À retenir
- La donnée fiable est un sous-produit de l'automatisation des processus : tant que les informations sont ressaisies à la main, les tableaux de bord mentent.
- Quatre cas d'usage concentrent l'essentiel de la valeur en PME : tableau de bord temps réel, marge à l'affaire, maintenance prévisionnelle, traçabilité qualité.
- Le piège classique : construire un « data lake » avant d'avoir fiabilisé les flux. On centralise alors des données fausses, plus vite.
- La gouvernance n'est pas un luxe : définir qui est responsable de chaque donnée, et appliquer le RGPD dès qu'une donnée personnelle entre en jeu.
La donnée, sous-produit de l'automatisation
Beaucoup de démarches « data » commencent par la fin : on veut des tableaux de bord, on branche un outil de visualisation sur les systèmes existants, et l'on découvre que les chiffres ne correspondent à rien. La cause est presque toujours la même : les données proviennent de saisies manuelles, tardives, partielles ou contradictoires d'un système à l'autre.
C'est pourquoi ce pilier vient en deuxième position, après l'IA et l'automatisation logicielle. Quand une commande est enregistrée automatiquement à son arrivée, quand les temps de production remontent sans pointage papier, quand la facture découle de la livraison sans recopie, alors chaque événement de l'entreprise laisse une trace exacte et datée. La donnée de qualité n'est pas collectée : elle est produite par le processus lui-même.
Cette inversion change l'économie du projet. Au lieu de financer une infrastructure de données en espérant des usages futurs, on automatise des flux qui se justifient par eux-mêmes, et la donnée fiable arrive en bonus, prête à être exploitée. Le mot « jumeau numérique », dans la commande publique, désigne surtout des socles territoriaux (PCRS, cadastre solaire), pas un jumeau de ligne : registre daté, 25 marchés, JUNN 25 M€.
Quatre cas d'usage qui changent le pilotage
- Tableau de bord temps réel
Pilotage · Carnet de commandes, charge atelier, retards, encours : l'état réel de l'entreprise, visible chaque matin sans attendre la clôture mensuelle. La condition : des données produites par les flux, pas ressaisies pour l'occasion.
- Marge à l'affaire
Rentabilité · Rapprocher devis, temps réellement passés, matières consommées et facturation pour connaître la marge réelle de chaque affaire, et découvrir quels clients, produits ou séries gagnent ou perdent de l'argent.
- Maintenance prévisionnelle
Maintenance · Exploiter l'historique des pannes et les données machines pour intervenir avant l'arrêt, au bon moment : ni trop tôt (pièces remplacées inutilement), ni trop tard (ligne arrêtée). À commencer sur les équipements critiques. La méthode de calcul et les cas où ça ne vaut pas le coup sont détaillés dans maintenance prédictive : retour sur investissement.
- Traçabilité qualité
Qualité · Relier chaque lot livré à ses matières, ses paramètres de production et ses contrôles. En cas de réclamation ou d'audit, la réponse prend des minutes au lieu de jours : un argument commercial dans les filières exigeantes.
Ces quatre cas d'usage partagent une caractéristique : ils ne demandent pas de technologies exotiques, mais des données justes au bon endroit. Le bon réflexe est de les aborder un par un, en commençant par celui qui répond à une douleur réelle de l'entreprise : souvent la marge à l'affaire, parce qu'elle parle directement au dirigeant et qu'elle révèle des écarts que personne ne soupçonnait.
Lecture synthétique : de la donnée d'entrée à la décision
Chaque cas d'usage se lit de gauche à droite : une donnée d'entrée produite par un système, un indicateur qui en découle, une décision qu'il doit déclencher, et le prérequis sans lequel l'indicateur ment.
| Cas d'usage | Donnée d'entrée (système producteur) | Indicateur produit | Décision déclenchée | Prérequis de fiabilité |
|---|---|---|---|---|
| Tableau de bord temps réel | Commandes, ordres de fabrication, livraisons (ERP) | Carnet de commandes, charge atelier, retards, encours | Arbitrer la charge de la semaine sans attendre la clôture mensuelle | Enregistrement automatique des commandes à leur arrivée |
| Marge à l'affaire | Devis, temps passés, matières consommées, factures (ERP + MES) | Marge réelle par affaire, par client, par série | Revoir un tarif, refuser une série, corriger un mode de chiffrage | Temps de production remontés sans pointage papier |
| Maintenance prévisionnelle | Historique des pannes, données machines : vibrations, températures, intensités (GMAO + IIoT) | Dérive d'un équipement critique, fenêtre d'intervention | Intervenir avant l'arrêt, ni trop tôt ni trop tard | Parc machines inventorié et historique de pannes tenu |
| Traçabilité qualité | Lots de matière, paramètres de production, relevés de contrôle (MES + vision industrielle) | Généalogie complète d'un lot livré | Répondre à une réclamation ou à un audit en minutes | Contrôles enregistrés à chaque étape, pas après coup |
Source : grille établie par la rédaction à partir des définitions du glossaire de l'industrie du futur : ERP, MES, GMAO, IIoT, traçabilité, maintenance prévisionnelle. Établie en septembre 2026.
Télécharger ce tableau en CSV : data-industrie-cas-usage.csv
De l'indicateur à la décision
Un tableau de bord ne vaut que par les décisions qu'il déclenche. Trois principes évitent l'accumulation d'indicateurs que personne ne regarde. D'abord, peu d'indicateurs, mais tenus : une poignée de chiffres fiables et frais vaut mieux qu'une batterie de graphiques alimentés en différé. Ensuite, chaque indicateur a un propriétaire : quelqu'un qui s'engage à agir quand il dérive : sinon, c'est de la décoration. Enfin, la boucle se referme sur les processus : quand la donnée révèle un goulot ou une dérive récurrente, la réponse durable est souvent une nouvelle automatisation du flux concerné, pas une réunion de plus.
C'est ainsi que les deux premiers piliers s'alimentent mutuellement : l'automatisation produit la donnée, la donnée désigne la prochaine automatisation utile. Les entreprises qui progressent vite ne sont pas celles qui ont le plus d'outils, mais celles qui ont installé ce cycle court entre mesure et action.
Le piège du « data lake avant les flux »
Le schéma se répète : une entreprise lance un grand chantier de centralisation des données : entrepôt, lac de données, connecteurs vers tous les systèmes : avant d'avoir corrigé la façon dont ces données naissent. Le résultat est prévisible : une infrastructure coûteuse qui agrège des saisies manuelles incohérentes. La direction perd confiance dans les chiffres, et le sujet « data » se retrouve discrédité pour des années.
L'ordre inverse est plus sobre et plus sûr : fiabiliser d'abord les flux qui produisent la donnée (pilier 1), puis exploiter cette donnée là où elle crée de la valeur, cas d'usage par cas d'usage. Une PME n'a généralement pas besoin d'un lac de données : un ERP bien alimenté, quelques bases structurées et des tableaux de bord ciblés couvrent l'essentiel des besoins de pilotage.
Un test simple : si deux services donnent deux chiffres différents pour le même indicateur (carnet de commandes, retards, stock), le problème porte sur le processus qui produit la donnée, avant l'outil de visualisation.
Gouvernance et RGPD : cadrer sans alourdir
La gouvernance des données, à l'échelle d'une PME, tient en quelques décisions claires : quelle est la source de référence de chaque donnée (le client existe dans l'ERP, pas dans cinq fichiers parallèles), qui a le droit de la modifier, et comment les écarts sont détectés. Ce cadrage évite que les efforts d'automatisation ne reconstruisent, en plus rapide, le désordre antérieur.
Dès qu'une donnée personnelle entre en jeu : contacts clients et fournisseurs, données RH, temps de travail individuels), le RGPD s'applique : finalités définies, durées de conservation, registre des traitements, et attention particulière à la localisation des données lorsque des services d'IA externes interviennent dans la chaîne. Sur les données machines et de production, le réflexe utile est contractuel : vérifier qui, de l'industriel ou de ses fournisseurs de logiciels et d'équipements, a accès aux données et le droit de les réutiliser.
Qui peut vous accompagner ?
Le profil pertinent pour ce pilier n'est ni le pur intégrateur d'outils décisionnels, ni le cabinet de stratégie : c'est un acteur capable de travailler à la fois sur les flux qui produisent la donnée et sur son exploitation. Les familles d'intervenants sont regroupées, sans classement, dans l'annuaire des acteurs.
Pour situer ce pilier dans l'ensemble : revenez au premier pilier, l'IA et l'automatisation logicielle, poursuivez vers le troisième pilier, la robotique industrielle, ou consultez l'annuaire des acteurs.
Questions fréquentes
Par où commencer un projet data dans une PME industrielle ?
Par un cas d'usage qui répond à une douleur réelle, pas par une infrastructure. Le plus convaincant est souvent la marge à l'affaire, parce qu'elle parle directement au dirigeant et révèle des écarts que personne ne soupçonnait. Les trois autres cas d'usage matures sont le tableau de bord temps réel, la maintenance prévisionnelle et la traçabilité qualité.
Pourquoi mes tableaux de bord affichent-ils des chiffres faux ?
Parce que les données proviennent de saisies manuelles, tardives, partielles ou contradictoires d'un système à l'autre. La donnée fiable n'est pas collectée : elle est produite par le processus lui-même. Tant que les informations sont ressaisies à la main, brancher un outil de visualisation ne fait qu'afficher plus vite des chiffres qui ne correspondent à rien.
Faut-il un data lake pour piloter une usine ?
Généralement non. Une PME n'a pas besoin d'un lac de données : un ERP bien alimenté, quelques bases structurées et des tableaux de bord ciblés couvrent l'essentiel des besoins de pilotage. Centraliser avant d'avoir fiabilisé les flux amont produit une infrastructure coûteuse qui agrège des saisies incohérentes, et discrédite le sujet pour des années.
Qu'est-ce que la marge à l'affaire ?
C'est le rapprochement du devis, des temps réellement passés, des matières consommées et de la facturation, affaire par affaire. Elle donne la rentabilité réelle de chaque chantier ou série, et fait apparaître quels clients, produits ou séries gagnent ou perdent de l'argent : une information que la comptabilité générale, agrégée, ne fournit jamais.
Combien d'indicateurs faut-il suivre ?
Peu, mais tenus. Une poignée de chiffres fiables et frais vaut mieux qu'une batterie de graphiques alimentés en différé. Trois principes évitent l'accumulation : peu d'indicateurs, un propriétaire nommé pour chacun qui s'engage à agir quand il dérive, et une boucle qui se referme sur les processus quand la donnée révèle un goulot récurrent.
Le RGPD s'applique-t-il aux données de production ?
Le RGPD s'applique dès qu'une donnée personnelle entre en jeu : contacts clients et fournisseurs, données RH, temps de travail individuels. Les données machines, elles, ne sont pas des données personnelles. Sur ces dernières, le réflexe utile est contractuel : vérifier qui, de l'industriel ou de ses fournisseurs de logiciels et d'équipements, a accès aux données et le droit de les réutiliser.
Un doute sur l'ordre des chantiers ou sur la fiabilité de vos indicateurs ? Exposez votre situation en quelques lignes.