Comme le rappelle un précédent article, la maintenance prédictive consiste à analyser les données d’un parc d’équipements afin de prédire et anticiper les besoins de maintenance. Comment mettre en place un tel projet ? Quelles en sont les grandes étapes ? Voici un retour d’expérience sur un projet de maintenance prédictive portant sur un parc d’agences bancaires comprenant plus de 13 000 équipements énergétiques.


1. Dimensionner son projet à partir des données disponibles

Parce que chaque projet est unique, il est indispensable de recenser les données à disposition et de définir une problématique claire et précise en adéquation avec les variables disponibles. Dans le cas du parc d’agences bancaires mentionné, l’objectif consistait à prédire l’état attribué par le mainteneur à l’équipement lors de la dernière maintenance en date. À cette fin, l’entreprise bancaire disposait d’une base de données détaillée concernant les équipements (type, âge, localisation dans le bâtiment, marque, date des dernières opérations de maintenance…) et une autre concernant les agences et leur description (surface, nombre de postes par agence…).

A lire également : Ceux qui détiennent vos données se font discrets

2. Ne pas négliger la phase exploratoire, une étape clé

Une fois la problématique clairement définie, il est tentant de se focaliser directement sur la modélisation prédictive en laissant de côté la phase exploratoire. Là encore, faire preuve de patience et de méthodologie est bien souvent la clef du succès. En effet, la phase exploratoire permet d’obtenir une vision globale et stratégique du parc d’équipements. Elle consiste notamment à étudier la distribution des différentes variables pertinentes et à les croiser afin de mettre au jour les premiers insights utiles au projet.

Dans le cas de notre réseau d’agences étudié ici, nous avons croisé entre autres les données concernant l’âge des équipements, leur type et leur marque. Une corrélation entre le risque de panne et certaines marques d’équipement a ainsi pu être mise en évidence.

A lire également : Un réseau d’agences bancaires trouve de l’or dans ses factures énergétiques !

3. Déterminer les facteurs explicatifs et planifier sa maintenance

Cette dernière étape présente un intérêt double pour l’entreprise bancaire :

    • Sur la base des prédictions, établir un calendrier rationalisé des futures maintenances
    • Cibler les facteurs déterminants de la dégradation des équipements pour mieux orienter les investissements.

La modélisation prédictive a ici fait très clairement apparaître plusieurs conclusions utiles. En particulier (cf. figure ci-dessous), l’âge des équipements constitue la variable la plus déterminante de l’état de l’équipement, loin devant son type ou encore sa marque ! Une évidence, vous direz-vous ; pas si sûr. Mais gardons ces explications détaillées pour un prochain billet.

maintenance predictive

Si les insights obtenus d’après l’analyse des données existantes ont permis à la banque d’améliorer sa politique de maintenance, des données temporelles précises de suivi permettront à terme d’établir un planning de maintenance pour l’entreprise.

À la demande de cette dernière, les prestataires de maintenance doivent contribuer et fournir des données mises à jour pour aller plus loin dans l’analyse.

Retour au prochain épisode sur Datanergy.fr

Benoît Choffin

Publié par Benoît Choffin