Les métriques de qualité des données qui comptent en atelier

À 2h14 du matin, un capteur de couple sur la Ligne 3 commence à enregistrer des relevés avec un décalage d'horodatage de 40 secondes. Personne ne le remarque. Trois jours plus tard, un lot de supports d'étriers de frein automobiles part avec un code de traitement thermique erroné. L'erreur remonte lors d'un audit client, pas avant. La cause racine n'a jamais été le capteur de couple lui-même. C'était une défaillance de qualité des données que personne ne mesurait : une dérive de fraîcheur qui a rompu le lien entre les relevés du capteur et l'enregistrement du lot.

Cette leçon porte sur les métriques qui l'auraient détectée en premier.

Pourquoi les données d'atelier sont différentes

Les données industrielles ont une double personnalité. D'un côté : des données capteurs générées par les machines à haute fréquence (température, vibration, couple, temps de cycle), souvent via des systèmes SCADA (Supervisory Control and Data Acquisition) ou des PLC (Programmable Logic Controllers). De l'autre : des données transactionnelles (ordres de fabricationfabricationUne hallucination, c'est lorsqu'un modèle d'IA produit une réponse fluide et assurée mais factuellement fausse, inventée, ou non étayée par ses données sources.Voir la définition complète →, généalogie des lots, bons de commande, contrôles qualité), qui vivent généralement dans un ERPERPUn système intégré unique qui gère les opérations clés : finance, achats, supply chain, RH et production sur des données partagées.Voir la définition complète → (Enterprise Resource Planning) ou un MES (Manufacturing Execution System, la couche logicielle qui suit la production en temps réel entre l'ERP et l'atelier).

Ces deux mondes tournent à des vitesses très différentes et se réconcilient mal. Un enregistrement de lot dans le MES peut indiquer « traitement thermique terminé 14:32 ». Le log du capteur du four peut indiquer que le dernier relevé valide date de 14:28, suivi d'un trou. Personne ne vérifie ce trou. C'est là que se cachent les lots mal étiquetés.

Les quatre métriques qui comptent

Complétude

Définition : le pourcentage de points de données attendus effectivement collectés, sans champ manquant ni enregistrement perdu.

Exemple : un capteur de vibration sur une broche CNC (Computer Numerical Control) doit enregistrer un relevé toutes les 5 secondes pendant une série de production. Sur un poste de 8 heures, cela fait 5 760 relevés attendus. Si seulement 5 200 sont arrivés, la complétude est de :

Completeness = (Records received / Records expected) × 100
             = (5,200 / 5,760) × 100
             = 90.3%

Un taux de complétude de 90 % paraît acceptable jusqu'à ce qu'on réalise que les 10 % manquants se concentrent juste autour d'un changement d'outil, précisément quand les défauts sont les plus probables. La complétude agrégée masque la défaillance. Vérifiez toujours la complétude *par fenêtre temporelle*, pas seulement en moyenne journalière.

Benchmark (estimation sectorielle, en 2025) : les industriels best-in-class visent plus de 98 % de complétude sur les flux capteurs critiques pour la sécurité (source : recommandations générales du Manufacturing Extension Partnership du NIST, à prendre comme une orientation, pas comme une norme stricte).

Fraîcheur

Définition : le délai entre le moment où un événement se produit et celui où il est enregistré et disponible.

C'est la métrique qui aurait signalé notre scénario d'ouverture. Un décalage de 40 secondes sur un relevé de couple peut sembler anodin, mais si le MES utilise ce relevé pour approuver automatiquement la libération d'un lot, ce décalage signifie que la logique d'approbation travaille sur des données périmées.

La fraîcheur se mesure généralement en latence (temps entre l'événement et la disponibilité de la donnée) par rapport à un SLASLAEngagement formel définissant le niveau de service qu'un fournisseur garantit à un client, avec des objectifs mesurables et des conséquences en cas de manquement.Voir la définition complète → (Service Level Agreement, un seuil de performance convenu) défini. Pour des portes qualité en temps réel, une latence inférieure à la seconde ou de quelques secondes est souvent exigée. Pour le reporting de production quotidien, une latence à la journée (T+0 ou T+1) est courante.

Exactitude

Définition : à quel point la donnée enregistrée correspond à la réalité terrain.

L'exactitude est la plus difficile à mesurer, car on dispose rarement d'une référence terrain parfaite pour comparer. Proxies courants :

• Contrôles de dérive d'étalonnage : comparer la sortie du capteur à un étalon de référence connu selon un calendrier fixe (par exemple, étalonnage hebdomadaire d'un manomètre contre une référence certifiée).
• Réconciliation entre sources : le poids du lot dans le MES correspond-il au poids d'expédition dans l'ERP, dans la tolérance admise ?
• Taux d'exception : pourcentage d'enregistrements signalés par les règles de validation (par exemple, un relevé de température de 950 °C sur un procédé plafonné à 400 °C est une défaillance d'exactitude évidente, pas simplement une valeur aberrante).

Un lot mal étiqueté est fondamentalement une défaillance d'exactitude : l'étiquette indiquait un code de traitement thermique, l'enregistrement du procédé en indiquait un autre. Le détecter suppose de réconcilier deux sources indépendantes, pas de faire confiance à l'une d'elles isolément.

Taux de doublons

Définition : le pourcentage d'enregistrements qui sont des copies redondantes du même événement.

Les doublons surviennent en permanence dans l'IT industrielle : une nouvelle tentative réseau envoie deux fois le même relevé capteur, ou un ordre de fabrication est ressaisi manuellement après un échec de synchronisation ERP. Les doublons gonflent les compteurs (un lot peut sembler avoir passé le contrôle deux fois) et peuvent masquer l'absence d'un enregistrement réel derrière un faux positif.

Duplication rate = (Duplicate records / Total records) × 100

Benchmark (estimation) : en dessous de 1 % est considéré comme sain pour des flux capteurs automatisés ; au-dessus de 3 %, cela indique généralement un problème d'intégration ou de retry réseau qui mérite investigation.

Assemblage : une checklist de gouvernance

Aucune de ces métriques ne fonctionne isolément. Une routine pratique de gouvernance des données d'atelier, exécutée quotidiennement ou par poste, ressemble à ceci :

1. Contrôle de complétude par machine et par fenêtre temporelle, alerte si en dessous de 95 %.
2. Contrôle de fraîcheur sur les points de contrôle critiques (libération de lot, porte qualité), alerte si la latence dépasse le SLA.
3. Réconciliation d'exactitude entre MES et ERP pour les identifiants de lot, les quantités et les codes de procédé.
4. Scan de doublons sur les tables transactionnelles avant qu'elles n'alimentent le reporting ou les certificats qualité destinés aux clients.

C'est l'essence de la data governancedata governanceLa data governance est l'ensemble des politiques, rôles et processus qui garantissent que les données sont exactes, sécurisées, bien définies et utilisées de façon responsable dans toute l'organisation.Voir la définition complète → : les politiques, rôles et processus qui garantissent que les données sont suffisamment fiables pour agir. Dans l'industrie réglementée (automobile sous IATF 16949, dispositifs médicaux sous FDA 21 CFR Part 820 aux États-Unis ou le Medical Device Regulation européen), ces contrôles ne sont pas facultatifs. Les auditeurs en demanderont la preuve.

Un exemple travaillé : détecter le lot mal étiqueté

Revenons à notre lot de supports d'étriers. Voici comment les quatre métriques l'auraient détecté avant expédition :

• La fraîcheur signale le décalage capteur de 40 secondes comme une anomalie hors du SLA de 5 secondes.
• La complétude montre un trou dans le log de température du four exactement pendant la fenêtre de traitement thermique du lot.
• La réconciliation d'exactitude entre le code de traitement thermique du MES et l'enregistrement d'expédition de l'ERP révèle un écart : le MES indique « Code HT-42 », les documents d'expédition ERP indiquent « Code HT-38 ».
• Le contrôle de doublons est propre, ce qui écarte un double comptage de saisie comme explication et oriente les enquêteurs vers un véritable incident d'étiquetage.

Une règle automatisée simple (pseudocode, le type de logique qu'un data engineer implémenterait dans un dashboard qualité) :

if mes_heat_code != erp_shipment_code:
    flag_batch(batch_id, reason="heat_code_mismatch")
    hold_shipment(batch_id)

Cette seule règle de réconciliation, exécutée avant la libération de l'expédition, coûte moins cher qu'un audit client raté et bien moins cher qu'un rappel.

Pour aller plus loin

Pour une introduction aux dimensions de qualité des données applicables au-delà de l'industrie, le DAMA-DMBOK (Data Management Body of Knowledge) est le framework de référence utilisé dans tous les secteurs, y compris par les équipes IT industrielles qui construisent des programmes de gouvernance.

🎬 [VIDEO: "What is Data QualityData QualityLe degré d'aptitude des données à l'usage prévu : exactes, complètes, cohérentes, à jour, valides et uniques. Une data quality faible fragilise l'analytics, le reporting et l'IA.Voir la définition complète →? (Completeness, Accuracy, Consistency Explained)" - youtube.com - un parcours en langage simple des dimensions clés de la qualité des données, utile comme rappel pour les managers non techniques]

Points clés

• Complétude, fraîcheur, exactitude et taux de doublons sont les quatre métriques de qualité des données de base pour les données capteurs et transactionnelles d'atelier. Mesurez-les par fenêtre temporelle et par machine, pas seulement en moyenne journalière.
• Le décalage de fraîcheur est un risque sous-estimé : un relevé capteur retardé peut casser silencieusement des portes qualité automatisées qui supposent des données en temps réel.
• L'exactitude se teste le mieux par réconciliation entre sources indépendantes (MES vs ERP, capteur vs référence d'étalonnage), puisqu'aucune source unique n'est automatiquement la « vérité terrain ».
• Des doublons sous 1 % et une complétude au-dessus de 95 à 98 % sont des benchmarks directionnels raisonnables (des estimations, pas des normes fixes) ; investiguez les écarts par cause racine, pas seulement par seuil.
• Dans les secteurs réglementés (IATF 16949, FDA 21 CFR Part 820, MDR européen), les contrôles de qualité des données documentés constituent une preuve d'audit, pas une hygiène facultative.