiatives de

maintenance prédictive. Cette approche dégage déjà un impact

commercial pour 27 % des entreprises, ce qui fait des secteurs de

l’automobile et de la production manufacturière des secteurs précurseurs.

Les services informatiques de seulement 43 % des entreprises interrogées

participent aux processus de décision relatifs à la maintenance prédictive,

un chiffre inférieur à celui d’autres secteurs.

Industrie de process

93 % des entreprises de ce secteur considèrent le renouvellement de leurs

infrastructures vieil l issantes comme l’objectif principal de leurs initiatives

de maintenance. Plus de la moitié de ces entreprises n’en sont qu’à

l’étape de planification et d’évaluation de ces initiatives. 74 % de ces

entreprises considèrent le remaniement des processus de maintenance

après intégration de la maintenance prédictive comme étant leur défi

principal.

Transport

Les opérateurs de transport sont des précurseurs en matière de

déploiement d’initiatives de maintenance prédictive : 72 % d’entre eux

ont déjà lancé des programmes pilotes et 25 % font état d’un impact

commercial. I ls sont aussi en tête des investissements : 63 % d’entre eux

ont déjà investi dans ce domaine et prévoient d’autres investissements.

Résumé des tendances clés par région

France

Dans 93 % des entreprises, la prise de décision en matière de maintenance

prédictive implique les services après-vente. 52 % des entreprises ont

dépassé la phase de planification et d’évaluation de leur initiative de

maintenance prédictive.

Allemagne

80 % des entreprises interrogées vont investir dans la maintenance

prédictive dans les deux prochaines années. 54 % d’entre elles ont déjà

réalisé des investissements. 30 % des entreprises seulement déclarent avoir

besoin d’aide pour gérer ces solutions, ce qui laisse supposer de fortes

capacités internes.

Pays nordiques

85 % des entreprises ont prévu d’investir dans des initiatives de

maintenance prédictive. 44 % ont déjà réalisé des investissements dans ce

domaine. 52 % des entreprises considèrent les coûts d’achats comme un

frein à l’adoption de la maintenance prédictive.

Royaume-Uni et Irlande 85 % des entreprises considèrent que le remaniement des processus de

maintenance après intégration de la maintenance prédictive est leur

principal défi à relever. 28 % en retirent déjà un impact commercial.

Transformation digi tale de l ’ industr ie et maintenance prédictive — CXP Group, 2018. Tous droi ts déposés. 8

Benelux 92 % des entreprises considèrent que leurs capacités d’analyse internes

sont l’obstacle principal à l’adoption de solutions de maintenance

prédictive.

Italie 52 % des entreprises disposent de processus de maintenance basés sur des

règles préétablies ou sur des niveaux critiques, qui s’appuient sur un suivi

en temps réel — un chiffre supérieur à celui des autres pays.

Espagne 60 % des entreprises interrogées ont déjà investi et ont l’ intention de

réinvestir dans la maintenance prédictive, ce qui les démarque des

entreprises d’autres pays.

Transformation digi tale de l ’ industr ie et maintenance prédictive — CXP Group, 2018. Tous droi ts déposés. 9

TRANSFORMER LES PROCESSUS DE MAINTENANCE GRACE AUX ANALYSES PREDICTIVES

Les entreprises opérant dans des secteurs qui dépendent fortement de leurs équipements, tels que les fabricants et les opérateurs de transport, s’appuient sur de nombreux actifs industriels comme les machines, les équipements, et les véhicules (trains, avions, véhicules routiers). L’achat de ces actifs représente un investissement majeur, auquel viennent s’ajouter les coûts de maintenance, qui influent directement sur le taux d’uti l isation et la durée de vie. Par conséquent, les entreprises doivent veil ler à ce que tous les processus se déroulent sans accroc, afin de bénéficier d’une disponibil ité maximale des flottes, des l ignes de production et des produits. Les processus de maintenance actuels se basent généralement sur un calendrier d’entretien régulier, qui comprend des contrôles et le remplacement de certaines pièces. Conséquence de cette approche : certaines de ces tâches sont susceptibles d’être effectuées alors qu’elles n’étaient pas nécessaires. Par exemple, une pièce en bon état de marche peut être remplacée alors qu’elle disposait encore d’une durée de vie confortable, et inversement : des pièces peuvent tomber en panne entre deux contrôles et provoquer une panne soudaine. Les entreprises peuvent ainsi subir des arrêts non planifiés, avec pour conséquences des retards de production ou de transport et des ruptures de stock, qui entraînent à leur tour une expérience client négative voire des pénalités de la part des autorités publiques, notamment dans le secteur des transports.

S’ajoute à ces défis le caractère très compétitif de ces deux secteurs en Europe. Les fabricants doivent compter avec leurs rivaux à l’étranger ; les opérateurs de transport, quant à eux, comptent sur les bil lets à bas prix pour garder la faveur de passagers peu loyaux. Ces

Transformation digi tale de l ’ industr ie et maintenance prédictive — CXP Group, 2018. Tous droi ts déposés. 10

compagnies bénéficient ainsi de marges très étroites, qui obligent les équipes de direction à accorder une importance primordiale à l’expérience client.

Pour donner le ton au reste de cette étude, l’un des premiers enjeux a été de comprendre le ressenti des entreprises européennes sur leurs processus et leurs pratiques de maintenance.

Fig. 1: Comment décririez-vous les processus de maintenance des véhicules et des équipements industriels actuellement mis en place dans le cadre de vos opérations internes ?

Les réponses à cette question tendent à démontrer que les entreprises ne sont pas pleinement satisfaites de leurs processus de maintenance actuels : plus de 90 % d’entre elles ne les trouvent pas très efficaces. I l existe donc d’importantes possibil ités d’amélioration, en particul ier pour le tiers d’entreprises qui considèrent leurs processus comme étant relativement inefficaces. On retrouve cette tendance dans toute l’Europe : le pays d’origine, la tail le et même le secteur d’activité des entreprises interrogées n’ont aucune incidence sur la perception des processus de maintenance. Selon l’analyse de PAC, les entreprises devraient investir dans des technologies digitales pour rationaliser leurs processus et, dans quelques années, pouvoir les décrire comme étant très efficaces. Quelques entreprises montrent déjà la voie et peuvent servir d’exemple pour mieux comprendre les modalités et les résultats de la maintenance prédictive.

Les dernières innovations de cette technologie permettent aux entreprises d’optimiser leur efficacité opérationnelle, ce qui permet à la fois de réduire les coûts et d’améliorer l’expérience client. L’IoT est particul ièrement adapté pour répondre à ces problématiques, tout comme de nombreux outils et techniques d’analyse prédictive. Uti l isées ensemble, ces ressources peuvent permettre aux entreprises de prédire les pannes d’équipements, de véhicules et de produits, et ainsi d’optimiser leur efficacité. Les données provenant des actifs et des produits industriels sont intégrées dans les plateformes IoT, puis traitées grâce à des algorithmes prédictifs afin de disposer d’une analyse qui permette aux entreprises d’anticiper les pannes et de minimiser leur impact. Cette approche donne aux entreprises la possibil ité de complètement redéfinir leur processus et leurs pratiques de maintenance, et ainsi d’optimiser leur efficacité opérationnelle.

La maintenance prédictive à l’œuvre : Vestas Vestas, fabricant d’éoliennes danois, veut proposer à ses clients la possibilité d’accéder à des analyses prédictives relatives aux données opérationnelles de leurs éoliennes, afin qu’ils puissent optimiser leurs services de maintenance.

Transformation digi tale de l ’ industr ie et maintenance prédictive — CXP Group, 2018. Tous droi ts déposés. 11

L’entretien planifié et normalisé des actifs industriels tend vers l’obsolescence, cédant la place à la maintenance prédictive. Enfin, l’amélioration des processus de maintenance permet également aux entreprises orientées produit d’améliorer l’entretien de leurs produits et de concevoir de nouveaux modèles d’entreprise. Au l ieu de vendre un produit, les entreprises peuvent le proposer à leurs clients en tant que service et exploiter les données d’uti l isation en temps réel pour que les cl ients ne payent que pour ce qu’ils util isent.

Pour i l lustrer cette tendance, Johan Lundgren, directeur général d’EasyJet , a déclaré à propos de la plateforme de maintenance prédictive nouvellement déployée par EasyJet (propos recueil l is par Fl ightglobal.com) : « Cette plateforme va transformer notre façon de piloter et d’entretenir nos aéronefs. L’objectif à long terme est d’él iminer tous les retards l iés à des défail lances techniques. » EasyJet , l’une des plus grandes compagnies aériennes low cost d’Europe, a misé gros sur la maintenance prédictive. Suite à un projet pilote réussi, l’entreprise s’appuie sur cette technologie pour entretenir sa flotte de plus de 300 avions. Cet exemple résume bien le principal bénéfice direct de la maintenance prédictive, en plus de bénéfices indirects comme une meil leure expérience client.

Ces exemples illustrent bien le caractère innovant de cette approche, mais sont-ils représentatifs des tendances globales de l’industrie ? À quel point les entreprises ont-elles amorcé leurs initiatives de maintenance prédictive ?

Cette étude explore en profondeur les pratiques des entreprises européennes en matière de maintenance, les principales lacunes de ces pratiques et les motivations des entreprises pour les réactualiser grâce aux technologies digitales.

Les conclusions de cette étude s’appuient sur les réponses de plus de 230 décisionnaires commerciaux et technologiques issus de grandes entreprises des secteurs de la fabrication et du transport. Une analyse plus détail lée de l’échantil lon est disponible à la fin de ce document.

Étant donné le large choix de solutions prêtes à l’emploi sur le marché, le moment est particul ièrement bien choisi pour investir dans la maintenance prédictive. Même en cas de besoin d’une application plus spécifique, les entreprises peuvent faire leur choix parmi un écosystème grandissant de plateformes d’analyses, puis développer leurs propres innovations en interne. D’après l’analyse de PAC, un grand nombre d’entreprises uti l isent les solutions IoT pour prévoir les pannes à partir de données opérationnelles. El les sont d’ail leurs nombreuses à avoir développé cette approche à grande échelle.

La tendance actuelle dans les marchés européens est à l’investissement dans les solutions IoT : de nombreuses entreprises se tournent vers la maintenance prédictive pour optimiser leur efficacité opérationnelle. 94 % des entreprises prévoient d’investir dans ce domaine dans les deux prochaines années. 52 % ont déjà réalisé des investissements. Par exemple, Trenital ia, première compagnie ferroviaire d’Ital ie, uti l ise des solutions IoT pour analyser ses données opérationnelles et vise ainsi à réduire les coûts de maintenance de son matériel roulant de 8 à 10 %. Autre adepte de la maintenance prédictive, Vestas, un fabricant d’éoliennes danois, travail le avec plusieurs partenaires technologiques pour permettre à ses clients d’optimiser la maintenance de leurs éoliennes grâce à des analyses prédictives basées sur des données opérationnelles.

Presque 90 % des entreprises considèrent que les arrêts non planifiés, la maintenance d’urgence et le vieillissement des infrastructures informatiques et technologiques sont les principaux défis à relever.

Transformation digi tale de l ’ industr ie et maintenance prédictive — CXP Group, 2018. Tous droi ts déposés. 12

Transport for London (TfL) compte parmi les entreprises qui cherchent à exploiter l’analyse des données pour prédire les besoins en maintenance de leurs trains, de sorte à offrir aux Londoniens un service fiable. Au cours d’un projet récent, l’opérateur de transport a analysé les données opérationnelles de ses trains pour prédire le moment où leur moteur tomberait en panne. L’entreprise pourrait ainsi économiser 3 mil l ions de l ivres par an. La compagnie cherche aussi à uti l iser cette approche pour prévoir les pannes des portes de train. En plus de la potentielle réduction des coûts, cela peut permettre d’améliorer l’expérience client en évitant des retards.

Autre exemple de maintenance prédictive à plus grande échelle : l’entreprise Nestlé a intégré une solution IoT à son offre de machines à café à destination des entreprises, qui concerne plus de 2 500 cl ients. Cette installation permet non seulement de configurer les machines à distance, mais aussi de mettre en place une approche de maintenance prédictive qui peut améliorer l’efficacité des techniciens. I l est également important de noter que les nouvelles machines sont dotées par défaut de capacités IoT, tandis que les anciennes ont été mises à niveau pour en bénéficier.

Quelles sont les principales lacunes des processus de maintenance des entreprises européennes ?

Fig. 2: Dans le cadre des processus actuels de maintenance et d’entretien de

vos actifs industriels, les propositions suivantes : sont un défi majeur ; sont un défi mineur ; ne constituent pas un défi.

Les entreprises européennes doivent faire face à de nombreux défis en matière de pratiques de maintenance. Certains de ces défis sont si importants qu’ils agissent même comme des catalyseurs d’innovation. Les arrêts non planifiés et la maintenance d’urgence en cas de panne des équipements figurent parmi les difficultés principales pour les entreprises. Dans l’industrie de la fabrication, ces arrêts peuvent causer l’ interruption de toute la chaîne de production, avec pour conséquence des retards de production et de capacité ainsi que des ruptures de stock pour les cl ients. Les pannes qui surviennent sur des produits, quant à elles, peuvent avoir un impact négatif sur la fidélité des cl ients. Dans le secteur des transports, les pannes soudaines peuvent provoquer des retards et des perturbations qui sont susceptibles d’avoir ont un impact financier sur les opérateurs de

Transformation digi tale de l ’ industr ie et maintenance prédictive — CXP Group, 2018. Tous droi ts déposés. 13

transport : ceux-ci peuvent avoir à rembourser des cl ients lésés, voire être pénalisés par les autorités publiques.

De nombreuses entreprises de ces secteurs s’appuient sur des systèmes informatiques vieil l issants. I l n’est donc pas surprenant que ces systèmes informatiques hérités représentent un autre défi en matière d’intégration de nouveaux équipements et de rapidité de développement, de déploiement et de passage à l’échelle de nouveaux services.

Si l’on s’intéresse plus en détail aux processus de maintenance actuels des entreprises européennes, plusieurs approches ressortent :

1. l ’inspection périodique avec conclusions basées uniquement sur l’expertise de l’inspecteur. Ce processus est en usage chez 59 % des entreprises, qui s’appuient sur l’expertise humaine par le biais de contrôles réguliers.

2. l ’inspection périodique avec conclusions basées à la fois sur l’expertise d’un inspecteur et sur des données recueil l ies par des instruments de mesure. Ce type de maintenance est le plus répandu parmi les entreprises (73 %).

3. le suivi en temps réel des actifs industriels, avec des alertes en temps réel, définies selon des règles préétablies. C’est cette approche qu’adoptent 37 % des entreprises interrogées.

4. le suivi en temps réel avec des alertes définies selon des techniques d’analyse prédictive, par exemple une analyse de régression. C’est le cas pour 25 % des entreprises interrogées.

Le suivi en temps réel mentionné dans les deux dernières options est largement moins répandu — sans surprise, quand on connaît les difficultés que doivent surmonter les entreprises. I l est toutefois uti l isé par un nombre non négligeable d’entreprises, en particul ier par celles qui ont déjà investi dans des initiatives IoT et qui ont déployé des plateformes pour traiter les données des actifs. Les opérateurs de transport sont les plus avancés à cet égard : 41 % d’entre eux disposent de processus de maintenance basés sur des analyses prédictives. Ce constat est cohérent avec le reste de cette étude, qui montre que les opérateurs de transport sont les plus susceptibles d’avoir déjà déployé des solutions IoT à grande échelle.

La maintenance prédictive à l’œuvre : Nestlé Nestlé a intégré une solution IoT à son offre de machines à café à destination des entreprises : plus de 2 500 clients bénéficient maintenant d’une configuration à distance et d’une maintenance prédictive plus efficace. Les machines plus anciennes ont également été dotées de capacités IoT.

Transformation digi tale de l ’ industr ie et maintenance prédictive — CXP Group, 2018. Tous droi ts déposés. 14

Étant donné le potentiel d’amélioration des processus de maintenance, où en est le déploiement de la maintenance prédictive au sein des entreprises européennes ?

Fig. 3: Parmi les options suivantes, laquelle décrit le mieux l’état actuel de vos initiatives de maintenance prédictive ?

D’après les résultats, le marché européen est très dynamique : 55 % des entreprises ont au minimum lancé un projet pilote de maintenance prédictive. Le secteur des transports est en tête de file avec 62 % de projets lancés.

À noter que les fabricants et les constructeurs automobiles sont les plus nombreux à faire état d’un impact commercial suite à ce changement, à savoir 29 %. Cela s’explique par les investissements réalisés en continu pour automatiser ces secteurs et pour pouvoir s’appuyer sur des processus de maintenance prédictive. En effet, la majorité de la production est déjà robotisée, et les robots disposent souvent de leur propre plateforme d’analyse.

Une analyse par pays montre que le Royaume-Uni figure parmi les pays les plus en avance, avec 28 %. Cela peut s’expliquer par la réceptivité du marché britannique face aux technologies digitales et à la maturité de ces technologies. À l’opposé, les entreprises allemandes sont réticentes à manipuler des données, en raison de la stricte réglementation du pays en matière de confidential ité, notamment. Les entreprises n’y sont que 15 % à bénéficier d’un impact commercial grâce à leurs initiatives de maintenance prédictive.

La tail le d’une entreprise influe aussi sur la probabil ité qu’elle emploie la maintenance prédictive dans ses processus de maintenance. Par exemple, les entreprises de la plus petite catégorie de tail le (de 1 000 à 2 000 collaborateurs) sont en retard par rapport aux autres : 50 % d’entre elles en sont toujours à l’étape de planification et d’évaluation de leurs initiatives de maintenance prédictive. Dans ces entreprises, les ressources sont généralement moins abondantes et l’ impératif de changement y est moindre. On y retrouve aussi généralement plus d’agil ité et d’innovation.

55 % des entreprises ont dépassé le stade de la planification et de l’évaluation de leurs initiatives de maintenance prédictive.

Transformation digi tale de l ’ industr ie et maintenance prédictive — CXP Group, 2018. Tous droi ts déposés. 15

Les résultats prouvent que les entreprises montrent plus de confiance envers l’aspect opérationnel de leur activité. Par exemple, 57 % d’entre el les déclarent bien maîtriser le suivi de l’état de leurs actifs industriels, 44 % l’ intégration de solutions à leurs technologies informatiques de base (ERP), et 44 % la planification optimisée des opérations de maintenance. En revanche, seules 19 % d’entre elles déclarent maîtriser la maintenance prédictive. Cependant, l’analyse de PAC est que la maîtrise des technologies opérationnelles ne suffira bientôt plus à faire concurrence aux acteurs digital native. C’est pourquoi les entreprises doivent investir dans des capacités technologiques et collaborer avec des fournisseurs de technologies, afin de déployer des initiatives de maintenance prédictive et de faire baisser leurs coûts.

Transformation digi tale de l ’ industr ie et maintenance prédictive — CXP Group, 2018. Tous droi ts déposés. 16

L’APPÉTIT POUR LA MAINTENANCE PREDICTIVE

Les résultats de cette étude sont encourageants : i ls montrent qu’il existe un intérêt pour les solutions de maintenance prédictive, tempéré par des problèmes qui peuvent être résolus. Les initiatives de maintenance prédictive n’ont pas encore atteint leur apogée, mais des évolutions significatives sont à noter : plus de la moitié des entreprises ont déjà lancé des projets pilotes et un nombre non négligeable en retire déjà un impact commercial.

Compte tenu de toutes ces considérations, à quel point l’appétit des entreprises se traduit-il par des investissements ?

Fig. 4: Avez-vous déjà investi dans des solutions et des applications de maintenance prédictive/prévoyez-vous d’investir dans ce domaine dans les deux prochaines années ?

83 % des entreprises vont investir dans la maintenance prédictive, et 49 % d’entre elles ont déjà réalisé des investissements dans ce domaine.

Transformation digi tale de l ’ industr ie et maintenance prédictive — CXP Group, 2018. Tous droi ts déposés. 17

Les résultats mettent clairement en évidence un besoin d’investissement en solutions de maintenance : 83 % des entreprises prévoient d’investir dans ce domaine dans les deux prochaines années et 50 % d’entre elles ont déjà investi. Ces conclusions sont cohérentes avec les défis identifiés par les entreprises, arrêts non planifiés en tête.

Les entreprises les plus nombreuses à avoir déjà investi dans ce domaine et à prévoir de plus amples investissements dans les deux prochaines années se situent en Espagne, où elles sont 60 %. En effet, les entreprises espagnoles font face à des difficultés économiques plus sévères que d’autres régions, et sont donc bien inspirées d’investir pour les surmonter. Une analyse par secteur révèle que les opérateurs de transport bénéficient d’une légère avance, puisqu’ils sont 63 % à avoir investi dans la maintenance prédictive. Cela s’explique par le caractère extrêmement compétitif de ce secteur : les entreprises doivent avoir plusieurs coups d’avance et réduire les coûts dès que possible. L’adoption des technologies digitales est donc bien avancée dans ce secteur, en particul ier les technologies sur lesquelles s’appuie la maintenance prédictive comme l’IoT et les plateformes d’analyses.

Les investissements en maintenance prédictive vont aller en s’intensifiant dans les prochaines années, mais qui est à l’origine de ces investissements ?

Fig. 5: Parmi les services suivants, lesquels sont impliqués dans les processus de décision relatifs aux initiatives de maintenance prédictive ? (Réponses positives affichées)

La transformation digitale des secteurs de la fabrication et des transports se caractérise de plus en plus par un transfert des pouvoirs décisionnaires et budgétaires, des services informatiques aux acteurs du cycle de vie du produit. En effet, ces acteurs commencent à ressentir des pressions opérationnelles, et i ls savent précisément quelles technologies peuvent facil iter leur activité. I l est intéressant de remarquer que, dans tous les pays de l’étude, les services après-vente sont les plus impliqués dans le processus de décision, et ce pour plusieurs raisons. La première de ces raisons est la suivante : la maintenance prédictive, en plus de révolutionner les processus de maintenance en interne, peut permettre de mettre en place des

Transformation digi tale de l ’ industr ie et maintenance prédictive — CXP Group, 2018. Tous droi ts déposés. 18

processus de maintenance plus efficaces pour les produits proposés à la vente par les fabricants. Ces changements peuvent améliorer l’expérience client de manière significative. Étudions par exemple les cas de KONE, fabricant d’ascenseurs et d’escalators, et d’Alstom, fabricant de trains. KONE uti l ise la maintenance prédictive pour améliorer l’entretien de ses ascenseurs et de ses escalators, et a mis en place des services connectés IoT 24 h/24, 7 j/7. Ces services recueil lent de grandes quantités de données sur les portes, la température et la précision d’arrêt des appareils. Ces données sont ensuite envoyées à la plateforme cloud pour qu’elles y soient traitées. L’entreprise exploite ensuite les analyses prédictives de cette plateforme pour planifier sa maintenance. Les équipes de maintenance sont ensuite informées et reçoivent des suggestions sur les pièces à vérifier ou à changer. Alstom a déployé une initiative de maintenance prédictive afin d’améliorer son offre de services en matière de transport ferroviaire. L’entreprise propose à ses cl ients, Virgin Trains par exemple, un service de maintenance prédictive de type « arrêt technique », en analysant les données émanant des pièces des trains, comme les roues ou les freins. Les cl ients reçoivent ainsi une alerte et des recommandations en matière de maintenance.

I l convient aussi de signaler que les deuxièmes services les plus impliqués dans les processus de décision relatifs à la maintenance prédictive sont les services de production et des technologies opérationnelles. Peu surprenant : ces services sont en charge de l’opération des machines de l’atel ier de fabrication et des systèmes industriels comme SCADA.

I l existe par ail leurs des différences géographiques intéressantes entre les entreprises. Par exemple, au Royaume-Uni, l’entité digitale des entreprises est impliquée dans le processus de décision dans 53 % des cas, un chiffre plus élevé que celui des autres pays. Ce chiffre reflète bien la maturité du marché de la transformation digitale au Royaume-Uni, où beaucoup d’entreprises sont dotées d’une entité digitale structurée. En revanche, les équipes de direction allemandes sont les plus impliquées dans le processus de décision : c’est le cas pour 56 % des entreprises. En effet, la maintenance prédictive est un sujet d’importance stratégique pour les entreprises allemandes, et en particul ier pour les entreprises de fabrication.

PAC est convaincu que pour mettre en place une stratégie efficace d’exploitation des analyses prédictives, les entreprises devront impliquer tous leurs acteurs : service informatique, acteurs du cycle de vie du produit et responsables. Le service informatique doit s’assurer de mettre en place la technologie adéquate pour soutenir ces innovations, et les acteurs du cycle de vie du produit doivent repenser les processus de maintenance au sein de l’atel ier. Les services de développement de produits peuvent développer de nouvelles stratégies de maintenance et d’entretien à partir d’analyses prédictives afin d’améliorer l’expérience client. Par conséquent, les entreprises doivent nouer des relations de travail plus étroites entre toutes ces parties prenantes. Par ail leurs, i l est important pour toute stratégie de maintenance prédictive de définir explicitement quelles sources de données iront nourrir les algorithmes. Les entreprises peuvent commencer par les données qui leur sont déjà disponibles, mais elles ont tout intérêt à y intégrer d’autres sources en rel iant leurs actifs à l’IoT. Par exemple, la SNCF, Société nationale des chemins de fer français, a doté ses trains et ses rails de capteurs ; ces capteurs

La maintenance prédictive à l’œuvre : KONE KONE s’est tourné vers l’IoT pour améliorer l’entretien de ses ascenseurs et de ses escalators. L’entreprise reçoit entre autres des données relatives au fonctionnement des portes, à la température et à la précision d’arrêt des appareils pour prédire les pannes et avertir les équipes de maintenance.

Transformation digi tale de l ’ industr ie et maintenance prédictive — CXP Group, 2018. Tous droi ts déposés. 19

envoient des données qui sont ensuite traitées dans le cloud afin d’améliorer les processus de maintenance en repérant les pannes potentielles.

Quels sont les principaux objectifs des initiatives de maintenance prédictive ?

Fig. 6: Dans les deux prochaines années, lesquels des aspects suivants : sont un objectif majeur ; sont un objectif mineur ; ne représentent pas un objectif ?

La réduction de la durée de réparation et des arrêts non planifiés viennent en tête des objectifs majeurs. Ce constat est cohérent avec la perception qu’ont les entreprises de leurs processus de maintenance actuels, que 90 % d’entre elles ne trouvent pas très efficaces. L’importance accordée à cet objectif n’est guère surprenante. Les arrêts non planifiés peuvent avoir de nombreuses conséquences néfastes : mauvaises expériences client, retards, pénalités, voire accidents pouvant mener à des procès. Le prolongement de la durée de vie des équipements vieil l issants figure également parmi les objectifs majeurs. Cela s’explique par les coûts élevés auxquels doivent faire face les entreprises, en particul ier dans certaines régions européennes. I l est essentiel pour elles d’optimiser le taux d’uti l isation de leurs actifs et par conséquent le retour sur investissement. L’aspect suivant, par ordre d’importance, est l’amélioration de l’expérience client. Dans des secteurs aussi âprement compétitifs que ceux de la fabrication et du transport, l’expérience client est un facteur de choix des plus déterminants. I l est également intéressant de remarquer que presque la moitié des entreprises interrogées cherchent à s’appuyer sur la maintenance prédictive pour développer de nouveaux produits et modèles d’entreprise.

Une analyse secteur par secteur montre que l’amélioration de la satisfaction client est plus importante pour les opérateurs de transport (80 %) que pour les fabricants et constructeurs automobiles (70 %) et que les entreprises de l’industrie de process (64 %) . Deux raisons peuvent expliquer cet état de fait. Tout d’abord, la plupart des opérateurs de transport ont recours à des bil lets à bas prix pour séduire leurs cl ients. I l est donc vital pour les opérateurs de transport de séduire et de fidéliser leurs cl ients. Ensuite, ces entreprises interagissent pour la plupart directement avec leurs clients, ce qui n’est pas le cas de certains fabricants, par exemple. La réduction des retards est

La réduction du temps de réparation, des arrêts non planifiés et le prolongement de la durée de vie des équipements industriels sont des objectifs majeurs pour la majorité des entreprises interrogées.

Transformation digi tale de l ’ industr ie et maintenance prédictive — CXP Group, 2018. Tous droi ts déposés. 20

également plus importante pour les acteurs du secteur du transport que pour les fabricants : i l s’agit d’un objectif majeur pour 44 % d’entre eux.

D’après l’analyse géographique, plus de la moitié des entreprises de la région Benelux (60 %), du Royaume-Uni (53 %) et d’Allemagne (52 %) considèrent que le développement de nouveaux produits et modèles d’entreprise est leur objectif principal. Cela peut s’expliquer par la plus grande maturité digitale des marchés : les entreprises y sont susceptibles d’être plus avancées dans leur processus de transformation digitale. En Ital ie, marché des plus difficiles, la totalité des entreprises (100 %) affirme que la réduction de la durée de réparation et des arrêts non planifiés est leur objectif principal. Cela s’explique par l’environnement économique difficile et la lenteur de l’adoption des technologies digitales.

Pour atteindre ces objectifs, de nombreux fabricants et opérateurs de transport européens ont déjà amorcé leur transformation digitale et mis en place des concepts de maintenance prédictive dans certains de leurs processus.

Le géant français EDF, qui exploite un réseau de centrales nucléaires de 58 réacteurs répartis entre 19 sites, a mis en œuvre des solutions Atos pour effectuer le suivi de 70 turbines. Cela permet à EDF de disposer d’analyses en temps réel sur ses opérations et de surveil ler les données critiques de ses sites pour repérer des pannes potentielles dans la structure interne des réacteurs (pompes, vannes, turbines, générateurs...).

Autre bon exemple de concept de maintenance prédictive : Navantia, constructeur naval espagnol, a amorcé sa transformation IoT en déployant un système digital de gestion de navires connecté à l’IoT. Navantia avait d’abord créé sa propre plateforme, mais l’entreprise voulait développer ses capacités de gestion de données. El le a ensuite uti l isé la plateforme InterSytems Data Platform pour remplacer ses bases de données relationnelles et ses systèmes SCADA, qui ne permettaient pas de développer des modèles de données plus complexes capables d’intégrer des données depuis de multiples sources. Grâce à cette infrastructure, Navantia est à même de développer des modèles prédictifs complexes pour détecter d’éventuelles pannes dans ses systèmes de navigation.

La collaboration entre la branche ferroviaire de Siemens et l’entreprise Equinix fournit un autre exemple d’infrastructure de base nécessaire au développement d’applications de maintenance prédictive Siemens exploite de grands volumes de données : chacun des trains de l’entreprise est doté de 300 capteurs uti l isés à des fins de maintenance prédictive. La gestion de ces données et son stockage représentent un défi important, notamment en raison de la réglementation locale en matière de données, qui oblige à stocker les données dans leur pays d’origine. Pour sa solution de reprise d’activité après sinistre basée sur le cloud, Siemens a focalisé son approche sur les interconnexions en déployant la plateforme Equinix. Celle-ci garantit la disponibil ité des données en temps réel, permet d’effectuer une maintenance prédictive et de faire varier, si besoin, le nombre de points de collecte de données.

Severstal, entreprise sidérurgique russe, fournit un autre exemple intéressant. L’entreprise a réussi à réduire de 20 % les retards dus à des maintenances non planifiées en déployant la solution Predix Asset

Transformation digi tale de l ’ industr ie et maintenance prédictive — CXP Group, 2018. Tous droi ts déposés. 21

Performance Management de GE Digital. Cette solution intègre les données critiques de Severstal et les données des systèmes de l’entreprise. El le permet également d’automatiser la gestion de la fiabil ité et d’optimiser les processus de maintenance.

Dans le secteur des transports, plusieurs compagnies ferroviaires sont bien avancées dans le déploiement de leurs processus de maintenance prédictive. La compagnie ferroviaire finlandaise VR Group associe IoT et SAS Analytics pour mettre en place des processus de maintenance prédictive pour sa flotte de 1 500 trains, améliorant ainsi son niveau de satisfaction cl ient et son offre de services. L’entreprise vise à modifier ses processus de maintenance actuels et à passer d’une maintenance périodique à une maintenance qui corresponde à un besoin, afin d’éviter par exemple de remplacer une pièce qui dispose encore d’une bonne durée de vie. Cette approche est particul ièrement adaptée au secteur ferroviaire, où certaines pièces comme les roues sont entretenues régulièrement et où d’autres ne bénéficient d’une maintenance qu’en cas de panne. L’entreprise espère que cette approche permettra aux trains d’être maintenus plus longtemps en service.

Autre exemple du secteur ferroviaire : DB Cargo, entreprise allemande de transport de marchandises, travail le avec Siemens à l’installation de systèmes de maintenance prédictive sur sa flotte de plus de 300 locomotives à des fins de digitalisation et d’optimisation de la chaîne de valeur des locomotives. L’entreprise exploite pour ce faire les modèles analytiques de la plateforme Siemens Railigent, également connectée à MindSphere, la plateforme IoT de Siemens.

Dans le secteur de la fabrication industrielle, JCB, fabricant britannique d’équipements de construction, a déployé une plateforme télématique IoT nommée JCB LiveLink, développée par Wipro. Cette plateforme analyse en temps réel les données relatives à l’état de 10 000 machines de construction en Inde. El le permet la réalisation d’analyses prédictives à des fins d’optimisation de la disponibil ité opérationnelle de ces équipements.

Malgré la multitude d’avantages et le grand nombre d’entreprises qui déploient des initiatives de maintenance prédictive, quels sont les principaux freins à l’adoption de ces solutions ?

Fig. 7: Pour vous, quels sont les défis à relever en matière d’initiatives et de stratégies de maintenance prédictive ?

Transformation digi tale de l ’ industr ie et maintenance prédictive — CXP Group, 2018. Tous droi ts déposés. 22

Plusieurs freins au déploiement d’initiatives de maintenance prédictive sont à signaler. L’Europe est un marché particul ièrement réglementé en matière de sécurité et de protection des données personnelles. La plupart des entreprises font donc preuve de prudence en citant cet aspect comme étant l’un des principaux freins. Cela s’explique aussi par le nombre croissant de cyberattaques, qui sont susceptibles de provoquer des accidents dans les centres de production. De plus, grâce à l’adoption croissante de l’IoT, de plus en plus d’appareils et de machines sont connectés, qui sont autant de points d’entrée pour une cyberattaque. I l faut donc être extrêmement vigilant avant de rel ier des appareils ou des machines au réseau, d’autant plus que certains d’entre eux peuvent rassembler des données cl ient.

Parmi les facteurs qui compliquent les investissements en maintenance prédictive, i l faut aussi compter un manque de confiance envers les capacités d’analyse internes des entreprises. C’est une problématique très importante ; en effet, le déploiement de l’IoT et de la maintenance prédictive génèrera de nouveaux flux de données qui pourront devenir difficiles à gérer et à analyser. Les entreprises doivent donc s’assurer qu’elles disposent de personnel compétent pour gérer ces quantités de données en expansion constante — des collaborateurs qui puissent tirer parti de leur portefeuil le de compétences pour dégager des analyses précieuses. Vient s’ajouter à ce défi la nécessité de repenser les pratiques et les processus de maintenance à partir de ces analyses prédictives, puis d’optimiser la nouvelle chaîne de maintenance. Cela représente un défi majeur pour presque 70 % des entreprises. Enfin, i l convient également de mentionner le prix d’achat de solutions technologiques adaptées, qui est un défi majeur pour deux tiers des entreprises interrogées, ce qui s’explique par la pression des coûts qui s’exerce sur ces entreprises.

On observe des variations entre les entreprises selon leur tail le, leur pays et leur secteur d’activité. Par exemple, les entreprises de 1 000 à 2 000 collaborateurs sont plus agiles et, généralement, les plus favorables à l’innovation. Par conséquent, la redéfinition des processus de maintenance ne représente pas pour elles un défi aussi important que pour les entreprises de plus de 2 000 collaborateurs. Pour 79 % des entreprises de plus de 5 000 collaborateurs, cet aspect représente un défi majeur. Rien d’étonnant à cela puisqu’elles disposent de processus établis de longue date et d’un écosystème de partenaires qui s’occupent de leur maintenance. Au niveau sectoriel, les opérateurs de transport sont les moins préoccupés par les coûts d’achat l iés aux solutions : 57 % d’entre eux seulement considèrent cet aspect comme un défi majeur, un nombre inférieur à celui des autres secteurs. En effet, les opérateurs de transport doivent évoluer dans des marchés très compétitifs. I ls subissent une forte pression en matière d’efficacité et n’hésitent donc pas à investir largement dans la maintenance prédictive.

La France est le pays pour lequel la collecte et la gestion de données semblent être les plus problématiques : 53 % des entreprises considèrent cet aspect comme un défi majeur. Par comparaison, ce chiffre est de 30 % au Royaume-Uni et en Allemagne. Cela pourrait être l ié à un manque de personnel compétent, les entreprises françaises disposant de moins de capacités en matière de gestion de données. Autre chiffre notable : en Ital ie, 80 % des entreprises considèrent que la pression des coûts est un défi majeur. C’est le pays où cet aspect semble être l’obstacle le plus important. Enfin, c’est au

Inquiétudes relatives à la confidentialité des données mises à part, les entreprises considèrent leur manque de capacités internes comme le principal frein à l’adoption de la maintenance prédictive.

Transformation digi tale de l ’ industr ie et maintenance prédictive — CXP Group, 2018. Tous droi ts déposés. 23

Royaume-Uni et en Espagne que la disponibil ité et les coûts de connexion sont perçus comme l’obstacle le plus significatif : c’est le cas pour 30 % des entreprises de ces pays. Par ail leurs, la redéfinition des processus de maintenance à partir d’analyses prédictives est un défi majeur pour 85 % des entreprises britanniques, un chiffre probablement l ié à l’importance considérable des infrastructures héritées et des processus vieil l issants en place au Royaume-Uni.

PAC recommande une approche structurée pour la mise en œuvre d’initiatives l iées à la maintenance prédictive. Avant tout investissement important en technologie, i l est préférable que les entreprises exploitent leurs données existantes : données opérationnelles relatives aux machines et aux produits, calendrier et rapports de maintenance, historique de maintenance, données sur la condition et l’environnement des actifs industriels. La première étape serait de repérer des motifs récurrents et d’essayer d’en prédire les conséquences. L’étape suivante pourrait être le déploiement de solutions IoT plus avancées, visant à connecter davantage d’actifs industriels pour disposer de nouveaux flux de données qui seront ensuite traités sur une plateforme, afin de pouvoir bénéficier de prédictions plus fiables. Enfin, la dernière étape pourrait être de suivre ces données en temps réel et de les traiter en périphérie du réseau (edge computing) pour disposer d’analyses et de prédictions le plus rapidement possible. Bien sûr, l’objectif est de passer d’une maintenance à intervalles réguliers à une maintenance basée sur des analyses en temps réel : i l faudra donc repenser les processus en fonction de ces analyses.

Transformation digi tale de l ’ industr ie et maintenance prédictive — CXP Group, 2018. Tous droi ts déposés. 24

MISE EN ŒUVRE DE PROCESSUS PRÉDICTIFS

Pour révolutionner leurs processus de maintenance, les entreprises auront besoin d’être guidées, notamment à cause de leurs capacités d’analyse internes qui, comme exposé précédemment, sont insuffisantes pour exploiter correctement les données nécessaires à la maintenance prédictive. Les entreprises auront également besoin de fournisseurs pour les aider à repenser leurs processus de maintenance en fonction d’une analyse prédictive : i l s’agit en effet du trois ième défi majeur selon les entreprises interrogées.

Les fournisseurs sont toutefois nombreux à se partager le marché. Les marchés l iés à l’IoT comptent de nombreux acteurs, notamment les entreprises de matériel industriel et informatique, les entreprises de services informatiques, les éditeurs de logiciels et les fournisseurs de réseaux et d’infrastructures. Le succès des initiatives de maintenance prédictive dépendra beaucoup des partenaires technologiques choisis par les entreprises.

Transformation digi tale de l ’ industr ie et maintenance prédictive — CXP Group, 2018. Tous droi ts déposés. 25

Avec quelles tierces parties les fabricants et les opérateurs de transport collaborent-ils pour développer leurs initiatives de maintenance prédictive ?

Fig. 8: À quel point les tierces parties suivantes sont-elles impliquées dans le développement de stratégies et d’initiatives de maintenance prédictive ?

Les résultats européens globaux montrent que les fournisseurs de services réseau sont les plus impliqués. En effet, les infrastructures des entreprises de ces secteurs ne sont pas actuellement en mesure de gérer la connexion de nombreux actifs et l’ important flux de données qui en découle. El les doivent donc commencer par renforcer leurs réseaux et leur infrastructure. De plus, les fabricants doivent rendre leurs produits compatibles, et les opérateurs de transport doivent rendre leurs véhicules compatibles, ce qui explique également l’importance de la collaboration avec les télécoms. Viennent ensuite les entreprises de matériel industriel et informatique. En effet, beaucoup de ces entreprises ont effectué leur propre transformation digitale avant d’offrir des solutions technologiques à leurs clients pour leur permettre d’effectuer à leur tour leur transformation digitale industrielle. Les résultats globaux montrent que les collaborateurs principaux sont les fournisseurs d’infrastructure : réseaux, connectivité, data centers/cloud. Les fournisseurs de services informatiques et les éditeurs de logiciels occupent la seconde place. Selon PAC, leur importance ne peut qu’augmenter : les entreprises vont avoir besoin de plateformes et d’expertise en matière d’analyses afin de traiter intell igemment leur multitude de données. Cela dépendra également des capacités internes, puisque certaines entreprises choisiront d’externaliser cette activité pour ne pas mobil iser trop de ressources en interne. PAC constate que la maintenance prédictive est de première importance dans l’écosystème IoT et que de nombreux fournisseurs (intégrateurs système, fournisseurs de plateformes, éditeurs de logiciels, start-up) commencent à uniformiser leurs offres. En revanche, peu d’entreprises collaborent avec des entreprises de conseil — un fort signe de confiance dans l’expertise interne en matière de processus de maintenance — et ce bien que la maturité du marché n’ait pas atteint son paroxysme et qu’un nombre très l imité d’entreprises aient défini une stratégie de maintenance prédictive à

Transformation digi tale de l ’ industr ie et maintenance prédictive — CXP Group, 2018. Tous droi ts déposés. 26

grande échelle. Rappelons qu’elles ne sont que 5 % à avoir défini une telle stratégie à l’échelle de l’entreprise. Les start-up, pour finir, collaborent peu avec les fabricants et les opérateurs de transport, mais le marché présente quelques évolutions intéressantes. De nombreux fabricants et opérateurs de transport européens ont mis en place des incubateurs d’entreprises et des concours entre start-up afin de trouver la bonne start-up dans laquelle investir. Par exemple, IAG Group , société mère d’Iberia et de British Airways, a mis en place un accélérateur baptisé Hangar 51, dédié à la collaboration avec les start-up spécialisées dans l’IoT, la blockchain et l’analyse de données. La société Virgin Trains a elle aussi collecté un montant de 25 mil l ions de l ivres (27,5 mil l ions d’euros) pour son accélérateur, Platform-X. L’entreprise encourage ainsi les start-up innovantes à résoudre des problèmes concrets de l’industrie ferroviaire.

Les tendances en matière de collaboration avec des tierces parties sont plus ou moins les mêmes entre les secteurs, mais quelques variations géographiques sont à signaler. Par exemple, au Royaume-Uni, 73 % des entreprises collaborent avec des fournisseurs d’infrastructures et 85 % d’entre elles avec des fournisseurs de services réseau — une collaboration plus appuyée que dans d’autres pays, qui s’explique par une plus grande maturité au niveau de la mise en place d’infrastructures cloud et par des lacunes au niveau des infrastructures permettant la connectivité. De plus, 54 % des entreprises allemandes et 58 % des entreprises britanniques collaborent aussi avec des entreprises de services informatiques. Ces chiffres, supérieurs aux résultats d’autres pays, s’expliquent par une plus grande maturité du marché informatique dans ces pays.

La diversité des écosystèmes de fournisseurs est pour PAC un point positif : elle montre que les entreprises disposent d’un large éventail de possibil ités leur permettant de tirer profit de la maintenance prédictive. Le revers de la médail le est qu’il peut être difficile pour les entreprises de trouver la bonne configuration, et qu’elles doivent donc garder un œil sur les avancées technologiques qui ont trait à leurs problématiques.

Quel type d’assistance les fabricants et opérateurs de transport demandent-ils de la part de leurs fournisseurs pour mettre en œuvre leurs initiatives de maintenance prédictive ?

Fig. 9: Sur quel type d’aide externe seriez-vous le plus susceptible de vous appuyer dans le cadre d’une initiative de maintenance prédictive ?

Les entreprises ont principalement besoin d’aide pour l’analyse des données dont elles disposent, pour l’installation d’infrastructures appropriées et pour la mise en œuvre de la solution.

Transformation digi tale de l ’ industr ie et maintenance prédictive — CXP Group, 2018. Tous droi ts déposés. 27

Les résultats par pays sont globalement similaires, à l’exception de l’Espagne et de l’Ital ie. En plus de la mise en place d’infrastructures permettant la maintenance prédictive, 84 % des entreprises ital iennes ont besoin d’assistance pour la collecte et la gestion des données. 72 % d’entre elles ont des besoins en matière de conception, prototypage et développement de solutions, et 64 % d’entre elles ont besoin d’aide pour la gestion des solutions.

La technologie et les capacités d’une entreprise à analyser des données en expansion constante sont les véritables prérequis à la mise en œuvre de la maintenance prédictive. I l est également intéressant de constater que les entreprises interrogées prévoient d’investir dans cette technologie dans les deux prochaines années :

98 % d’entre elles prévoient d’investir dans des logiciels ou des plateformes de maintenance prédictive

97 % prévoient des investissements en infrastructure réseau

93 % prévoient d’investir dans des plateformes d’analyses de données

94 % prévoient d’investir dans des solutions IoT

94 % prévoient d’investir dans l’edge computing

88 % prévoient d’investir dans des solutions cloud

67 % prévoient d’investir dans l’intel l igence artif iciel le

Les données sont le produit des solutions IoT. Les entreprises doivent donc trouver le moyen de les monétiser. Leurs chances d’y parvenir dépendent de nombreux facteurs, dont leurs plateformes logicielles, leurs capacités d’analyse internes, leurs infrastructures et leur sens des affaires.

Le but principal des investissements en technologie est de pouvoir rassembler de plus grands volumes de données. À quel point les entreprises exploitent-elles ces données dans le cadre de leurs processus de décision ?

Fig. 10: Exploitez-vous et analysez-vous les données de vos actifs industriels à des

fins de maintenance prédictive ?

40 % des entreprises analysent les données de leurs actifs et s’appuient sur ces analyses pour prendre des décisions commerciales

Transformation digi tale de l ’ industr ie et maintenance prédictive — CXP Group, 2018. Tous droi ts déposés. 28

Une analyse sectorielle révèle que les opérateurs de transport sont les plus avancés à ce niveau, puisque 54 % d’entre eux exploitent les données de leurs actifs à des fins de maintenance prédictive. L’uti l isation de données à des fins de maintenance prédictive et lors de prises de décision peut être influencée par la manière et le l ieu de traitement de ces données, que l’analyse soit faite en interne ou en externe. Par conséquent, i l est important de choisir la bonne combinaison de l ieux de traitement des données au moment de définir une stratégie de maintenance prédictive. Les données peuvent être traitées dans un data center (sur site ou en colocation), une infrastructure hybride ou être traitées en périphérie du réseau, une option de plus en plus répandue. Pour choisir l’approche adéquate, les entreprises doivent prendre en compte plusieurs aspects importants, comme la latence autorisée dans l’analyse, le prix de la connexion permettant de transférer les données et le prix de l’infrastructure et des services de soutien. Par exemple, les entreprises sans contrainte de connectivité, mais qui ont besoin d’une latence basse mettront probablement en place une analyse en périphérie du réseau, et n’enverront sur le cloud que des informations importantes ou par paquets. La tendance actuelle est à l’analyse en data center sur site (61 % des entreprises) et aux solutions d’infrastructure hybride (57 %). Viennent ensuite la colocation en data center (46 % des entreprises), le cloud (34 %) et l’analyse en périphérie du réseau (27 %).

Après avoir choisi l’approche d’analyse à adopter, les entreprises doivent décider quel type de données seront utilisées et comment elles seront collectées. Quelles sont les tendances actuelles au sein des entreprises européennes qui analysent déjà des données dans le cadre de la maintenance prédictive ?

Fig. 11: Quel type de données exploitez-vous pour la maintenance prédictive de vos actifs industriels ?

Transformation digi tale de l ’ industr ie et maintenance prédictive — CXP Group, 2018. Tous droi ts déposés. 29

Les données concernant l’état des actifs industriels sont les plus uti l isées : elles sont exploitées par presque 90 % des entreprises dans le cadre de leur maintenance prédictive. L’uti l isation d’un seul type de données peut toutefois être insuffisante. Les entreprises ont tout intérêt à exploiter plusieurs sources de données et, si possible, à les mettre en corrélation pour repérer tout motif récurrent. Après les données relatives à l’état des actifs, beaucoup d’entreprises uti l isent l’historique de maintenance et le niveau d’uti l isation des actifs. Ces deux types de données sont particul ièrement importantes pour les entreprises puisqu’elles permettent de corréler maintenance et taux d’uti l isation. Enfin, les entreprises peuvent collecter les données relatives à l’état et à l’historique de maintenance d’un site à l’autre ou d’un véhicule à l’autre, puis les corréler.

Les résultats démontrent que les entreprises britanniques sont les plus réticentes à adopter le cloud : seules 22 % d’entre elles s’appuient sur le cloud pour leur maintenance prédictive. À l’opposé, les pays nordiques et l’Allemagne sont mieux disposés envers le cloud, l’uti l isant à 50 % et à 47 % respectivement. Parallèlement, 41 % des entreprises de 2 000 à 5 000 collaborateurs et 33 % des entreprises de plus de 5 000 collaborateurs uti l isent le cloud pour leurs analyses de maintenance prédictive, contre 28 % seulement des entreprises de 1 000 à 2 000 collaborateurs. Cela peut s’expliquer par la capacité du cloud à gérer de plus grandes quantités de données et par sa meil leure évolutivité, qui sont des avantages plus fréquemment recherchés par les grandes entreprises. Une analyse géographique montre que 100 % des entreprises de la région nordique exploitent les historiques de maintenance dans leurs initiatives de maintenance prédictive. L’Allemagne arrive deuxième avec 94 % d’uti l isation. Ces deux marchés sont probablement les plus avancés en matière de fonctionnement des processus de maintenance ; par contraste, la France n’uti l ise ces données qu’à 56 %.

Transformation digi tale de l ’ industr ie et maintenance prédictive — CXP Group, 2018. Tous droi ts déposés. 30

CONCLUSIONS

Pour les fabricants et les opérateurs de transport européens, les problèmes principaux en matière de maintenance sont les arrêts non planifiés et le vieil l issement des infrastructures informatiques. Les arrêts non planifiés peuvent interrompre les opérations quotidiennes et avoir des conséquences négatives sur l’expérience client. Le vieil l issement des infrastructures l imite la croissance et l’adoption de technologies digitales.

La majorité des entreprises considèrent que les processus de maintenance de leurs équipements, véhicules et produits industriels ne sont pas très efficaces : cet aspect peut donc être largement amélioré. Le concept de la maintenance prédictive peut être uti l isé pour optimiser l’efficacité opérationnelle et la structure de coûts des processus de maintenance.

En plus de rationaliser les opérations et de réduire les coûts internes, la maintenance prédictive est un outil puissant qui permet d’améliorer l’expérience client et de développer de nouveaux modèles d’entreprise. Cette approche peut être la clé de la fidélisation des cl ients ainsi qu’un facteur de croissance.

Plus de la moitié des entreprises interrogées ont lancé des programmes pilotes de maintenance prédictive ; près d’un quart d’entre el les en retirent déjà un impact commercial tangible. I l n’existe aucune différence significative entre les différents pays d’Europe en matière de maturité d’adoption de la maintenance prédictive. Au total, plus de 80 % des entreprises interrogées prévoient d’investir dans ce domaine dans les deux prochaines années.

Cette étude prouve que les investissements en maintenance prédictive se font principalement à l’initiative des acteurs du cycle de vie du produit : production, services après-vente et services de développement de produits. Toutefois, afin de pouvoir tirer parti de ces investissements, les entreprises devront définir une stratégie claire, qui prenne en compte la technologie sous-jacente et les collaborations nécessaires.

La motivation principale pour l’adoption de la maintenance prédictive chez les entreprises européennes est la réduction de la durée de réparation et des arrêts non planifiés, qui ont un impact direct sur le taux d’uti l isation des actifs industriels. Parmi les autres motivations importantes, on compte l’amélioration de la durée de vie des équipements industriels vieil l issants, dont le remplacement nécessite des investissements en capital considérables.

L’un des principaux freins à l’adoption de cette technologie, mis à part les inquiétudes relatives à la sécurité des données, est le manque de confiance envers les capacités d’analyse internes et les infrastructures sur lesquelles doit s’appuyer la maintenance prédictive. Les entreprises se tournent donc vers des fournisseurs, le plus souvent des fournisseurs d’infrastructures ou des entreprises industriel les qui proposent des technologies spécifiques au secteur d’activité.

Transformation digi tale de l ’ industr ie et maintenance prédictive — CXP Group, 2018. Tous droi ts déposés. 31

MÉTHODOLOGIE

Cette étude a été constituée à partir d’entretiens avec les responsables commerciaux et informatiques chargés de la maintenance prédictive dans 232 entreprises européennes de plus de 1000 collaborateurs (entreprises de fabrication et opérateurs de transport) au Royaume-Uni, en Irlande, en France, en Allemagne, en Ital ie, en Espagne, dans les pays nordiques (Suède, Danemark, Norvège, Finlande) et au Benelux (Belgique et Pays-Bas). El le a été réalisée durant la première moitié de l’année 2018. Voici une analyse détail lée des participants par région, par secteur et par tail le (nombre de collaborateurs) :

Transformation digi tale de l ’ industr ie et maintenance prédictive — CXP Group, 2018. Tous droi ts déposés. 32

COMMANDITAIRE PRINCIPAL

À PROPOS DE GE DIGITAL

GE Digital est l’entreprise leader de l’Internet Industriel. Nous réinventons la construction, l’exploitation et l’entretien des actifs industriels, en tirant parti des données machines pour obtenir des analyses précieuses et les transformer en résultats opérationnels.

Innovation + Expertise du domaine + Technologies éprouvées

La gamme Predix de GE Digital, qui inclut les applications Predix Asset Performance Management (APM) et Field Service Management (Predix ServiceMax) offre aux cl ients une assistance tout au long du cycle de vie de leurs actifs.

Grâce à Predix, la première plateforme de développement d’applications pour l’Internet Industriel, GE Digital propose aux entreprises industrielles de fonctionner de manière plus rapide, plus intell igente et plus efficace, pour entrer dans l’ère de l’industrie digitale.

Pour plus d’informations, rendez-vous sur https://www.ge.com/digital

Suivez-nous sur Twitter : @GE_Digital

Contact : El iza Ward Directrice Marketing Europe GE Digital Europe Téléphone : +44 7766 473 983 E-mail : el [email protected]

Transformation digi tale de l ’ industr ie et maintenance prédictive — CXP Group, 2018. Tous droi ts déposés. 33

À PROPOS DE PAC

Pierre Audoin Consultants (PAC), fondé en 1976, fait partie de CXP Group, une société indépendante de conseil et de recherche, numéro un en Europe dans les secteurs du logiciel, des services informatiques et de la transformation digitale.

CXP Group accompagne ses cl ients pour évaluer, choisir et optimiser leurs solutions logicielles, évaluer et choisir leurs fournisseurs de services informatiques, et optimiser leurs stratégies d’investissement et d’approvisionnement. CXP Group aide ainsi les responsables des TIC à accomplir leur transformation digitale.

CXP Group aide également les fournisseurs de services informatiques et logiciels à optimiser leurs stratégies et leurs approches de mise sur le marché, grâce à des analyses qualitatives et quantitatives ainsi qu’à des services de conseil. Les organismes et institutions publics s’appuient eux aussi sur nos rapports pour le développement de leurs politiques informatiques.

Fort de ses 40 ans d’expérience et de ses 155 collaborateurs, implanté dans 8 pays (17 bureaux en tout), CXP Group partage son expertise chaque année avec plus de 1 500 responsables de TIC et divisions opérationnelles de grandes entreprises et PME, ainsi qu’à leurs fournisseurs. CXP Group est divisé en trois entités : Le CXP, BARC (Business Application Research Center) et Pierre Audoin Consultants (PAC).

Pour plus d’informations, rendez-vous sur : www.pac-online.com

Les actualités de PAC : www.pac-online.com/blog

Suivez-nous sur Twitter : @CXPgroup

PAC — CXP Group 15 Bowling Green Lane EC1R 0BD London Royaume-Uni Téléphone : +44 207 251 2810 Fax : +44 207 490 7335 info-uk@pac-onl ine.com www.pac-onl ine.com

Transformation digi tale de l ’ industr ie et maintenance prédictive — CXP Group, 2018. Tous droi ts déposés. 34

AVIS DE NON-RESPONSABILITÉ, DROITS D’UTILISATION, INDÉPENDANCE ET PROTECTION DES DONNÉES

Cette étude a notamment bénéficié, pour sa création et sa distribution, du soutien de GE Digital, son commanditaire principal.

Pour plus d’informations, rendez-vous sur www.pac-online.com.

Avis de non-responsabilité

La présente étude a été réalisée avec le plus grand soin. Toutefois, nous déclinons toute responsabil ité en cas d’inexactitude du contenu. Les analyses et les évaluations de cette étude reflètent l’état de nos connaissances en novembre 2017, et sont susceptibles de changer à tout moment. Cela s’applique en particul ier, mais pas exclusivement, aux prévisions avancées dans le présent document. Les noms et désignations uti l isés dans la présente étude peuvent être des marques déposées.

Cette traduction de l’étude originale en Anglais a été réalisée par GE Digital sous sa responsabil ité.

Droits d’utilisation

La présente étude est protégée par le droit d’auteur. Toute reproduction ou diffusion à des tiers, même partielle, requiert l’autorisation expresse préalable de ses commanditaires principaux. La publication ou la diffusion de tableaux, graphiques, etc. dans d’autres publications requiert également une autorisation préalable.

Indépendance et protection des données

La présente étude a été réalisée par Pierre Audoin Consultants (PAC). Ses commanditaires n’ont eu aucune influence sur l’analyse des données ou la réalisation de l’étude.

Les participants à la présente étude ont reçu l’assurance que les informations qu’ils fourniraient seraient traitées en toute confidential ité. Aucune des déclarations de la présente ne permet de tirer quelque conclusion que ce soit à propos des entreprises individuelles, et aucune donnée individuelle n’a été transmise aux commanditaires ou à tout autre tiers. Tous les participants à l’étude ont été choisis au hasard. I l n’existe aucun l ien entre la réalisation de cette étude et les relations commerciales entre les participants et les commanditaires de l’étude.

Transformation digi tale de l ’ industr ie et maintenance prédictive — CXP Group, 2018. Tous droi ts déposés. 35