Idée reçue N°7: Favoriser la quantité à la qualité des données

Pour le management de l’énergie que ce soit une démarche volontaire ou de certification ISO 50001 l’importance des données n’est plus à démontrer. En effet, elles constituent la matière première de toutes les décisions qui vont être prises pour maitriser les consommations : vérifier les gains d’une action, détecter une dérive, comprendre les répartitions des flux… Dans cette optique la qualité des données est primordiale.

Attention à la qualité des données

Les industriels collectent de plus en plus d’informations provenant de systèmes hétérogènes conduisant progressivement nos usines au Big Data. Même si cette démarche doit être encouragée, notamment dans la mutation vers l’usine du futur, il ne faut pas oublier d’assurer la qualité des données !

Effectivement, la qualité des données est souvent négligée ce qui peut avoir plusieurs conséquences :

• Perte de temps des exploitants. L’Energy Manager passe plus de temps à vérifier et nettoyer ses données plutôt qu’à les analyser.
• La data Science permet de mieux modéliser les consommations. Cependant, la non qualité des données va fortement impacter les performances des outils d’intelligence artificielle
• La cybersécurité. Il faut prendre les dispositions nécessaires sur le réseau industriel pour éviter : la perte de données, les pertes de communications et la sécurité des systèmes. Plus globalement il faut analyser les risques selon la méthodologie Disponibilité, Intégrité, Confidentialité et Traçabilité (DICT). Si ces points ne sont pas traités en vue de la qualité des données, la démarche peut être contre-productive alors que l’objectif est bien une montée en puissance de la rentabilité des données.

Des précautions à prendre

Pour répondre à ces problématiques, il existe différentes solutions méthodologiques :

• Audit système de mesurage : Il faut déterminer l’existant et le besoin pour ensuite construire un plan d’action pour la mise en œuvre d’appareils de mesurage et la collecte de données
• Audit de la qualité des données : A partir de votre historique de données, identifiez les variables qui ont le plus de non qualité afin de mettre en place les actions correctives nécessaires. Cela permet également de nettoyer l’historique pour ensuite construire des modèles fiables et robustes.
• Cybersécurité : Une analyse de risques de votre système industriel pour identifier les points critiques et identifier des actions de fiabilisation et sécurisation des systèmes et des données.