Pour simplifier, nous disons que les systèmes intelligents de contrôle de la qualité
ont un impact sur l’optimisation de trois dimensions fondamentales: la capture, l’analyse et le partage des données.
Cependant, et bien que cela ne soit pas expressément mentionné parmi les avantages, il y a une phase préliminaire qui est à la base du succès de tout outil d’exploitation de données: définir le plus précisément possible les données dont nous avons besoin, ce qu’elles peuvent nous apporter et ce que nous avons l’intention d’obtenir avec elles.
En effet, la phase de définition et de planification est la base de la réussite d’un projet de traitement de données. Avant de commencer à capturer des données, nous devons répondre à une série de questions telles que:
- D’où proviennent les données? À quelle fréquence?
- Quelles sources de données ont le potentiel d’apporter une valeur ajoutée?
- Comment garantir sa fiabilité/homogénéité/véracité ?
- Comment allons-nous les stocker?
- Dois-je les analyser en temps réel ?
- Pouvons-nous combiner nos données avec d’autres données externes pour nous aider à rechercher des corrélations précieuses ?
- Dans quelle mesure nous attendons-nous de l’utilité de ces données? Pourquoi les voulons-nous?
Puisque la réponse à ces questions va configurer le modèle à mettre en œuvre, il est très important de pouvoir y répondre correctement, car c’est dans cette phase que se conçoit une bonne partie du succès ou de l’échec d’un projet de gestion de données. Gardez à l’esprit que le but ultime est d’avoir des informations adéquates pour une prise de décision efficace , donc si le modèle est mal défini, les décisions seront au moins incertaines.
« Gardez à l’esprit que l’objectif ultime est d’avoir des informations adéquates pour une prise de décision efficace, donc si le modèle est mal défini, les décisions seront pour le moins incertaines.
Par exemple, si l’on s’attend à ce que les données de contrôle de la qualité proviennent à la fois de procédés industriels et d’essais en laboratoire, il est très important de définir comment elles seront corrélées (par le biais du lot de fabrication, par exemple) afin que le système puisse entrelacer les informations et détecter d’éventuels changements dans les modèles de comportement, en décidant s’il s’agit d’une anomalie ou non; De cette façon, le système apprendra continuellement.
Ou dans le cas de références qui forment un sous-ensemble, il faudra prévoir la nécessité d’avoir une liste de composants pour maintenir la traçabilité et assurer l’intégrité de l’information.
Il s’agit de ne pas se perdre dans les données et d’empêcher un projet Big Data de devenir un projet Big Chaos. Nous devons toujours penser à des solutions qui ajoutent de la valeur plutôt que de nous concentrer sur l’accumulation de chiffres et de données; comme le disait le slogan de Pirelli, « le pouvoir sans contrôle ne sert à rien », et avoir des centaines de milliards de données sans savoir quoi en faire ou, ce qui est pire, avoir confondu la stratégie de collecte et d’analyse, est vraiment une perte de temps : nous aurons un cimetière de données au lieu d’informations utiles à la prise de décision.
