Big data industriel : quelles données collecter dans un atelier et pour quoi faire ?
18 novembre 2026
Le big data industriel commence par une question métier
Dans un atelier, le big data ne se résume pas à accumuler des relevés issus des machines. Il désigne l’exploitation de volumes importants de données, produites à des rythmes différents et provenant de sources variées : équipements de production, systèmes de gestion, contrôles qualité, interventions de maintenance ou encore consommations d’énergie.
La difficulté principale n’est donc pas de connecter tous les équipements disponibles. Elle consiste à déterminer quelles informations peuvent aider à prendre une décision précise. Une entreprise peut chercher à réduire les arrêts, à comprendre les défauts de fabrication, à mieux planifier les ordres de production ou à diminuer sa consommation énergétique. Chaque objectif conduit à collecter des données différentes.
Une démarche utile suit généralement trois étapes :
- Formuler un problème opérationnel, par exemple des arrêts répétés sur une ligne ou un taux élevé de retouches.
- Identifier les variables explicatives, comme la température, la vitesse, la référence produite, le lot de matière ou la durée de réglage.
- Définir une action attendue, telle qu’une alerte, une modification de réglage, une intervention de maintenance ou une réorganisation du planning.
Cette méthode évite de financer une collecte coûteuse dont les résultats resteraient difficiles à interpréter. La donnée n’a d’intérêt que si sa qualité, son contexte et son usage sont suffisamment clairs.
Les grandes familles de données à observer dans un atelier
Un atelier produit souvent plus d’informations qu’il n’y paraît. Certaines sont directement émises par les machines, tandis que d’autres sont saisies par les opérateurs ou extraites d’un logiciel de gestion. Les regrouper par famille permet de repérer les manques et les doublons.
| Famille de données | Exemples | Utilité possible |
|---|---|---|
| Production | Quantités produites, temps de cycle, cadence, arrêts, changements de série | Mesurer la performance et repérer les pertes de temps |
| Processus | Température, pression, vitesse, couple, débit, position | Relier les réglages aux résultats obtenus |
| Qualité | Défauts, mesures dimensionnelles, résultats de contrôle, rebuts, retouches | Identifier les causes de non-conformité |
| Maintenance | Pannes, alarmes, pièces remplacées, durée des interventions, compteurs horaires | Préparer les interventions et analyser la fiabilité |
| Énergie et utilités | Électricité, gaz, air comprimé, eau, températures | Associer les consommations aux activités de l’atelier |
| Traçabilité | Numéro de lot, référence, ordre de fabrication, opérateur habilité, date et heure | Retrouver l’historique d’une pièce ou d’un produit |
Ces catégories doivent être reliées par un contexte commun. Une mesure de température isolée a peu de valeur si elle n’est pas associée à une machine, à une référence fabriquée, à un lot de matière et à un moment précis. La date et l’heure, l’unité de mesure, l’identifiant de l’équipement et le statut de la donnée sont donc aussi importants que la valeur elle-même.
Les données de production pour comprendre les pertes de capacité
Les données de production servent d’abord à comparer ce qui était prévu avec ce qui a réellement été réalisé. Il est utile de distinguer le temps de fonctionnement, le temps d’arrêt, le temps de réglage, le temps d’attente et le temps consacré au contrôle ou au nettoyage. Une simple durée totale de fabrication masque souvent ces différences.
Pour chaque ordre de fabrication, l’atelier peut enregistrer :
- la référence et la quantité demandée ;
- l’heure de lancement et l’heure de fin ;
- la machine utilisée et la version du programme ;
- la quantité conforme, la quantité rebutée et la quantité retouchée ;
- les causes d’arrêt selon une nomenclature stable ;
- les changements de série et les opérations de réglage.
La nomenclature des arrêts mérite une attention particulière. Si chaque opérateur décrit un même événement avec un terme différent, l’analyse devient incertaine. Des catégories simples et mutuellement compréhensibles sont préférables à une liste trop détaillée. Les commentaires libres restent utiles pour expliquer un cas particulier, mais ils ne devraient pas constituer l’unique source d’analyse.
Ces informations permettent de rechercher les écarts récurrents : une référence qui nécessite davantage de réglages, une équipe confrontée à plus d’attentes, une machine fréquemment arrêtée après un changement d’outillage ou un ordre de fabrication régulièrement lancé dans de mauvaises conditions.
Les paramètres machines et les signaux de procédé
Les capteurs et les automates peuvent fournir des données très fines : température, pression, vibration, intensité électrique, débit, vitesse de rotation, position ou couple. Leur intérêt dépend toutefois de leur fréquence de mesure et de leur précision. Enregistrer un signal chaque seconde n’est pas nécessaire si une tendance quotidienne suffit à la décision. À l’inverse, une variation rapide peut être invisible avec une mesure trop espacée.
Avant de connecter un capteur, il faut préciser :
- ce qui est mesuré et dans quelle unité ;
- la plage normale et les seuils d’alerte ;
- la fréquence d’acquisition ;
- la méthode d’étalonnage et la date de la dernière vérification ;
- la durée de conservation ;
- la personne ou l’équipe qui interprète le signal.
Les données de procédé deviennent particulièrement utiles lorsqu’elles sont croisées avec les résultats qualité. Par exemple, une variation de pression n’est pas nécessairement un problème en elle-même. Elle le devient si elle précède régulièrement une dimension hors tolérance ou une opération de retouche. L’analyse doit donc rechercher des relations entre événements, sans conclure trop vite à une causalité.
Dans les installations anciennes, les données ne sont pas toujours accessibles sous forme numérique. Un relevé manuel structuré peut constituer une première étape. Il permet de vérifier l’intérêt de la variable avant d’investir dans une instrumentation permanente.
Les données qualité pour relier un défaut à sa cause
La collecte qualité ne doit pas se limiter au nombre de pièces refusées. Pour comprendre un défaut, il faut conserver son contexte : référence, lot de matière, machine, outillage, programme, équipe, étape de fabrication et résultat de mesure. Les décisions de dérogation, de retouche ou de rebut doivent également être distinguées.
Les mesures dimensionnelles et fonctionnelles peuvent être associées à leur tolérance, à l’instrument utilisé et à l’incertitude connue lorsque cette information est disponible. Une valeur sans unité ou sans limite de conformité ne permet pas une interprétation fiable.
Un système de données qualité bien organisé peut aider à :
- détecter une dérive avant que les pièces ne deviennent non conformes ;
- comparer les résultats selon les lots de matière ou les fournisseurs ;
- repérer les références qui génèrent le plus de retouches ;
- documenter la traçabilité demandée par un client ou une norme sectorielle ;
- prioriser les analyses de causes selon la fréquence et la gravité des défauts.
Les méthodes de résolution de problème, comme les cinq pourquoi ou le diagramme d’Ishikawa, restent nécessaires. Un tableau de bord ne remplace pas l’examen du procédé. Il aide à sélectionner les situations qui méritent une investigation et à vérifier l’effet d’une action corrective.
La maintenance : passer de l’historique à l’anticipation
Les données de maintenance décrivent ce qui s’est passé sur un équipement et les conditions dans lesquelles l’événement est survenu. Il est pertinent de distinguer la panne, l’arrêt préventif, le réglage, le remplacement d’une pièce d’usure et l’intervention liée à une erreur de paramétrage.
Un historique exploitable contient au minimum l’identifiant de la machine, la date et l’heure, le symptôme observé, la cause retenue, l’action menée, les pièces utilisées et la durée d’immobilisation. La différence entre symptôme et cause est importante. Une alarme de surchauffe peut être le symptôme d’un défaut de ventilation, d’un manque de lubrification ou d’une surcharge.
L’analyse peut ensuite rapprocher les interventions des compteurs de fonctionnement, des cycles réalisés et des paramètres du procédé. Elle permet de déterminer si une maintenance préventive est trop précoce, trop tardive ou mal ciblée. La maintenance prédictive, elle, suppose des données suffisamment nombreuses et fiables pour repérer une évolution anormale avant la panne. Elle ne consiste pas à appliquer automatiquement un algorithme à quelques historiques incomplets.
Pour une petite structure, un registre numérique correctement renseigné peut déjà apporter une amélioration importante. L’intelligence artificielle n’est pas une condition préalable à la mise en ordre des historiques.
Énergie, environnement et coûts de fonctionnement
Les compteurs d’électricité, de gaz, d’eau ou d’air comprimé peuvent être rapprochés des périodes de production. Cette mise en contexte évite d’attribuer toute une consommation à une seule machine lorsque plusieurs équipements fonctionnent simultanément.
Selon le niveau de détail recherché, il est possible de distinguer la consommation :
- pendant la production ;
- pendant les réglages et les changements de série ;
- pendant les pauses ou les périodes d’attente ;
- lors des démarrages et arrêts ;
- dans les phases de nettoyage ou de traitement.
Les données énergétiques peuvent révéler une fuite d’air comprimé, une machine laissée en veille, une dérive d’un équipement ou une étape particulièrement consommatrice. Pour comparer des périodes, il faut tenir compte du volume produit, de la complexité des pièces et des conditions de fonctionnement. Une consommation totale ne suffit pas toujours : un indicateur rapporté à une unité produite peut être plus pertinent, à condition que cette unité soit correctement définie.
Les référentiels de management de l’énergie, notamment ISO 50001, peuvent fournir un cadre de suivi, mais leur application dépend du contexte de l’organisation. Les données doivent surtout conduire à une décision vérifiable : modifier une consigne, réparer une fuite, revoir une séquence d’arrêt ou mesurer l’effet d’un investissement.
Comment construire une collecte utile en six étapes
Un projet de données industrielles peut être conduit progressivement. Une démarche en six étapes limite les coûts et favorise l’appropriation par les équipes.
- Choisir un cas d’usage prioritaire. Il peut s’agir de réduire les arrêts d’une machine, d’améliorer la traçabilité d’un produit ou de comprendre une dérive qualité.
- Cartographier les sources existantes. Recenser les automates, capteurs, fichiers, logiciels de gestion, formulaires papier et relevés manuels. Cette étape fait souvent apparaître des données déjà disponibles mais peu exploitées.
- Définir un dictionnaire de données. Pour chaque donnée, préciser son nom, son unité, son origine, sa fréquence, son responsable et sa règle de conservation.
- Vérifier la qualité. Rechercher les valeurs manquantes, les doublons, les horodatages incohérents, les unités mélangées et les changements de méthode de mesure.
- Tester sur un périmètre limité. Une machine, une ligne ou une famille de produits permet d’évaluer la valeur réelle du dispositif avant son extension.
- Organiser la revue des résultats. Définir qui consulte les indicateurs, à quel rythme et avec quelle procédure de décision. Un indicateur sans responsable ni action associée perd rapidement son intérêt.
Le choix des outils vient après cette clarification. Un tableur structuré peut suffire pour une expérimentation. Une base de données, un logiciel de suivi de production ou une plateforme industrielle deviennent pertinents lorsque le volume, la fréquence ou le nombre d’équipements dépasse les capacités d’un traitement manuel.
Cybersécurité, confidentialité et rôle des salariés
Connecter un atelier crée de nouveaux points d’accès entre les équipements, les logiciels et parfois les réseaux externes. L’Agence nationale de la sécurité des systèmes d’information, l’ANSSI, recommande une approche de sécurité adaptée aux systèmes industriels, avec notamment une séparation des réseaux, une maîtrise des accès, des sauvegardes et une surveillance des événements.
Les mesures concrètes peuvent inclure :
- des comptes individuels plutôt qu’un identifiant partagé ;
- des droits limités selon les fonctions ;
- une procédure de mise à jour des équipements et logiciels ;
- des sauvegardes testées et protégées ;
- un inventaire des connexions entre machines et systèmes informatiques ;
- un accès distant désactivé par défaut ou strictement contrôlé.
Les données liées aux salariés appellent une vigilance particulière. Les horaires de connexion, les identifiants d’intervention ou les erreurs associées à une personne peuvent constituer des données à caractère personnel. La Commission nationale de l’informatique et des libertés, la CNIL, rappelle que le traitement doit reposer sur une finalité définie, une base légale appropriée, une information des personnes et une durée de conservation proportionnée.
La collecte ne devrait pas servir à installer une surveillance permanente sans justification. Les représentants du personnel doivent être associés lorsque le dispositif affecte les conditions de travail ou permet un suivi de l’activité individuelle, conformément aux règles applicables. Le projet gagne en fiabilité lorsque les opérateurs comprennent les objectifs, peuvent signaler une mesure incohérente et participent à la définition des catégories d’arrêt ou de défaut.
Quels indicateurs suivre sans noyer l’atelier sous les tableaux de bord
Un atelier n’a pas besoin de dizaines d’indicateurs pour progresser. Quelques mesures reliées à des décisions concrètes sont généralement plus utiles qu’un écran très dense. Les indicateurs peuvent être regroupés par objectif :
- Disponibilité : durée des arrêts, fréquence des pannes, temps moyen de remise en fonctionnement.
- Performance : temps de cycle réel, quantité produite, durée des réglages, temps d’attente.
- Qualité : taux de conformité, rebuts, retouches, défauts par référence ou par étape.
- Maintenance : respect du préventif, récurrence des causes, durée d’intervention, consommation de pièces.
- Énergie : consommation par période, par équipement ou par unité produite lorsque la comparaison est pertinente.
Chaque indicateur devrait avoir une définition écrite. Par exemple, un arrêt peut-il être comptabilisé à partir d’une minute ou de dix minutes ? Une retouche est-elle incluse dans la production conforme ? Sans règle commune, les comparaisons entre équipes ou entre périodes peuvent être trompeuses.
Il faut également éviter de confondre corrélation et cause. Une hausse des défauts observée en même temps qu’une hausse de température ne prouve pas que la température est responsable. L’analyse doit tenir compte des autres changements : matière, outillage, programme, cadence ou méthode de contrôle.
FAQ : données industrielles et collecte en atelier
Faut-il équiper toutes les machines de capteurs ?
Non. Il est préférable de commencer par un problème clairement défini et par les équipements qui influencent directement ce problème. Les données déjà disponibles dans les automates, les logiciels de production ou les relevés qualité doivent être examinées avant tout nouvel investissement.
Quelle est la première donnée à collecter dans un atelier peu numérisé ?
Les arrêts, leurs causes, les quantités conformes et les quantités non conformes constituent souvent un socle utile. Pour être exploitable, chaque relevé doit être associé à une machine, une référence, une date et une durée ou une quantité.
Peut-on utiliser les données de production pour évaluer individuellement les salariés ?
Cette utilisation doit être examinée avec prudence. Les données liées à une personne doivent respecter les règles applicables en matière de protection des données et de droit du travail. Une mesure conçue pour améliorer un procédé ne devrait pas être détournée sans information, justification et cadre approprié.
Combien de temps faut-il conserver les données ?
Il n’existe pas une durée unique valable pour tous les cas. Elle dépend de la finalité, des obligations de traçabilité, des besoins de maintenance et des règles relatives aux données personnelles. Une politique de conservation doit préciser les durées, les accès et les modalités de suppression ou d’archivage.
Une intelligence artificielle est-elle nécessaire pour exploiter le big data industriel ?
Non. Des règles de contrôle, des graphiques de tendance, des analyses statistiques simples et une nomenclature fiable peuvent déjà produire des résultats opérationnels. Les modèles avancés deviennent pertinents lorsque le volume, la qualité et l’historique des données permettent de les évaluer sérieusement.