Alors que le patron de Renault Jean-Dominique Senard défend l’idée d’un « business positif » et que Carlos Tavares, à la tête de PSA, déclare vouloir mener une « stratégie agressive » de réduction de CO2, la data s’impose comme l’outil incontournable des ambitions des constructeurs et des équipementiers automobiles. À condition d’en partager l’accès en interne et d’en faciliter l’analyse. Le point de vue de Frédéric Abitan, Regional Vice President Sales chez Tableau.
Le secteur de l’automobile a-t-il aujourd’hui toutes les data en main pour concrétiser ses ambitions ?
L’enjeu pour les constructeurs est effectivement de réduire les émissions de CO2de leurs véhicules, dans le respect du protocole d’homologation WLTP qui conditionne malus et bonus écologiques. C’est d’autant plus difficile que cette réduction des émissions pèse sur tous les modèles, dans leurs nombreuses déclinaisons, toutes motorisations et toutes configurations confondues.
Pour y parvenir, la data s’avère incontournable. Elle permet de mesurer et de comparer la performance des moteurs, de calculer les effets de son aérodynamisme et, surtout, d’évaluer l’impact du poids du véhicule, principal levier dont les constructeurs disposent pour réduire la consommation de carburant et donc les émissions de CO2. C’est la raison pour laquelle les constructeurs s’appliquent à mettre chaque pièce sur la balance et d’optimiser leur design pour gagner quelques kilos, voire quelques centaines de grammes. Mais cette quête ne se fait pas à n’importe quel prix. Avec la data, il devient en effet possible d’analyser l’impact sur la sécurité de la diminution du poids d’un disque de frein, par exemple.
Le secteur produit des montagnes de données, aussi diverses que variées. Est-il en mesure de les compiler et d’analyser ?
La question que tous les constructeurs se posent, c’est comment optimiser leurs millions de térabytes de données pour fabriquer des véhicules plus propres. La donnée devient tellement centrale qu’on peut parler de changement de business model, à l’instar de Tesla. Certains analystes ne définissent en effet pas l’entreprise d’Elon Musk comme un constructeur mais comme une plateforme d’analyse de la data. Tesla a développé un tel savoir-faire, une telle expertise dans l’analyse de ses véhicules et de ses batteries qu’il a fait de sa donnée son principal actif.
La data conduit également les constructeurs à repenser leur rapport aux équipementiers. C’est une relation symbiotique qu’ils doivent nouer dans l’analyse de la donnée. L’équipementier va apporter l’innovation et des produits optimisés pour réduire les empreintes CO2, améliorer l’efficience et l’autonomie d’un véhicule.
Comment Tableau peut démocratiser cet accès à la data ? La clé du succès réside-t-elle dans la simplicité de l’utilisation de la data ?
Depuis 15 ans, Tableau met un point d’honneur à apporter de la simplicité à l’utilisateur et à garder la complexité pour ses développeurs. L’accès à la donnée doit être intuitif et assurer une réponse rapide à partir d’une source de données. Nous avons été précurseurs dans le self-service, en offrant la possibilité à chacun, dans tous les départements de l’entreprise (engineering, supply chain, commerce…) de comprendre leur data. Bien souvent, l’analyse visuelle de Tableau n’est pas une conclusion en soi, mais le début d’un questionnement pour agir.
Sous quelles conditions la data peut-elle devenir un facteur de succès pour les acteurs du secteur automobile ?
Nous proposons les outils pour mieux comprendre une data et mieux l’interroger. Un constructeur automobile travaille certes en flux tendu mais il a également besoin de forecaster. L’analytique, en se basant sur l’historisation de données, va par exemple pouvoir établir les tendances de couleur ou de segments de véhicule sur les deux ou trois prochaines années, grâce à l’analyse de la data acquise.
Je vais prendre l’exemple de Volkswagen aux États-Unis. Sur une chaîne de montage du constructeur, pour monter un capot, les ouvriers utilisent des visseuses électroniques connectées, qui remontent en permanence de la data. En analysant celle-ci, Volkswagen a réalisé que les ouvriers qui vissaient certaines parties de carrosserie soit trop fort, soit dans le mauvais angle, provoquaient systématiquement un échec du contrôle qualité du véhicule. Un coût estimé à 2 000 dollars par véhicule. Ainsi, grâce à la data, Volkswagen a su identifier un défaut de formation avec de substantielles économies à la clé.
Recherche des causes primaires des défaillances matérielles et précision globale des résultats des équipements.
Analyse des résultats des équipements et de l'angle spécifique, nM pour ces résultats par rapport à la valeur cible.
Générateurs de valeur
Économies
Visibilité sur les problèmes d'ergonomie et de sécurité. Déterminer rapidement quelles parties du corps ont été touchées et à quels endroits de l'atelier les blessures se sont produites.
Générateurs de valeur